Avalon-LLM é uma estrutura de IA de múltiplos agentes baseada em Python que permite aos usuários orquestrar múltiplos agentes impulsionados por LLM em um ambiente coordenado. Cada agente pode ser configurado com ferramentas específicas — incluindo busca na web, operações de arquivo e APIs personalizadas — para executar tarefas especializadas. A estrutura suporta módulos de memória para armazenar o contexto de conversas e conhecimentos de longo prazo, raciocínio em cadeia de pensamento para melhorar a tomada de decisão e pipelines de avaliação integrados para comparar o desempenho do agente. Avalon-LLM fornece um sistema de plugins modular, permitindo que os desenvolvedores adicionem ou substituam componentes como provedores de modelo, kits de ferramentas e armazenamentos de memória. Com arquivos de configuração simples e interfaces de linha de comando, os usuários podem implantar, monitorar e estender fluxos de trabalho autônomos de IA adaptados para pesquisa, desenvolvimento e casos de uso em produção.

Doraemon-Agent é uma plataforma e estrutura de Python de código aberto projetada para desenvolvedores construírem agentes de IA sofisticados. Permite integrar plugins personalizados e ferramentas externas, manter memória de longo prazo entre sessões e executar planejamento em cadeia de pensamento com múltiplas etapas. Os desenvolvedores podem configurar funções de agente, gerenciar contexto, registrar interações e estender funcionalidades através de uma arquitetura de plugins. Simplifica a criação de assistentes autônomos para tarefas como análise de dados, suporte à pesquisa ou automação de atendimento ao cliente.

A-Mem foi projetado para integrar-se perfeitamente com frameworks de IA baseados em Python, oferecendo três módulos distintos de memória: memória episódica para o contexto de cada episódio, memória de curto prazo para ações passadas imediatas e memória de longo prazo para acumular conhecimentos ao longo do tempo. Desenvolvedores podem personalizar a capacidade de memória, políticas de retenção e backends de serialização, como armazenamento em memória ou Redis. A biblioteca inclui algoritmos de indexação eficientes para recuperar memórias relevantes com base na similaridade e janelas de contexto. Inserindo os manipuladores de memória do A-Mem no ciclo percepção-ação, os usuários podem armazenar observações, ações e resultados e consultar experiências passadas para informar decisões atuais. Este design modular suporta rápida experimentação em aprendizagem por reforço, IA conversacional, navegação robótica e outras tarefas que exigem consciência de contexto e raciocínio temporal.

Agents-Deep-Research é projetado para simplificar o desenvolvimento e testes de agentes de IA autônomos ao oferecer uma base de código modular e extensível. Possui um motor de planejamento de tarefas que decompose metas definidas pelo usuário em subtarefas, um módulo de memória de longo prazo que armazena e recupera contexto, e uma camada de integração de ferramentas que permite aos agentes interagir com APIs externas e ambientes simulados. A estrutura também fornece scripts de avaliação e ferramentas de benchmark para medir o desempenho do agente em diversos cenários. Construído sobre Python e adaptável a diferentes backends de LLM, permite que pesquisadores e desenvolvedores criem rapidamente protótipos de novas arquiteturas de agentes, realizem experimentos reproduzíveis e comparem diferentes estratégias de planejamento sob condições controladas.

Strands Agents fornece um ambiente full-stack para criar assistentes inteligentes. Os usuários podem definir fluxos de conversação, gerenciar bancos de conhecimento, configurar configurações de memória e integrar com webhooks ou APIs externas. A plataforma oferece análises para medir desempenho, ferramentas de colaboração em equipe para controle de versão e implantação perfeita em chat na web, mobile ou widgets embutidos. Nenhum conhecimento de codificação é necessário—personalize comportamentos via um editor visual e escale os agentes para lidar com grandes volumes de consultas.