MARL-DPP é uma estrutura de código aberto que permite aprendizado por reforço multiagente (MARL) com diversidade garantida através de Processos de Pontos Determinantes (DPP). Abordagens tradicionais de MARL frequentemente sofrem de convergência de políticas para comportamentos semelhantes; MARL-DPP aborda isso incorporando medidas baseadas em DPP para encorajar os agentes a manter distribuições de ações diversas. O kit de ferramentas fornece código modular para incorporar DPP nos objetivos de treinamento, amostragem de políticas e gerenciamento de exploração. Inclui integração pronta para uso com ambientes padrão do OpenAI Gym e do Ambiente de Partículas Multiagente (MPE), além de utilitários para gerenciamento de hiperparâmetros, registro e visualização de métricas de diversidade. Pesquisadores podem avaliar o impacto de restrições de diversidade em tarefas cooperativas, alocação de recursos e jogos competitivos. O design extensível suporta ambientes personalizados e algoritmos avançados, facilitando a exploração de variantes do MARL-DPP.

Meta-Agent-with-More-Agents é uma estrutura de código aberto extensível que implementa uma arquitetura de agente meta permitindo que múltiplos subagentes especializados colaborem em tarefas complexas. Usa LangChain para orquestração de agentes e APIs da OpenAI para processamento de linguagem natural. Desenvolvedores podem definir agentes personalizados para tarefas como extração de dados, análise de sentimentos, tomada de decisões ou geração de conteúdo. O agente meta coordena a decomposição de tarefas, distribui objetivos aos agentes apropriados, coleta suas saídas e aprimora iterativamente os resultados usando ciclos de feedback. Seu design modular suporta processamento paralelo, registro de logs e manejo de erros. Ideal para automação de fluxos de trabalho de múltiplas etapas, pipelines de pesquisa e sistemas de suporte à decisão dinâmicos, simplificando a construção de sistemas de IA distribuída robustos ao abstrair a comunicação entre agentes e a gestão de ciclo de vida.

A MIU CS589 AI Agent API oferece uma interface padronizada para construir agentes de IA personalizados. Os desenvolvedores podem definir comportamentos de agentes, integrar ferramentas ou serviços externos, e lidar com respostas em streaming ou em lote via endpoints HTTP. A estrutura gerencia autenticação, roteamento de requisições, tratamento de erros e logs por padrão. É totalmente extensível — usuários podem registrar novas ferramentas, ajustar a memória do agente e configurar parâmetros de LLM. Adequado para experimentação, demonstrações e protótipos de produção, facilita a orquestração multi-ferramenta e acelera o desenvolvimento de agentes de IA sem ficar preso a uma plataforma monolítica.

A Arquitetura Modular LLM foi projetada para simplificar a criação de aplicações personalizadas impulsionadas por LLM através de um design modular e componível. Ela fornece componentes principais como módulos de memória para retenção de estado de sessão, interfaces de ferramentas para chamadas de APIs externas, gerenciadores de prompts para geração de prompts baseados em modelos ou dinâmicos, e motores de orquestração para controlar o fluxo de trabalho do agente. Você pode configurar pipelines que encadeiam esses módulos, permitindo comportamentos complexos como raciocínio em várias etapas, respostas contextuais e recuperação de dados integrada. A estrutura suporta múltiplos backends de LLM, permitindo trocar ou misturar modelos, além de oferecer pontos de extensão para adicionar novos módulos ou lógica personalizada. Essa arquitetura acelera o desenvolvimento ao promover a reutilização de componentes, mantendo transparência e controle sobre o comportamento do agente.

MultiAgentes fornece uma arquitetura modular para definir ambientes e agentes, apoiando interações multiagente síncronas e assíncronas. Inclui classes base para ambientes e agentes, cenários pré-definidos para tarefas cooperativas e competitivas, ferramentas para personalizar funções de recompensa, e APIs para comunicação entre agentes e compartilhamento de observações. Utilitários de visualização permitem monitoramento em tempo real de comportamentos dos agentes, enquanto módulos de registro gravam métricas de desempenho para análise. A framework integra-se perfeitamente com bibliotecas de RL compatíveis com Gym, permitindo treinamentos usando algoritmos existentes. É projetado para extensibilidade, permitindo que desenvolvedores adicionem novos templates de ambiente, tipos de agentes e protocolos de comunicação para atender a diferentes necessidades de pesquisa e educação.

