ANAC-agents es un marco basado en Python que centraliza múltiples implementaciones de agentes de negociación para la Competencia de Agentes de Negociación Automatizados (ANAC). Cada agente en el repositorio implementa distintas estrategias para modelado de utilidad, generación de propuestas, tácticas de concesión y criterios de aceptación, facilitando estudios comparativos y prototipado rápido. Los usuarios pueden definir dominios de negociación con issues y perfiles de preferencias personalizados, y luego simular negociaciones bilaterales o competencias en formato torneo entre agentes. El conjunto de herramientas incluye scripts de configuración, métricas de evaluación y utilidades de registro para analizar la dinámica de negociación. Investigadores y desarrolladores pueden ampliar los agentes existentes, probar algoritmos novedosos o integrar módulos de aprendizaje externo, acelerando la innovación en negociación automática y toma de decisiones estratégicas bajo información incompleta.

El Framework de Agentes Besser ofrece un kit de herramientas modular para definir, coordinar y escalar agentes IA. Permite configurar comportamientos de agentes, integrar herramientas y APIs externas, gestionar la memoria y el estado del agente, y monitorizar la ejecución. Basado en Python, soporta interfaces de plugins extensibles, colaboración multi-agente y registro integrado. Los desarrolladores pueden prototipar rápidamente y desplegar agentes para tareas como extracción de datos, investigaciones automatizadas y asistentes conversacionales, todo dentro de un marco unificado.

Chainlit es un marco Python asincrónico de código abierto diseñado para ayudar a los desarrolladores a construir y desplegar rápidamente aplicaciones escalables de IA conversacional y de agentes. Soporta integraciones con bibliotecas y marcos populares de Python para proporcionar una experiencia de desarrollo fluida. Con Chainlit, los usuarios pueden crear aplicaciones de chat listas para producción que pueden manejar interacciones complejas y mantener el contexto de conversación.

ChatGPT OpenAI Smart Speaker es un marco de desarrollo para crear tu propio asistente de IA activado por voz. Funciona en dispositivos como Raspberry Pi, PCs con Linux, macOS o Windows. Usando bibliotecas estándar de Python para reconocimiento de voz y síntesis de texto a voz, escucha una palabra de activación, captura tu pregunta, la envía a la API ChatGPT de OpenAI y lee las respuestas en tiempo real. Puedes extenderlo con comandos personalizados, integrar controles de hogar inteligente o usarlo para demostraciones educativas de IA de voz.

Cyrano es un marco y CLI de código abierto en Python para crear agentes AI que orquestan modelos de lenguaje amplios y herramientas externas mediante indicaciones en lenguaje natural. Los usuarios pueden definir herramientas personalizadas (funciones), configurar límites de memoria y tokens, y manejar callbacks. Cyrano se encarga de analizar respuestas JSON de los LLMs y ejecutar las herramientas especificadas en secuencia. Enfatiza simplicidad, modularidad y cero dependencias externas, permitiendo a los desarrolladores prototipar chatbots, construir flujos de trabajo automatizados e integrar capacidades AI rápidamente en las aplicaciones.

Fast Reinforcement Learning es un marco Python especializado diseñado para acelerar el desarrollo y la ejecución de agentes de aprendizaje por refuerzo. Ofrece soporte listo para usar para algoritmos populares como PPO, A2C, DDPG y SAC, combinados con gestiones de entornos vectorizados de alto rendimiento. Los usuarios pueden configurar fácilmente redes de políticas, personalizar bucles de entrenamiento y aprovechar la aceleración GPU para experimentos a gran escala. El diseño modular de la biblioteca garantiza una integración fluida con entornos OpenAI Gym, permitiendo a investigadores y practicantes prototipar, hacer benchmarks y desplegar agentes en diversas tareas de control, juegos y simulación.

defaultmodeAGENT es un marco basado en Python que simplifica la creación de agentes inteligentes que realizan flujos de trabajo multi-steps de forma autónoma. Incluye una planificación en modo predeterminado—una estrategia adaptativa para decidir cuándo explorar o explotar—junto con una integración fluida de herramientas y APIs personalizadas. Los agentes mantienen memoria conversacional, soportan prompts dinámicos y ofrecen registros para depuración. Construido sobre la API de OpenAI, permite prototipado rápido de asistentes para extracción de datos, investigación y automatización de tareas.

