MONAI, ou Rede Aberta Médica para IA, é uma estrutura open-source projetada para aprendizado profundo em imagens de saúde. Ela fornece ferramentas e bibliotecas robustas para profissionais de saúde, permitindo-lhes desenvolver, treinar e implantar soluções baseadas em IA de forma rápida e eficiente. Sua arquitetura modular garante que os usuários possam personalizar seus fluxos de trabalho enquanto aproveitam componentes existentes, levando a pesquisas mais eficientes e colaboração clínica. Com MONAI, os desenvolvedores podem lidar com diversos conjuntos de dados médicos, facilitando avanços nas tecnologias de imagem médica.

Esta estrutura de código aberto combina a biblioteca de modelagem de agentes AgentSimJs com o motor gráfico 3D do Three.js para fornecer simulações multiagentes interativas baseadas no navegador. Os usuários podem definir tipos de agentes, comportamentos e regras ambientais, configurar detecção de colisões e gerenciamento de eventos, e visualizar simulações em tempo real com opções de renderização personalizáveis. A biblioteca suporta controles dinâmicos, gerenciamento de cenas e ajuste de desempenho, tornando-a ideal para pesquisa, educação e prototipagem de cenários complexos baseados em agentes.

O MultiAgentPacman oferece um ambiente de jogo em Python onde os usuários podem implementar, visualizar e comparar múltiplos agentes de IA no domínio Pacman. Suporta algoritmos de busca adversarial como minimax, expectimax, poda alfa-beta, bem como agentes personalizados baseados em reforço ou heurísticas. A estrutura inclui uma interface gráfica simples, controles de linha de comando e utilitários para registrar estatísticas do jogo e comparar o desempenho dos agentes em cenários cooperativos ou competitivos.

RoboCup Rescue Agent Simulation é uma estrutura de código aberto que modela ambientes urbanos de desastres onde múltiplos agentes controlados por IA colaboram para localizar e resgatar vítimas. Oferece interfaces para navegação, mapeamento, comunicação e integração de sensores. Os usuários podem criar estratégias personalizadas, executar experimentos em lote e visualizar métricas de desempenho de agentes. A plataforma suporta configuração de cenários, registro de logs e análise de resultados para acelerar pesquisas em sistemas multiagentes e algoritmos de resposta a desastres.

Base OnChain Agent é um framework de código aberto projetado para implantar agentes de IA autônomos em blockchains semelhantes ao Ethereum. Conecta-se aos nós de blockchain via Web3 e usa modelos GPT da OpenAI para interpretar eventos on-chain como transferências de tokens ou logs específicos de protocolos. O agente pode processar prompts de linguagem natural ou estratégias predefinidas para decidir quando executar transações, chamar funções de contratos inteligentes ou responder a propostas de governança. Desenvolvedores podem estender módulos para ouvintes de eventos personalizados, integrar feeds de dados off-chain e gerenciar chaves privadas de forma segura. Essa solução permite operações automatizadas de DeFi, como provisionamento de liquidez, arbitragem e rebalanceamento de portfólio, com intervenção manual mínima.

BeeAI Framework Py Starter é um projeto open-source em Python projetado para iniciar a criação de agentes de IA. Inclui módulos principais para orquestração de agentes, um sistema de plugins para extender a funcionalidade e adaptadores para conexão com APIs LLM populares. Os desenvolvedores podem definir tarefas, gerenciar memória de conversação e integrar ferramentas externas através de arquivos de configuração simples. A estrutura enfatiza modularidade e facilidade de uso, permitindo prototipagem rápida de chatbots, assistentes automatizados e agentes de processamento de dados sem código boilerplate.

Cerebellum oferece uma plataforma modular onde os desenvolvedores definem agentes usando planos declarativos compostos por etapas sequenciais ou chamadas de ferramentas. Cada plano pode chamar ferramentas embutidas ou personalizadas — como conectores de API, recuperadores ou processadores de dados — através de uma interface unificada. Módulos de memória permitem que agentes armazenem, recuperem e esqueçam informações entre sessões, possibilitando interações conscientes de contexto e com estado. Ele se integra a modelos de linguagem populares (OpenAI, Hugging Face), suporta registro de ferramentas personalizadas e possui um motor de execução baseado em eventos para controle em tempo real. Com registro, manipulação de erros e ganchos de plugins, Cerebellum aumenta a produtividade, facilitando o desenvolvimento rápido de agentes para automação, assistentes virtuais e aplicações de pesquisa.

