Este repositorio ofrece una demostración práctica de comunicación bidireccional entre agentes construidos sobre el framework JADE. Incluye clases Java de ejemplo que muestran configuración de agentes, creación de mensajes conformes a FIPA-ACL y manejo asincrónico de comportamientos. Los desarrolladores pueden observar cómo el Agente A envía una solicitud REQUEST, el Agente B procesa la petición y devuelve un mensaje INFORM. El código ilustra el registro de agentes con el Facilitador de Directorios, uso de comportamientos cíclicos y únicos, aplicación de plantillas de mensajes para filtrarlos y registro de secuencias de conversación. Es un punto de partida ideal para prototipar intercambios multi-agente, protocolos personalizados o integrar agentes JADE en sistemas de IA distribuidos más grandes.

Los Agentes Económicos Autónomos (AEA) de Fetch.ai son un marco versátil que permite a los desarrolladores diseñar, implementar y orquestar agentes de software autónomos capaces de interactuar entre sí, con entornos externos y con registros digitales. Aprovechando una arquitectura basada en plugins, AEA proporciona módulos preconstruidos para protocolos de comunicación, APIs de libros mayores criptográficos, identidad descentralizada y habilidades de toma de decisiones personalizables. Los agentes pueden descubrir y realizar transacciones en mercados descentralizados, realizar comportamientos dirigidos a objetivos y adaptarse mediante flujos de datos en tiempo real. El marco soporta herramientas de simulación para probar y depurar escenarios multi-agente, así como desplegar en blockchains en vivo o redes peer-to-peer. Con interoperabilidad incorporada y mensajería entre agentes, AEA simplifica el desarrollo de aplicaciones económicas autónomas complejas, como comercio de energía, optimización de cadenas de suministro y coordinación inteligente en IoT.

El marco Autonomous Economic Agents (AEA) de Fetch.ai es un SDK open-source en Python y un conjunto de herramientas CLI para crear agentes modulares y autónomos que negocian, transan y colaboran en entornos descentralizados. Incluye comandos de scaffolding para generar proyectos de agentes, plantillas para protocolos y habilidades, módulos de conexión para integrar múltiples ledger (Ethereum, Cosmos, etc.), interfaces de contrato, componentes de comportamiento y toma de decisiones, herramientas de prueba y simulación, y un mecanismo de publicación para distribuir agentes en la red Open Economic Framework. Los desarrolladores aprovechan su arquitectura modular para prototipar rápidamente trabajadores digitales para comercio DeFi, mercados de datos, coordinación IoT y automatización de la cadena de suministro.

JaCaMo ofrece un entorno unificado para diseñar y ejecutar sistemas multiagente (MAS) integrando tres componentes principales: el lenguaje de programación de agentes Jason para agentes basados en BDI, CArtAgO para modelado del entorno con artefactos, y Moise para definir estructuras organizacionales y roles. Los desarrolladores pueden escribir planes de agentes, definir artefactos con operaciones y organizar grupos de agentes bajo marcos normativos. La plataforma incluye herramientas para simulación, depuración y visualización de interacciones MAS. Con soporte para ejecución distribuida, repositorios de artefactos y comunicación flexible, JaCaMo permite prototipado rápido y investigaciones en áreas como inteligencia en enjambre, robótica colaborativa y toma de decisiones distribuidas. Su diseño modular asegura escalabilidad y extensibilidad en proyectos académicos e industriales.

El proyecto utiliza el framework JADE (Java Agent DEvelopment) para construir un entorno multi-agente. Define agentes que se registran en AMS y DF de la plataforma, intercambian mensajes ACL y ejecutan comportamientos como cíclicos, de una sola vez y FSM. Los escenarios ejemplo incluyen negociaciones comprador-vendedor, protocolos de contrato en red y asignación de tareas. Un contenedor GUI de agentes ayuda a monitorear los estados de los agentes en tiempo de ejecución y los flujos de mensajes.