Notte é uma estrutura de Python voltada para desenvolvedores, projetada para orquestrar agentes de IA alimentados por grandes modelos de linguagem. Ela fornece módulos de memória integrados para armazenar e recuperar o contexto de conversas, integração flexível de ferramentas para APIs externas ou funções personalizadas, e um motor de planejamento que sequencia tarefas. Com Notte, você pode criar protótipos rapidamente de assistentes conversacionais, bots de análise de dados ou fluxos de trabalho automatizados, beneficiando-se de extensibilidade de código aberto e suporte multiplataforma.

rag-services é uma plataforma extensível que divide pipelines RAG em microsserviços discretos. Oferece um serviço de armazenamento de documentos, um serviço de índice vetorial, um serviço de embedder, múltiplos serviços de inferência de LLM e um serviço de orquestração para coordenar fluxos de trabalho. Cada componente expõe APIs REST, permitindo combinar bancos de dados e provedores de modelos. Com suporte a Docker e Docker Compose, pode ser implantado localmente ou em clusters Kubernetes. A estrutura permite soluções RAG escaláveis e tolerantes a falhas para chatbots, bases de conhecimento e respostas automáticas a documentos.

SonAgent é uma estrutura de código aberto extensível projetada para construir, organizar e executar agentes de IA em Python. Ele fornece módulos principais para armazenamento de memória, wrappers de ferramentas, lógica de planejamento e manipulação assíncrona de eventos. Os desenvolvedores podem registrar ferramentas personalizadas, integrar modelos de linguagem, gerenciar memória de longo prazo do agente e orquestrar múltiplos agentes para colaborar em tarefas complexas. O design modular do SonAgent acelera o desenvolvimento de bots conversacionais, automação de fluxos de trabalho e sistemas de agentes distribuídos.

EspressoAI fornece aos desenvolvedores um ambiente estruturado para projetar, configurar e implantar agentes de IA alimentados por grandes modelos de linguagem. Ele suporta registro e invocação de ferramentas dentro dos fluxos de trabalho do agente, gerencia o contexto de conversa via módulos de memória embutidos e permite o encadeamento de prompts para raciocínio de múltiplas etapas. Os desenvolvedores podem integrar APIs externas, plugins personalizados e lógica condicional para ajustar o comportamento do agente. O design modular da estrutura garante extensibilidade, permitindo às equipes trocar componentes, adicionar novas capacidades ou adaptar-se a LLMs proprietários sem reescrever a lógica central.

Huginn é uma estrutura de automação versátil de código aberto que permite aos usuários criar agentes para monitorar, coletar e agir com base em dados de várias fontes, como sites, APIs, redes sociais e email. Cada agente pode ser configurado para disparar com eventos, transformar dados e passá-los para outros agentes ou serviços externos. Com recursos de agendamento incorporados, registro de logs e uma biblioteca rica de tipos de agentes — como RSSAgent, EmailAgent, WebhookAgent e DataOutputAgent — Huginn suporta fluxos de trabalho complexos e lógica condicional. Funciona em Linux, macOS, Windows ou Docker, e pode ser expandido com código Ruby personalizado ou contêineres Docker para tarefas e integrações específicas.

Llama-Agent é um kit de Ferramentas voltado para desenvolvedores para criar agentes de IA inteligentes alimentados por grandes modelos de linguagem. Oferece integração de ferramentas para chamar APIs ou funções externas, gerenciamento de memória para armazenar e recuperar contexto, e planejamento de cadeia de pensamento para dividir tarefas complexas. Os agentes podem executar ações, interagir com ambientes personalizados e se adaptar por meio de um sistema de plugins. Como um projeto de código aberto, suporta fácil extensão de componentes principais, permitindo experimentação rápida e implantação de fluxos de trabalho automatizados em várias áreas.

Query-Bot integra ingestão de documentos, segmentação de texto e embeddings vetoriais para construir um índice pesquisável a partir de PDFs, arquivos de texto e documentos Word. Usando LangChain e GPT-3.5 Turbo da OpenAI, processa as consultas do usuário ao recuperar trechos relevantes e gerar respostas concisas. A interface baseada em Streamlit permite aos usuários enviar arquivos, acompanhar o histórico de conversas e ajustar configurações. Pode ser implantado localmente ou em ambientes de nuvem, oferecendo uma estrutura extensível para agentes personalizados e bases de conhecimento.

FastAPI Agents fornece uma camada de serviço robusta para desenvolver agentes baseados em LLM usando o framework web FastAPI. Permite definir comportamentos de agentes com cadeias, ferramentas e sistemas de memória do LangChain. Cada agente pode ser exposto como um endpoint REST padrão, suportando solicitações assíncronas, respostas em streaming e cargas úteis personalizáveis. A integração com armazenamento vetorial permite geração aumentada por recuperação para aplicações orientadas ao conhecimento. O framework inclui registros integrados, ganchos de monitoramento e suporte ao Docker para implantação em contêineres. Você pode estender facilmente os agentes com novas ferramentas, middleware e autenticação. FastAPI Agents acelera a preparação de produção de soluções de IA, garantindo segurança, escalabilidade e facilidade de manutenção de aplicações baseadas em agentes em ambientes empresariais e de pesquisa.

