ANAC-agents é um framework baseado em Python que centraliza múltiplas implementações de agentes de negociação para a Competição de Agentes de Negociação Automatizada (ANAC). Cada agente no repositório incorpora estratégias distintas de modelagem de utilidade, geração de propostas, táticas de concessão e critérios de aceitação, facilitando estudos comparativos e prototipagem rápida. Usuários podem definir domínios de negociação com questões personalizadas e perfis de preferência, então simular negociações bilaterais ou competições no estilo torneio entre agentes. O kit inclui scripts de configuração, métricas de avaliação e utilitários de registro para analisar dinâmicas de negociação. Pesquisadores e desenvolvedores podem estender agentes existentes, testar algoritmos inovadores ou integrar módulos de aprendizagem externos, acelerando a inovação em barganha automatizada e tomada de decisão estratégica sob informações incompletas.

O Framework Agente Melhor oferece um kit de ferramentas modular para definir, coordenar e escalar agentes de IA. Permite configurar comportamentos de agentes, integrar ferramentas e APIs externas, gerenciar memória e estado do agente e monitorar a execução. Construído em Python, suporta interfaces de plugins extensíveis, colaboração multi-agente e registros integrados. Os desenvolvedores podem prototipar rapidamente e implantar agentes para tarefas como extração de dados, pesquisa automatizada e assistentes conversacionais, tudo dentro de uma estrutura unificada.

Chainlit é um framework Python assíncrono open-source projetado para ajudar desenvolvedores a construir e implantar rapidamente aplicativos escaláveis de IA conversacional e agentes. Ele suporta integrações com bibliotecas populares do Python e frameworks para oferecer uma experiência de desenvolvimento sem interrupções. Com Chainlit, os usuários podem criar aplicativos de chat prontos para produção que podem lidar com interações complexas e manter o contexto da conversa.

ChatGPT OpenAI Smart Speaker é uma estrutura de desenvolvimento para construir seu próprio assistente AI ativado por voz. Funciona em dispositivos como Raspberry Pi, PCs Linux, macOS ou máquinas Windows. Usando bibliotecas padrão do Python para reconhecimento de fala e síntese de texto para fala, ouve uma palavra de ativação, captura sua pergunta, encaminha para a API ChatGPT da OpenAI e lê as respostas em tempo real. Você pode estender com comandos personalizados, integrar controles de automação residencial ou usá-lo para demonstrações educacionais de IA de voz.

Cyrano é uma estrutura de código aberto em Python e CLI para criar agentes de IA que orquestram grandes modelos de linguagem e ferramentas externas por meio de solicitações de linguagem natural. Os usuários podem definir ferramentas personalizadas (funções), configurar limites de memória e tokens, e lidar com callbacks. Cyrano lida com a análise de respostas JSON de LLMs e executa ferramentas especificadas em sequência. Enfatiza simplicidade, modularidade e zero dependências externas, permitindo que desenvolvedores possam prototipar chatbots, construir fluxos de trabalho automatizados e integrar capacidades de IA em aplicativos de forma rápida.

Fast Reinforcement Learning é uma estrutura especializada em Python projetada para acelerar o desenvolvimento e a execução de agentes de reforço de aprendizado. Oferece suporte imediato para algoritmos populares como PPO, A2C, DDPG e SAC, combinados com gerenciamento de ambientes vetorizados de alta vazão. Os usuários podem configurar facilmente redes de política, personalizar laços de treinamento e aproveitar a aceleração GPU para experimentos em larga escala. O design modular da biblioteca garante integração perfeita com ambientes OpenAI Gym, permitindo que pesquisadores e profissionais prototype, benchmark e implantem agentes em várias tarefas de controle, jogos e simulação.

defaultmodeAGENT é uma estrutura baseada em Python projetada para simplificar a criação de agentes inteligentes que executam fluxos de trabalho de múltiplas etapas de forma autônoma. Possui planejamento em modo padrão—uma estratégia adaptativa para decidir quando explorar versus explorar—junto com integração fluida de ferramentas e APIs personalizadas. Os agentes mantêm memória de conversação, suportam prompts dinâmicos e oferecem registro para depuração. Construído sobre a API da OpenAI, permite prototipagem rápida de assistentes para extração de dados, pesquisa e automação de tarefas.