MultiAgentes ofrece una arquitectura modular para definir entornos y agentes, soportando interacciones multiagente síncronas y asíncronas. Incluye clases base para entornos y agentes, escenarios predefinidos para tareas cooperativas y competitivas, herramientas para personalizar funciones de recompensa y APIs para comunicación entre agentes y compartición de observaciones. Utilidades de visualización permiten monitorización en tiempo real de comportamientos de agentes, mientras que módulos de registro guardan métricas de rendimiento para análisis. El marco se integra perfectamente con bibliotecas RL compatibles con Gym, permitiendo entrenar agentes con algoritmos existentes. MultiAgentes está diseñado para extensibilidad, permitiendo a desarrolladores agregar nuevos modelos de entornos, tipos de agentes y protocolos de comunicación para diversas aplicaciones de investigación y educativas.

MultiAgentSystems está diseñado para simplificar el proceso de construir y evaluar aplicaciones de aprendizaje por refuerzo multiagente (MARL). La plataforma incluye implementaciones de algoritmos de vanguardia como MADDPG, QMIX, VDN, además de entrenamiento centralizado con ejecución descentralizada. Incluye envoltorios modulares de entornos compatibles con OpenAI Gym, protocolos de comunicación para interacción entre agentes y utilidades de registro para rastrear métricas como la forma del premio y tasas de convergencia. Los investigadores pueden personalizar arquitecturas de agentes, ajustar hiperparámetros y simular escenarios como navegación cooperativa, asignación de recursos y juegos adversarios. Con soporte integrado para PyTorch, aceleración GPU e integración con TensorBoard, MultiAgentSystems acelera la experimentación y evaluación comparativa en dominios multiagente colaborativos y competitivos.

OpenAgentSpec define un conjunto completo de esquemas JSON, interfaces API y directrices de protocolo para agentes de IA. Cubre registro de agentes, declaración de capacidades, formatos de mensajes, manejo de eventos, gestión de memoria y mecanismos de extensión. Siguiendo la especificación, las organizaciones pueden crear agentes que comuniquen de forma fiable entre sí y con entornos anfitriones, reduciendo el esfuerzo de integración y fomentando un ecosistema reutilizable de componentes de IA interoperables.

SuperSwarm está diseñado para orquestar flujos de trabajo impulsados por IA aprovechando múltiples agentes especializados que se comunican y colaboran en tiempo real. Soporta descomposición dinámica de tareas, donde un agente principal divide objetivos complejos en subtareas y las asigna a agentes expertos. Los agentes pueden compartir contexto, intercambiar mensajes y adaptar sus enfoques según resultados intermedios. La plataforma ofrece un panel web, API RESTful y CLI para despliegue y monitoreo. Los desarrolladores pueden definir roles personalizados, configurar topologías de enjambre y ampliar con herramientas externas mediante plugins. SuperSwarm escala horizontalmente usando orquestación de contenedores, asegurando un rendimiento robusto bajo cargas elevadas. Los registros, métricas y visualizaciones ayudan a optimizar las interacciones de los agentes, haciéndola adecuada para tareas como investigación avanzada, automatización de soporte al cliente, generación de código y procesos de toma de decisiones.

AgentMesh es un marco centrado en el desarrollador que permite registrar agentes de IA individuales y enlazarlos en una red dinámica. Cada agente puede especializarse en una tarea específica — como prompting de LLM, recuperación o lógica personalizada — y AgentMesh se encarga del enrutamiento, balanceo de carga, manejo de errores y telemetría en toda la red. Esto permite construir flujos de trabajo complejos, encadenar agentes y escalar la ejecución de manera horizontal. Con transportes modulares, sesiones con estado y hooks de extensibilidad, AgentMesh acelera la creación de sistemas robustos y distribuidos de agentes de IA.

AgentSmith es un marco modular de orquestación de agentes en Python que permite a los desarrolladores definir, configurar y ejecutar múltiples agentes de IA colaborativamente. A cada agente se le pueden asignar roles especializados como investigador, planificador, codificador o revisador, y comunicarse mediante un bus de mensajes interno. AgentSmith soporta gestión de memoria con almacenes vectoriales como FAISS o Pinecone, descomposición de tareas en subtareas y supervisión automática para garantizar el cumplimiento de objetivos. Los agentes y los pipelines se configuran mediante archivos YAML legibles por humanos, y el marco se integra a la perfección con las APIs de OpenAI y con modelos LLM personalizados. Incluye registro, supervisión y manejo de errores integrados, lo que lo hace ideal para automatizar flujos de trabajo de desarrollo de software, análisis de datos y sistemas de soporte a decisiones.