O Agente de IA Conversacional Inteligente baseado em RAG combina uma camada de recuperação apoiada por armazenamento vetorial com o Gemini LLM do Google via LangChain para extrair conhecimento conversacional e com contexto. Os usuários ingerem e indexam documentos — PDFs, páginas web ou bancos de dados — em um banco de dados vetorial. Quando uma consulta é feita, o agente recupera os trechos mais relevantes, os alimenta em um modelo de prompt e gera respostas concisas e precisas. Componentes modulares permitem a personalização de fontes de dados, armazenamentos vetoriais, engenharia de prompts e backends de LLM. Este framework de código aberto simplifica o desenvolvimento de bots de perguntas e respostas específicos de domínio, exploradores de conhecimento e assistentes de pesquisa, entregando insights escaláveis em tempo real a partir de grandes coleções de documentos.

Trinity-RFT (Retrieval Fine-Tuning) é uma estrutura unificada de código aberto projetada para melhorar a precisão e eficiência do modelo combinando fluxos de trabalho de recuperação e ajuste fino. Os usuários podem preparar um corpus, construir um índice de recuperação e inserir o contexto recuperado diretamente nos loops de treinamento. Suporta recuperação multimodal para texto, imagens e vídeos, integra-se com armazenamentos de vetores populares e oferece métricas de avaliação e scripts de implantação para prototipagem rápida e implantação em produção.

Os Agentes Econômicos Autônomos (AEA) da Fetch.ai são uma estrutura versátil que capacita desenvolvedores a projetar, implementar e orquestrar agentes de software autônomos capazes de interagir entre si, com ambientes externos e registros digitais. Utilizando uma arquitetura baseada em plugins, a AEA fornece módulos pré-construídos para protocolos de comunicação, APIs de livros-razão criptográficos, identidade descentralizada e habilidades de tomada de decisão personalizáveis. Os agentes podem descobrir e realizar transações em mercados descentralizados, executar comportamentos orientados a metas e se adaptar através de fluxos de dados em tempo real. A estrutura suporta ferramentas de simulação para testar e depurar cenários multi-agente, além de implantação em blockchains ao vivo ou redes peer-to-peer. Com interoperabilidade integrada e troca de mensagens entre agentes, a AEA simplifica o desenvolvimento de aplicações econômicas autônomas complexas, como comércio de energia, otimização da cadeia de suprimentos e coordenação inteligente de IoT.

A Tradução Automática com Agentes de IA é uma estrutura de código aberto destinada a pesquisa e desenvolvimento em tradução automática. Orquestra três agentes principais — gerador, avaliador e refinador — para produzir, avaliar e aprimorar traduções colaborativamente. Baseada em PyTorch e modelos de transformadores, suporta pré-treinamento supervisionado, otimização por aprendizado por reforço e políticas de agentes configuráveis. Usuários podem fazer benchmarking em conjuntos de dados padrão, acompanhar pontuações BLEU e estender o pipeline com agentes personalizados ou funções de recompensa para explorar colaboração entre agentes em tarefas de tradução.

RAGENT foi projetado para criar agentes autônomos de IA que podem interagir com diversas ferramentas e fontes de dados. Em seu núcleo, utiliza geração aumentada por recuperação para buscar contextos relevantes de arquivos locais ou fontes externas e depois compõe respostas via modelos da OpenAI. Desenvolvedores podem conectar ferramentas para busca na web, automação de navegador com Selenium, operações de leitura/escrita de arquivos, execução de código em sandboxes seguras e OCR para extração de texto de imagens. O framework gerencia a memória da conversa, manipula a orquestração de ferramentas e suporta templates de prompt personalizados. Com RAGENT, equipes podem prototipar rapidamente agentes inteligentes para Q&A de documentos, automação de pesquisa, resumo de conteúdo e automação de fluxos de trabalho de ponta a ponta, tudo dentro de um ambiente Python.