Saiki es un framework de orquestación de agentes de código abierto que permite a los desarrolladores crear flujos de trabajo complejos impulsados por IA escribiendo definiciones declarativas en YAML. Cada agente puede realizar tareas, llamar servicios externos o invocar otros agentes en una secuencia encadenada. Saiki proporciona un servidor REST API integrado, trazado de ejecución, salida detallada de logs y un panel web para monitoreo en tiempo real. Soporta reintentos, fallbacks y extensiones personalizadas, facilitando la iteración, depuración y escalado de pipelines de automatización robustos.

El Swarm Simulator ofrece un entorno personalizable para experimentos multi-agentes en tiempo real. Los usuarios pueden ajustar parámetros clave — alineación, cohesión, separación — y observar la dinámica emergente en un lienzo visual. Cuenta con deslizadores de interfaz interactivos, ajuste dinámico del número de agentes y exportación de datos para análisis. Ideal para demostraciones educativas, prototipado de investigación o exploración aficionada de principios de inteligencia de enjambre.

Tongui Agent proporciona una arquitectura modular para crear agentes de IA que puedan mantener el estado de la conversación, aprovechar herramientas externas y coordinar múltiples sub-agentes. Los desarrolladores configuran los backends LLM, definen acciones personalizadas y ajustan módulos de memoria para almacenar el contexto. El marco incluye un SDK, CLI y hooks middleware para observabilidad, facilitando su integración en aplicaciones web o Node.js. Los LLM soportados incluyen OpenAI, Azure OpenAI y modelos de código abierto.

Avalon-LLM es un marco de IA multi-agente basado en Python que permite a los usuarios orquestar múltiples agentes impulsados por LLM en un entorno coordinado. Cada agente puede configurarse con herramientas específicas, incluyendo búsqueda en Internet, operaciones con archivos y APIs personalizadas, para realizar tareas especializadas. El marco soporta módulos de memoria para almacenar el contexto de conversaciones y conocimientos a largo plazo, razonamiento en cadena para mejorar la toma de decisiones, y pipelines de evaluación integrados para benchmarking del rendimiento del agente. Avalon-LLM proporciona un sistema de plugins modular que permite a los desarrolladores agregar o reemplazar fácilmente componentes como proveedores de modelos, toolkits y almacenes de memoria. Con archivos de configuración sencillos e interfaces de línea de comandos, los usuarios pueden desplegar, monitorear y extender flujos de trabajo autónomos de IA adaptados para investigación, desarrollo y casos de producción.

Bespoke Curator es un marco de orquestación impulsado por IA que permite a los usuarios lanzar múltiples agentes especializados con roles definidos — investigador, analista, resumidor — para recopilar información, procesar documentos y entregar salidas estructuradas de manera autónoma. Integraciones incorporadas con navegación web, APIs y almacenamiento en memoria compartida permiten a los agentes comunicarse y iterar en tareas. Los usuarios configuran fuentes de datos, establecen reglas de extracción y métricas de rendimiento. Los dashboards de la plataforma rastrean el progreso de los agentes, permitiendo ajustes en tiempo real y exportación de informes finales, insights o resúmenes para inteligencia empresarial, revisiones académicas y flujos de trabajo de estrategia de contenidos.

El sistema multiagente de comercio electrónico en JADE demuestra cómo los agentes autónomos pueden gestionar los flujos de trabajo de compras en línea. Los agentes compradores buscan productos y negocian precios con agentes vendedores. Los agentes vendedores manejan inventario y estrategias de precios. Los agentes logísticos programan envíos y actualizan el estado de los pedidos. El sistema muestra la comunicación entre agentes vía ACL, extensión de comportamientos y despliegue de contenedores en la plataforma JADE.

Java-Action-Shape es una biblioteca de acciones dedicada diseñada para ampliar el marco multiagente LightJason con capacidades geométricas avanzadas. Proporciona a los agentes acciones listas para usar para instanciar formas comunes (círculo, rectángulo, polígono), aplicar transformaciones (trasladar, rotar, escalar) y realizar cálculos analíticos (área, perímetro, centroide). Cada acción es segura para hilos y se integra con el modelo de ejecución asíncrona de LightJason, garantizando procesamiento paralelo eficiente. Los desarrolladores pueden definir formas personalizadas especificando vértices y aristas, registrarlas en el registro de acciones del agente e incluirlas en las definiciones de planes. Centralizando la lógica relacionada con formas, Java-Action-Shape reduce el código repetitivo, garantiza APIs coherentes y agiliza la creación de aplicaciones dirigidas por la geometría, desde simulaciones hasta herramientas educativas.