GPA-LM es un marco basado en Python diseñado para simplificar la creación y orquestación de agentes de IA impulsados por grandes modelos de lenguaje. Incluye un planificador que descompone instrucciones de alto nivel en subtareas, un ejecutor que gestiona llamadas a herramientas e interacciones, y un módulo de memoria que mantiene el contexto entre sesiones. La arquitectura de plugins permite a los desarrolladores añadir herramientas, APIs y lógica de decisión personalizadas. Con soporte de múltiples agentes, GPA-LM puede coordinar roles, distribuir tareas y agregar resultados. Se integra fácilmente con LLMs populares como OpenAI GPT y soporta despliegue en diversos entornos. El marco acelera el desarrollo de agentes autónomos para investigación, automatización y prototipado de aplicaciones.

HMAS es un marco de trabajo de código abierto en Python que permite el desarrollo de sistemas jerárquicos de múltiples agentes. Ofrece abstracciones para definir jerarquías de agentes, protocolos de comunicación entre agentes, integración de entornos y ciclos de entrenamiento incorporados. Investigadores y desarrolladores pueden usar HMAS para prototipar interacciones complejas entre agentes, entrenar políticas coordinadas y evaluar el rendimiento en entornos simulados. Su diseño modular facilita extender y personalizar agentes, entornos y estrategias de entrenamiento.

HFO_DQN combina Python y TensorFlow para ofrecer un pipeline completo para entrenar agentes de fútbol usando Deep Q-Networks. Los usuarios pueden clonar el repositorio, instalar dependencias incluyendo el simulador HFO y bibliotecas Python, y configurar los parámetros de entrenamiento en archivos YAML. El marco implementa reproducción de experiencias, actualizaciones del red objetivo, exploración epsilon-greedy y modelado de recompensas adaptado al dominio de ofensiva de medio campo. Incluye scripts para entrenamiento de agentes, registro de rendimiento, partidas de evaluación y visualización de resultados. La estructura modular permite integrar arquitecturas de redes neuronales personalizadas, algoritmos RL alternativos y estrategias de coordinación multiagente. Las salidas incluyen modelos entrenados, métricas de rendimiento y visualizaciones del comportamiento, facilitando investigaciones en aprendizaje por refuerzo y sistemas multiagente.

InfantAgent ofrece una estructura ligera para diseñar y desplegar agentes inteligentes en Python. Se integra con LLMs populares (OpenAI, Hugging Face), soporta módulos de memoria persistente y permite cadenas de herramientas personalizadas. De serie, incluye una interfaz conversacional, orquestación de tareas y toma de decisiones basada en políticas. La arquitectura de plugins del marco permite una fácil extensión para herramientas y APIs específicas del dominio, ideal para prototipar agentes de investigación, automatizar flujos de trabajo o integrar asistentes IA en aplicaciones.

LangChain es un marco de Python de código abierto diseñado para acelerar el desarrollo de aplicaciones impulsadas por IA. Proporciona abstracciones para encadenar múltiples llamadas a modelos de lenguaje (cadenas), construir agentes que interactúan con herramientas externas y gestionar la memoria de las conversaciones. Los desarrolladores pueden definir indicaciones, analizadores de salida y flujos de trabajo de extremo a extremo. Las integraciones incluyen almacenes vectoriales, bases de datos, APIs y plataformas de alojamiento, permitiendo chatbots listos para producción, análisis de documentos, asistentes de código y pipelines de IA personalizados.

LeanAgent es un marco basado en Python diseñado para facilitar la creación de agentes IA autónomos. Ofrece módulos de planificación integrados que aprovechan grandes modelos de lenguaje para la toma de decisiones, una capa de integración de herramientas extensible para llamar a API externas o scripts personalizados, y un sistema de gestión de memoria que mantiene el contexto entre interacciones. Los desarrolladores pueden configurar flujos de trabajo del agente, integrar herramientas personalizadas, iterar rápidamente con utilidades de depuración y desplegar agentes listos para producción para diversos dominios.

El marco LLM Maze Agent proporciona un entorno basado en Python para construir agentes inteligentes capaces de navegar laberintos de cuadrícula utilizando grandes modelos de lenguaje. Al combinar interfaces modulares de entorno con plantillas de prompting en cadena de pensamiento y planificación heurística, el agente consulta iterativamente a un LLM para decidir las direcciones de movimiento, adaptarse a obstáculos y actualizar su representación del estado interno. La compatibilidad lista para usar con modelos de OpenAI y Hugging Face permite una integración sin problemas, mientras que la generación de laberintos configurable y la depuración paso a paso facilitan la experimentación con diferentes estrategias. Los investigadores pueden ajustar funciones de recompensa, definir espacios de observación personalizados y visualizar rutas del agente para analizar procesos de razonamiento. Este diseño hace que LLM Maze Agent sea una herramienta versátil para evaluar la planificación basada en LLM, enseñar conceptos de IA y comparar el rendimiento de los modelos en tareas de razonamiento espacial.

