ASP-DALI proporciona una plataforma unificada para definir y ejecutar agentes inteligentes basados en lógica. Los desarrolladores escriben reglas ASP para representar el conocimiento y los objetivos del agente, mientras que las construcciones DALI definen reacciones a eventos y ejecuciones de acciones. En tiempo de ejecución, un solucionador ASP calcula conjuntos de respuestas que guían las decisiones del agente, permitiéndole planificar, reaccionar a eventos entrantes y ajustar creencias dinámicamente. El marco soporta bases de conocimiento modulares, facilitando actualizaciones incrementales y una separación clara entre reglas declarativas y comportamientos reactivos. ASP-DALI está implementado en Prolog con interfaces a solucionadores ASP populares, simplificando la integración y el despliegue en escenarios de investigación y prototipo.

Coaty es un conjunto de herramientas de código abierto escrito en TypeScript para desarrollar aplicaciones IoT colaborativas y descentralizadas usando agentes de software. Ofrece un entorno de ejecución de contenedores que aloja instancias de agentes, un servicio de descubrimiento y un registro para la búsqueda dinámica de recursos, además de capas de comunicación pub/sub para la distribución de eventos. Los adaptadores de almacenamiento integrados sincronizan el estado entre dispositivos, mientras que un modelo de datos flexible permite extender y compartir objetos de dominio. Coaty soporta múltiples protocolos de transporte como MQTT y WebSocket, facilitando una interoperabilidad robusta y en tiempo real entre entornos Edge, Fog y Cloud sin puntos únicos de fallo.

CodeInterpreter CodeBox fue diseñado para simplificar la integración de experiencias de codificación interactivas en aplicaciones web. Ofrece un editor de código basado en navegador con resaltado de sintaxis y ejecución en tiempo real de Python mediante la conexión con el plugin ChatGPT Code Interpreter. Los desarrolladores pueden subir y descargar archivos, ejecutar scripts de análisis de datos, generar gráficos y mostrar resultados en línea. CodeBox gestiona la comunicación con la API de OpenAI, controla los contextos de ejecución y proporciona hooks para manejo de eventos personalizados, permitiendo un desarrollo rápido de herramientas impulsadas por IA, plataformas educativas y paneles de datos sin gestionar un entorno de ejecución backend separado.

Inngest AgentKit ofrece un marco completo para desarrollar agentes AI dentro de un entorno Node.js. Aprovecha la arquitectura impulsada por eventos de Inngest para activar flujos de trabajo de agentes en base a eventos externos como solicitudes HTTP, tareas programadas o llamadas webhook. El kit incluye utilidades de renderizado de plantillas para crear respuestas dinámicas, gestión de estado integrada para mantener el contexto durante las sesiones, y una integración sin fisuras con APIs externas y modelos de lenguaje. Los agentes pueden transmitir respuestas parciales en tiempo real, gestionar lógica compleja y orquestar procesos de múltiples pasos con manejo de errores y reintentos. Al abstraer la infraestructura y las preocupaciones de flujo de trabajo, AgentKit permite a los desarrolladores centrarse en diseñar comportamientos inteligentes, reduciendo código repetitivo y acelerando el despliegue de asistentes conversacionales, pipelines de procesamiento de datos y bots de automatización.

AI Agent FletUI proporciona un marco de interfaz de usuario modular para crear aplicaciones de chat inteligentes respaldadas por grandes modelos de lenguaje (LLMs). Incluye widgets de chat, paneles de integración de herramientas, almacenes de memoria y manejadores de eventos que se conectan perfectamente con cualquier proveedor LLM. Los usuarios pueden definir herramientas personalizadas, gestionar de forma persistente el contexto de la sesión y renderizar formatos de mensajes enriquecidos listas para usar. La biblioteca abstrae la complejidad del diseño UI en Flet y agiliza la invocación de herramientas, permitiendo prototipados rápidos y despliegue de asistentes impulsados por LLM.

ManasAI es un framework basado en Python que permite la creación de agentes IA autónomos con estado integrado y componentes modulares. Ofrece abstracciones principales para el razonamiento del agente, memoria a corto y largo plazo, integraciones con herramientas y API externas, manejo de eventos impulsado por mensajes y orquestación multi-agente. Los agentes se pueden configurar para gestionar contexto, ejecutar tareas, manejar reintentos y recopilar retroalimentación. Su arquitectura plug-in permite a los desarrolladores personalizar backends de memoria, herramientas y orquestadores para flujos de trabajo específicos, siendo ideal para prototipar chatbots, trabajadores digitales y canalizaciones automatizadas que requieren contexto persistente e interacciones complejas.

Este marco de código abierto combina la biblioteca de modelado de agentes AgentSimJs con el motor gráfico 3D de Three.js para ofrecer simulaciones multi-agente interactivas basadas en navegador. Los usuarios pueden definir tipos de agentes, comportamientos y reglas ambientales, configurar detección de colisiones y manejo de eventos, y visualizar simulaciones en tiempo real con opciones de renderizado personalizables. La biblioteca soporta controles dinámicos, gestión de escenas y ajuste de rendimiento, haciéndola ideal para investigación, educación y prototipado de escenarios complejos basados en agentes.

multiagent-golang proporciona un enfoque estructurado para construir sistemas de múltiples agentes en Go. Introduce una abstracción de Agente donde cada agente puede estar equipado con diversos sensores para percibir su entorno y actuadores para tomar acciones. Los agentes funcionan concurrentemente usando goroutines y se comunican a través de canales de mensajes dedicados. El marco también incluye una capa de simulación del entorno para gestionar eventos, administrar el ciclo de vida del agente y rastrear cambios de estado. Los desarrolladores pueden ampliar o personalizar fácilmente los comportamientos de los agentes, configurar parámetros de simulación e integrar módulos adicionales para registro o análisis. Facilita la creación de simulaciones escalables y concurrentes para investigación y prototipado.

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.

La plantilla AgentForce Custom Client proporciona una base de código que aprovecha JavaScript/TypeScript y las APIs de Salesforce para autenticarse en una organización de Salesforce, gestionar sesiones de chat de AgentForce, enviar y recibir mensajes, y personalizar componentes de la interfaz de usuario. Muestra suscripción a eventos, integración de lógica empresarial personalizada y estilos mediante Lightning Web Components. Los desarrolladores pueden usar esta plantilla para crear agentes conversacionales de IA, ajustar flujos de mensajes, integrar sistemas externos y extender el marco para satisfacer flujos de trabajo y requisitos de marca única de la organización.

El Protocolo UIM define un esquema JSON estandarizado mediante el cual los agentes de IA pueden describir elementos de la interfaz de usuario, comportamientos y eventos. Cubre componentes como botones, campos de entrada, formularios, tablas, árboles y gráficos, y soporta ganchos de eventos para interacciones del usuario. Los renderizadores frontend consumen mensajes UIM para construir y actualizar interfaces en tiempo real sin codificación manual de UI. Los envoltorios de mensajes con versión garantizan compatibilidad hacia atrás. Aprovechando el Protocolo UIM, los equipos pueden iterar más rápidamente en asistentes conversacionales y paneles de datos, mantener patrones UX coherentes en todos los canales y desacoplar la lógica de decisión de IA de las capas de presentación.