GPA-LM é uma estrutura baseada em Python projetada para simplificar a criação e orquestração de agentes de IA alimentados por grandes modelos de linguagem. Conta com um planejador que divide instruções de alto nível em subtarefas, um executor que gerencia chamadas de ferramentas e interações, e um módulo de memória que mantém o contexto entre sessões. A arquitetura de plugins permite aos desenvolvedores adicionar ferramentas, APIs e lógica de decisão personalizadas. Com suporte multi-agente, o GPA-LM pode coordenar papéis, distribuir tarefas e agregar resultados. Integra-se facilmente com LLMs populares como OpenAI GPT e suporta implantação em diversos ambientes. O framework acelera o desenvolvimento de agentes autônomos para pesquisa, automação e prototipagem de aplicações.

HMAS é uma estrutura de código aberto em Python que permite o desenvolvimento de sistemas multiagente hierárquicos. Oferece abstrações para definir hierarquias de agentes, protocolos de comunicação entre agentes, integração de ambientes e loops de treinamento integrados. Pesquisadores e desenvolvedores podem usar HMAS para prototipar interações complexas de vários agentes, treinar políticas coordenadas e avaliar o desempenho em ambientes simulados. Seu design modular torna fácil estender e personalizar agentes, ambientes e estratégias de treinamento.

HFO_DQN combina Python e TensorFlow para fornecer um pipeline completo para treinar agentes de futebol usando Deep Q-Networks. Os usuários podem clonar o repositório, instalar dependências incluindo o simulador HFO e bibliotecas Python, e configurar os parâmetros de treinamento em arquivos YAML. O framework implementa experiência de replay, atualizações de rede alvo, exploração epsilon-greedy e modelagem de recompensas específicas para o domínio offense de meio campo. Possui scripts para treinamento de agentes, registro de desempenho, partidas de avaliação e plotagem de resultados. A estrutura modular de código permite integrar arquiteturas de rede neural personalizadas, algoritmos RL alternativos e estratégias de coordenação multiagentes. As saídas incluem modelos treinados, métricas de desempenho e visualizações de comportamento, facilitando a pesquisa em aprendizado por reforço e sistemas multiagentes.

O InfantAgent oferece uma estrutura leve para projetar e implantar agentes inteligentes em Python. Integra-se com LLMs populares (OpenAI, Hugging Face), suporta módulos de memória persistentes e permite cadeias de ferramentas personalizadas. Por padrão, você obtém uma interface conversacional, orquestração de tarefas e tomada de decisão orientada por políticas. A arquitetura de plug-ins do framework permite fácil extensão para ferramentas e APIs específicas de domínio, tornando-o ideal para prototipagem de agentes de pesquisa, automação de fluxos de trabalho ou incorporação de assistentes de IA em aplicações.

LangChain é uma estrutura Python de código aberto projetada para acelerar o desenvolvimento de aplicações habilitadas para IA. Fornece abstrações para encadear múltiplas chamadas de modelos de linguagem (cadeias), construir agentes que interagem com ferramentas externas e gerenciar a memória de conversas. Os desenvolvedores podem definir prompts, analisadores de saída e executar fluxos de trabalho de ponta a ponta. As integrações incluem armazenamento vetorial, bancos de dados, APIs e plataformas de hospedagem, possibilitando chatbots prontos para produção, análise de documentos, assistentes de código e pipelines de IA personalizados.

LeanAgent é uma estrutura baseada em Python projetada para agilizar a criação de agentes de IA autônomos. Oferece módulos de planejamento integrados que aproveitam modelos de linguagem grandes para tomada de decisão, uma camada de integração de ferramentas extensível para chamadas de APIs externas ou scripts personalizados, e um sistema de gerenciamento de memória que mantém o contexto ao longo das interações. Desenvolvedores podem configurar fluxos de trabalho de agentes, integrar ferramentas personalizadas, iterar rapidamente com utilitários de depuração e implantar agentes prontos para produção para uma variedade de domínios.

O framework LLM Maze Agent fornece um ambiente baseado em Python para construir agentes inteligentes capazes de navegar por labirintos de grade usando grandes modelos de linguagem. Combinando interfaces modulares de ambiente com modelos de prompting em cadeia de pensamento e planejamento heurístico, o agente consulta iterativamente um LLM para decidir direções de movimento, adaptar-se a obstáculos e atualizar sua representação de estado interno. Suporte pronto para uso com modelos OpenAI e Hugging Face permite integração sem problemas, enquanto a geração configurável de labirintos e a depuração passo a passo facilitam a experimentação com diferentes estratégias. Pesquisadores podem ajustar funções de recompensa, definir espaços de observação personalizados e visualizar rotas do agente para analisar processos de raciocínio. Este design faz do LLM Maze Agent uma ferramenta versátil para avaliar o planejamento com base em LLM, ensinar conceitos de IA e comparar o desempenho de modelos em tarefas de raciocínio espacial.