El agente LLMLing es un marco modular para construir, configurar y desplegar agentes de IA impulsados por grandes modelos de lenguaje. Los usuarios pueden instanciar múltiples roles de agentes, conectar herramientas externas o APIs, gestionar la memoria conversacional y orquestar flujos de trabajo complejos. La plataforma incluye un espacio de prueba basado en navegador que visualiza las interacciones de los agentes, registra el historial de mensajes y permite ajustes en tiempo real. Con un SDK en Python, los desarrolladores pueden escribir comportamientos personalizados, integrar bases de datos vectoriales y extender el sistema a través de plugins. El agente LLMLing simplifica la creación de chatbots, bots de análisis de datos y asistentes automatizados proporcionando componentes reutilizables y abstracciones claras para la colaboración entre múltiples agentes.

NanoBrowser se ejecuta directamente en tu navegador como una extensión de Chrome, permitiéndote automatizar tareas web repetitivas o complejas usando indicaciones en lenguaje natural. La configuras con tu propia clave API LLM —OpenAI GPT, modelos LLaMA auto hospedados u otros— y defines workflows compuestos por múltiples agentes. Soporta la recopilación de datos, interacciones con formularios, investigación automatizada y encadenamiento de workflows mediante integración con LangChain. Puedes orquestar agentes para colaborar en subtareas, exportar resultados en CSV o JSON y depurar o refinar pasos de forma interactiva. Como alternativa de código abierto a operadores propietarios, NanoBrowser prioriza la privacidad, la extensibilidad y la facilidad de uso.

OpenAI Agents Chatbot permite a los desarrolladores integrar y gestionar múltiples agentes de IA especializados (por ejemplo, herramientas, recuperación de conocimientos, módulos de memoria) en una sola aplicación conversacional. Ofrece orquestación paso a paso, memoria basada en sesión, puntos finales de herramientas configurables y interacción fluida con la API de OpenAI. Los usuarios pueden personalizar el comportamiento de cada agente, desplegar localmente o en entornos cloud, y extender el marco con módulos adicionales. Esto acelera el desarrollo de chatbots avanzados, asistentes virtuales y sistemas de automatización de tareas.

OpenAI Swarm Node orquesta llamadas simultáneas a múltiples agentes ChatGPT, recopila las salidas individuales, aplica la estrategia de agregación elegida—como votación mayoritaria o ponderación personalizada—y devuelve una respuesta unificada de consenso. Su arquitectura extensible soporta control granular sobre los parámetros del modelo, manejo de errores, lógica de reintentos y ejecución asíncrona, permitiendo a los desarrolladores integrar inteligencia de enjambre en cualquier aplicación Node.js para mayor precisión y coherencia en la toma de decisiones basada en IA.

Overeasy es un marco de trabajo de código abierto basado en Python para orquestar agentes AI impulsados por LLM en varias áreas. Proporciona una arquitectura modular para definir agentes, configurar almacenes de memoria e integrar herramientas externas como APIs, bases de conocimientos y bases de datos. Los desarrolladores pueden conectarse a OpenAI, Azure o endpoints LLM autohospedados y diseñar flujos de trabajo dinámicos con un o varios agentes. El motor de orquestación de Overeasy gestiona la delegación de tareas, toma de decisiones y estrategias de fallback, habilitando trabajadores digitales robustos para investigación, soporte al cliente, análisis de datos, programación y más. La documentación exhaustiva y los proyectos ejemplo aceleran el despliegue en Linux, macOS y Windows.

Team Coordination es una biblioteca ligera de Python diseñada para simplificar la orquestación de múltiples agentes de IA que trabajan juntos en tareas complejas. Definiendo roles especializados como planificadores, ejecutores, evaluadores o comunicadores, los usuarios pueden descomponer un objetivo alto en subtareas manejables, delegarlas a agentes individuales y facilitar una comunicación estructurada. El marco maneja ejecución asíncrona, enrutamiento de protocolos y agregación de resultados, permitiendo la colaboración eficiente de equipos de agentes de IA. Su sistema de plugins soporta integración con LLMs populares, APIs y lógica personalizada, ideal para aplicaciones en servicio al cliente automatizado, investigación, IA en juegos y pipelines de procesamiento de datos. Con abstracciones claras y componentes extensibles, Team Coordination acelera el desarrollo de flujos de trabajo multi-agentes escalables.

CASA está diseñada como un marco de autonomía modular, plug-and-play, basado en el ecosistema Robot Operating System (ROS). Presenta una arquitectura descentralizada donde cada robot ejecuta planificadores locales y nodos de árboles de comportamiento, publicando en una pizarra compartida para actualizaciones del estado del mundo. La asignación de tareas se gestiona mediante algoritmos de subasta que asignan misiones en función de las capacidades y disponibilidad del robot. La capa de comunicación usa mensajes ROS estándar en redes multi-robot para sincronizar los agentes. Los desarrolladores pueden personalizar parámetros de misión, integrar controladores de sensores y ampliar las bibliotecas de comportamiento. CASA soporta simulación de escenarios, monitoreo en tiempo real y herramientas de registro. Su diseño extensible permite a los equipos de investigación experimentar con nuevos algoritmos de coordinación y desplegar sin problemas en diversas plataformas robóticas, desde vehículos terrestres no tripulados hasta drones aéreos.

