Vanilla Agents é uma estrutura leve baseada em PyTorch que fornece implementações modulares e extensíveis de agentes de reforço fundamentais. Suporta algoritmos como DQN, Double DQN, PPO e A2C, com wrappers de ambiente plugáveis compatíveis com OpenAI Gym. Os usuários podem configurar hiperparâmetros, registrar métricas de treinamento, salvar pontos de verificação e visualizar curvas de aprendizagem. A base de código é organizada para clareza, tornando-a ideal para prototipagem de pesquisa, uso educacional e benchmarking de novas ideias em RL.

Agent Script fornece uma camada de scripting declarativa sobre grandes modelos de linguagem, permitindo que você escreva scripts em YAML ou JSON que definem fluxos de trabalho do agente, chamadas de ferramenta e uso de memória. Você pode conectar OpenAI, LLMs locais ou outros provedores, conectar APIs externas como ferramentas e configurar backends de memória de longo prazo. A estrutura gerencia contexto, execução assíncrona e logs detalhados automaticamente. Com pouco código, você pode prototipar chatbots, fluxos de trabalho RPA, agentes de extração de dados ou ciclos de controle personalizados, facilitando a construção, teste e implantação de automações alimentadas por IA.

O Minimalist Agent fornece uma estrutura básica para construir agentes de IA em Python. Aproveita as classes de agentes do LangChain e a API da OpenAI para realizar raciocínio de múltiplas etapas, selecionar ferramentas dinamicamente e executar funções. Você pode clonar o repositório, configurar sua chave API da OpenAI, definir ferramentas ou endpoints personalizados e rodar o script CLI para interagir com o agente. O design enfatiza clareza e extensibilidade, facilitando o estudo, modificação e extensão dos comportamentos principais do agente para experimentação ou ensino.

O BDI Embutido fornece um motor completo do ciclo de vida BDI: modela as crenças de um agente sobre seu ambiente, gerencia desejos ou metas em evolução, seleciona intenções de uma biblioteca de planos e executa comportamentos em tempo real. O framework inclui módulos para armazenamento de base de crenças, definição de biblioteca de planos, acionamento de eventos e controle de concorrência ajustado para microcontroladores com memória limitada. Com uma API simples, os desenvolvedores podem anotar crenças, especificar desejos e implementar planos no código. Seu escalonador gerencia a execução de intenções com prioridade e integra interfaces de hardware para sensores, atuadores e comunicação de rede, tornando-o ideal para dispositivos IoT autônomos, robôs móveis e controladores industriais.

Na prática, LlamaSim permite definir múltiplos agentes alimentados por IA usando o modelo Llama, configurar cenários de interação e executar simulações controladas. Você pode personalizar personalidades de agentes, lógica de tomada de decisão e canais de comunicação usando APIs simples em Python. A estrutura automaticamente lida com a construção de prompts, análise de respostas e rastreamento do estado da conversa. Ela registra todas as interações e fornece métricas de avaliação integradas, como coerência de respostas, taxa de conclusão de tarefas e latência. Com sua arquitetura de plugins, você pode integrar fontes de dados externas, adicionar funções de avaliação personalizadas ou estender as capacidades dos agentes. O núcleo leve do LlamaSim torna-o adequado para desenvolvimento local, pipelines de CI ou implantações na nuvem, permitindo pesquisas reprodutíveis e validação de protótipos.

MASlite fornece uma API clara para criar classes de agentes, registrar comportamentos e lidar com comunicação baseada em eventos entre os agentes. Inclui um agendador para gerenciar tarefas dos agentes, modelagem de ambientes para simular interações e um sistema de plugins para estender capacidades centrais. Desenvolvedores podem rapidamente prototipar cenários multiagentes em Python, definindo métodos do ciclo de vida do agente, conectando agentes via canais e executando simulações em modo sem cabeça ou integrando com ferramentas de visualização.

SelfDrivingCarSimulator é uma estrutura leve em Python construída sobre Pygame que oferece um ambiente de condução 2D para treinar agentes de veículos autônomos usando aprendizado por reforço. Ela suporta layouts de pistas personalizáveis, modelos de sensores configuráveis (como LiDAR e emulação de câmeras), visualização em tempo real e registro de dados para análise de desempenho. Desenvolvedores podem integrar seus algoritmos de RL, ajustar parâmetros físicos e monitorar métricas como velocidade, taxa de colisões e funções de recompensa para iterar rapidamente em projetos de pesquisa e educação sobre condução autônoma.

DocumentAI-Backend é uma estrutura de backend leve que automatiza a extração de texto, campos de formulário e dados estruturados de documentos. Oferece endpoints API REST para fazer upload de PDFs ou imagens, processa-os via Google Document AI com fallback OCR e retorna resultados analisados em JSON. Construído com Python, FastAPI e Docker, permite integração rápida em sistemas existentes, implantações escaláveis e personalização através de pipelines e middleware configuráveis.