LLM State Machine é uma estrutura Python de código aberto projetada para construir agentes de IA usando máquinas de estado explícitas. Os desenvolvedores definem estados como passos discretos — cada um invocando um grande modelo de linguagem ou lógica personalizada — e transições baseadas em saídas. Essa abordagem oferece clareza, manutenibilidade e manipulação robusta de erros para fluxos de trabalho multi-etapas alimentados por LLM, como processamento de documentos, bots conversacionais ou pipelines de automação.

MARO (Otimização de Recursos Multiagente) é uma estrutura baseada em Python projetada para apoiar o desenvolvimento e avaliação de agentes de aprendizagem por reforço multiagente em cenários de cadeia de suprimentos, logística e gestão de recursos. Inclui modelos de ambientes para gestão de inventário, agendamento de caminhões, cross-docking, aluguel de contêineres e mais. Oferece uma API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulação paralela para treinamento em larga escala e ferramentas de visualização para análise de desempenho. A plataforma é modular, extensível e integra-se com bibliotecas populares de RL, possibilitando pesquisa reprodutível e prototipagem rápida de soluções de otimização baseadas em IA.

Matcha Agent fornece uma base flexível para construir agentes autônomos em Python. Os desenvolvedores podem configurar agentes com conjuntos de ferramentas personalizados (APIs, scripts, bancos de dados), gerenciar memória de conversação e orquestrar fluxos de trabalho de várias etapas entre diferentes LLMs (OpenAI, modelos locais, etc.). Sua arquitetura baseada em plugins permite fácil extensão, depuração e monitoramento do comportamento do agente. Seja automatizando tarefas de pesquisa, análise de dados ou suporte ao cliente, o Matcha Agent agiliza o desenvolvimento e a implantação de agentes de ponta a ponta.

MGym é uma estrutura especializada para criar e gerenciar ambientes de aprendizado por reforço multiagente (MARL) em Python. Permite aos usuários definir cenários complexos com múltiplos agentes, cada um com espaços de observação e ação ajustáveis, funções de recompensa e regras de interação. MGym suporta modos de execução síncrona e assíncrona, oferecendo simulação de agentes em paralelo e por turnos. Com uma API similar à do Gym, MGym integra-se facilmente com bibliotecas populares de RL como Stable Baselines, RLlib e PyTorch. Inclui módulos utilitários para benchmarking de ambientes, visualização de resultados e análise de desempenho, facilitando a avaliação sistemática de algoritmos MARL. Sua arquitetura modular permite prototipagem rápida de tarefas cooperativas, competitivas ou de agentes mistos, capacitando pesquisadores e desenvolvedores a acelerarem experimentações e pesquisas em MARL.

O Assistente de IA Multi-Agente é uma estrutura modular em Python que orquestra múltiplos agentes com GPT, cada um atribuído a funções específicas como planejamento, pesquisa, análise e execução. O sistema suporta troca de mensagens entre agentes, armazenamento de memória e integração com ferramentas e APIs externas, permitindo a decomposição de tarefas complexas e a resolução colaborativa de problemas. Desenvolvedores podem personalizar o comportamento dos agentes, adicionar novas ferramentas e configurar fluxos de trabalho via arquivos de configuração simples. Aproveitando o raciocínio distribuído entre agentes especializados, a estrutura acelera pesquisas automatizadas, análise de dados, suporte à decisão e automação de tarefas. O repositório inclui implementações de exemplo e modelos, permitindo prototipagem rápida de assistentes inteligentes e trabalhadores digitais capazes de gerenciar fluxos de trabalho de ponta a ponta em negócios, educação e pesquisa.

Nuzon-AI fornece uma estrutura de agente baseada em Python que permite definir tarefas, gerenciar memória de conversa e estender funcionalidades via plugins. Suporta integração com principais LLMs (OpenAI, modelos locais), permitindo que os agentes realizem interações web, análise de dados e fluxos de trabalho automatizados. A arquitetura inclui um registro de habilidades, sistema de invocação de ferramentas e camada de orquestração multiagente, possibilitando compor agentes para suporte ao cliente, assistência à pesquisa e produtividade pessoal. Com arquivos de configuração, você pode adaptar o comportamento de cada agente, a política de retenção de memória e o registro para depuração ou auditoria.