AgentChat es una plataforma centrada en desarrolladores para construir conversaciones sofisticadas de IA multi-agente. Combina un backend en Python con FastAPI y una interfaz en React para permitir a los usuarios definir agentes de IA individuales con roles distintos — como extractor de datos, analista y resumer — que se comunican para completar tareas complejas de manera colaborativa. Aprovechando los modelos GPT de OpenAI, AgentChat proporciona almacenamiento de memoria mediante Redis y soporta integración con herramientas personalizadas para llamadas API, raspado web y consultas a bases de datos. La plataforma ofrece monitoreo en tiempo real, registros de rendimiento de los agentes y pipelines configurables. Con su arquitectura modular, los desarrolladores pueden ampliar las capacidades de los agentes agregando nuevas herramientas o ajustando prompts, habilitando flujos de trabajo automatizados, procesos de toma de decisiones y aplicaciones de descubrimiento de conocimientos a medida.

Agentic Seek aprovecha los modelos GPT de OpenAI y un kit de herramientas personalizado para automatizar todo el ciclo de investigación web. Los usuarios definen objetivos de alto nivel, y el sistema genera sub-agentes especializados para ejecutar consultas de búsqueda, navegar por sitios web, extraer información clave mediante scraping y resumir hallazgos. Soporta refinamiento iterativo, permitiendo que los agentes revisen y actualicen resultados según nuevas ideas. Los desarrolladores pueden ampliar sus capacidades integrando gestores de acciones personalizados y conectores API. Ideal para inteligencia competitiva, investigación académica, análisis de mercado y recopilación de grandes volúmenes de datos, Agentic Seek reduce la navegación manual, acelera la toma de decisiones y garantiza una cobertura completa de múltiples fuentes en línea. La plataforma incluye una interfaz web para monitorear la actividad de los agentes y revisar resultados intermedios. Con registros integrados, prompts personalizables y trazas de auditoría, los equipos pueden rastrear decisiones de los agentes para garantizar transparencia, cumplimiento y aseguramiento de calidad.

El repositorio Agent Supervisor Demonstrates muestra cómo orquestar varios agentes de IA autónomos en un flujo de trabajo coordinado. Escrito en Python, define una clase Supervisor para despachar tareas, monitorear el estado de los agentes, manejar fallas y agregar respuestas. Puedes extender las clases base de agentes, conectar diferentes API de modelos y configurar políticas de programación. Registra actividades para auditoría, soporta ejecución paralela y ofrece un diseño modular para fácil personalización e integración en sistemas de IA más grandes.

AgentFarm proporciona un marco completo para coordinar diversos agentes de IA en un sistema unificado. Los usuarios pueden programar comportamientos especializados de agentes en Python, asignar roles (gestor, trabajador, analizador) y crear colas de tareas para procesamiento en paralelo. Se integra perfectamente con los principales servicios LLM (OpenAI, Azure OpenAI), permitiendo enrutamiento dinámico de prompts y selección de modelos. El panel de control integrado rastrea el estado de los agentes, registra interacciones y visualiza el rendimiento del flujo de trabajo. Con plugins modulares para APIs personalizadas, los desarrolladores pueden ampliar funcionalidades, automatizar manejo de errores y monitorear la utilización de recursos. Ideal para desplegar pipelines de múltiples etapas, AgentFarm mejora la fiabilidad, escalabilidad y mantenibilidad en automatización impulsada por IA.

crewAI Playground es un kit de herramientas y un sandbox para construir y experimentar con agentes impulsados por IA. Defina agentes mediante archivos de configuración o código, especificando indicaciones, herramientas y módulos de memoria. El entorno ejecuta múltiples agentes simultáneamente, gestiona el enrutamiento de mensajes y registra el historial de conversaciones. Soporta integraciones de plugins para fuentes de datos externas, backends de memoria personalizables (en memoria o persistentes) y una interfaz web para pruebas. Úselo para prototipar chatbots, asistentes virtuales y flujos automatizados antes del despliegue en producción.

FMAS (Sistema Multiagente Flexible) es una biblioteca de código abierto en Python para construir, ejecutar y visualizar simulaciones multiagente. Puede definir agentes con lógica de decisión personalizada, configurar un modelo de entorno, establecer canales de mensajería para comunicación y ejecutar simulaciones escalables. FMAS ofrece ganchos para monitorear el estado del agente, depurar interacciones y exportar resultados. Su arquitectura modular soporta plugins para visualización, recopilación de métricas e integración con fuentes de datos externas, lo que lo hace ideal para investigación, educación y prototipos del mundo real de sistemas autónomos.