LLM State Machine es un marco de Python de código abierto diseñado para construir agentes de IA usando máquinas de estado explícitas. Los desarrolladores definen estados como pasos discretos, cada uno invocando un gran modelo de lenguaje o lógica personalizada, y transiciones basadas en salidas. Este enfoque proporciona claridad, mantenibilidad y manejo robusto de errores para flujos de trabajo con múltiples pasos alimentados por LLM, como procesamiento de documentos, bots conversacionales o pipelines de automatización.

MARO (Multi-Agent Resource Optimization) es un marco basado en Python diseñado para apoyar el desarrollo y evaluación de agentes de aprendizaje por refuerzo multi-agente en escenarios de cadena de suministro, logística y gestión de recursos. Incluye plantillas para gestión de inventarios, planificación de camiones, cross-docking, alquiler de contenedores y más. MARO ofrece una API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulación paralela para entrenamiento a gran escala y herramientas de visualización para análisis de rendimiento. La plataforma es modular, extensible e integra bibliotecas RL populares, facilitando investigaciones reproducibles y creación rápida de prototipos de soluciones de optimización basadas en IA.

Matcha Agent proporciona una base flexible para crear agentes autónomos en Python. Los desarrolladores pueden configurar agentes con conjuntos de herramientas personalizadas (APIs, scripts, bases de datos), gestionar la memoria de conversaciones y orquestar flujos de trabajo en múltiples pasos en diferentes LLMs (OpenAI, modelos locales, etc.). Su arquitectura basada en plugins permite extender, depurar y supervisar fácilmente el comportamiento del agente. Ya sea para automatizar tareas de investigación, análisis de datos o soporte al cliente, Matcha Agent simplifica el desarrollo y despliegue integral de agentes.

MGym es un marco especializado para crear y gestionar entornos de aprendizaje por refuerzo multiagente (MARL) en Python. Permite a los usuarios definir escenarios complejos con múltiples agentes, cada uno con espacios de observación y acción personalizables, funciones de recompensa y reglas de interacción. MGym soporta modos de ejecución sincrónica y asincrónica, proporcionando simulaciones de agentes en paralelo y por turnos. Con una API similar a Gym, MGym se integra perfectamente con bibliotecas RL populares como Stable Baselines, RLlib y PyTorch. Incluye módulos de utilidad para evaluación de entornos, visualización de resultados y análisis de rendimiento, facilitando una evaluación sistemática de algoritmos MARL. Su arquitectura modular permite prototipar rápidamente tareas cooperativas, competitivas o de agentes mixtos, empoderando a investigadores y desarrolladores para acelerar la experimentación y la investigación en MARL.

El Asistente de IA Multi-Agente es un marco modular en Python que orquesta múltiples agentes con GPT, cada uno asignado a roles discretos como planificación, investigación, análisis y ejecución. El sistema soporta envío de mensajes entre agentes, almacenamiento de memoria e integración con herramientas y APIs externas, permitiendo la descomposición de tareas complejas y la resolución colaborativa de problemas. Los desarrolladores pueden personalizar el comportamiento de los agentes, agregar nuevos conjuntos de herramientas y configurar flujos de trabajo mediante archivos de configuración sencillos. Aprovechando el razonamiento distribuido entre agentes especializados, el marco acelera investigaciones automatizadas, análisis de datos, soporte para decisiones y automatización de tareas. El repositorio incluye implementaciones y plantillas de ejemplo, permitiendo crear rápidamente prototipos de asistentes inteligentes y trabajadores digitales capaces de manejar flujos de trabajo de extremo a extremo en negocios, educación y entornos de investigación.

Nuzon-AI proporciona un marco de agentes basado en Python que permite definir tareas, gestionar la memoria conversacional y ampliar capacidades mediante plugins. Soporta integración con principales LLMs (OpenAI, modelos locales), permitiendo a los agentes realizar interacciones web, análisis de datos y flujos de trabajo automatizados. La arquitectura incluye un registro de habilidades, un sistema de invocación de herramientas y una capa de orquestación multi-agentes, permitiéndote combinar agentes para soporte al cliente, asistencia en investigación y productividad personal. Con archivos de configuración, puedes personalizar el comportamiento de cada agente, la política de retención de memoria y los registros para depuración o auditoría.