AI-Agents fornece um kit de ferramentas modular para criar agentes de IA autônomos capazes de planejar tarefas, executá-las e monitorar-se. Oferece suporte integrado para integração de ferramentas — como busca na web, processamento de dados e APIs personalizadas — e conta com um componente de memória para reter e recordar o contexto entre interações. Com um sistema de plugins flexível, os agentes podem carregar novas capacidades dinamicamente, enquanto a execução assíncrona garante fluxos de trabalho multi-etapas eficientes. A estrutura aproveita LangChain para raciocínio avançado e simplifica o deployment em ambientes Python no macOS, Windows ou Linux.

Advanced_RAG fornece um pipeline modular para tarefas de geração aumentada por recuperação, incluindo carregadores de documentos, construtores de índices vetoriais e gerenciadores de cadeias. Os usuários podem configurar diferentes bancos de dados vetoriais (FAISS, Pinecone), personalizar estratégias de buscadores (pesquisa por similaridade, pesquisa híbrida), e conectar qualquer LLM para gerar respostas contextuais. Também suporta métricas de avaliação e registro de desempenho, sendo projetado para escalabilidade e flexibilidade em ambientes de produção.

Agent Adapters foi projetado para fornecer aos desenvolvedores uma interface consistente para conectar agentes de IA a serviços e frameworks externos. Através de sua arquitetura modular, oferece adaptadores pré-construídos para APIs HTTP, plataformas de mensagens como Slack e Teams, e endpoints de ferramentas personalizados. Cada adaptador lida com análise de requisições, mapeamento de respostas, tratamento de erros e hooks opcionais para registro ou monitoramento. Os desenvolvedores também podem registrar adaptadores personalizados implementando uma interface definida e configurando os parâmetros do adaptador nas configurações do seu agente. Essa abordagem reduz o código boilerplate, garante uma execução uniforme do fluxo de trabalho e acelera a implantação de agentes em múltiplos ambientes sem reescrever a lógica de integração.

Agentle fornece uma estrutura organizada para desenvolvedores construírem agentes de IA personalizados com mínimo código boilerplate. Suporta definir fluxos de trabalho como sequências de tarefas, integração perfeita com APIs e ferramentas externas, gerenciamento de memória de conversação para preservação de contexto e registro integrado para auditoria. A biblioteca também oferece ganchos para plugins para estender funcionalidades, coordenação de múltiplos agentes para pipelines complexos e uma interface unificada para executar agentes localmente ou implantar via APIs HTTP.

AgentMesh fornece uma infraestrutura modular para desenvolvedores criarem redes de agentes de IA, cada um focado em uma tarefa ou domínio específico. Os agentes podem ser descobertos e registrados dinamicamente em tempo de execução, trocar mensagens assíncronas e seguir regras de roteamento configuráveis. A estrutura lida com tentativas de reconexão, fallback e recuperação de erros, permitindo pipelines multi-agente para processamento de dados, suporte à decisão ou casos de uso conversacionais. Integra facilmente com modelos LLM existentes e modelos personalizados via uma interface de plugins simples.

AgentUniverse fornece um SDK unificado em Python para projetar, orquestrar e executar agentes de IA autônomos. Os desenvolvedores podem definir comportamentos de agentes, integrar ferramentas ou APIs externas, manter memória de conversação e sequenciar tarefas de múltiplas etapas. Suportando LangChain, plugins de ferramentas personalizados e ambientes de execução configuráveis, acelera o desenvolvimento e a implantação de agentes. Monitoramento e registro integrados permitem insights em tempo real, enquanto sua arquitetura modular permite fácil extensão com novas funcionalidades ou modelos de IA.

Crayon capacita desenvolvedores a construir agentes de IA autônomos em JavaScript/Node.js que podem chamar APIs externas, manter o histórico de conversas, planejar tarefas de várias etapas e lidar com processos assíncronos. Em seu núcleo, Crayon implementa um ciclo de planejamento e execução que desmembra metas de alto nível em ações discretas, integra-se com kits de ferramentas personalizados, e utiliza módulos de memória para armazenar e recordar informações entre sessões. A estrutura suporta múltiplos backends de memória, integração de ferramentas baseada em plugins e logs abrangentes para depuração. Os desenvolvedores podem configurar o comportamento do agente através de prompts e pipelines baseados em YAML, permitindo fluxos de trabalho complexos como raspagem de dados, geração de relatórios e chatbots interativos. A arquitetura do Crayon promove extensibilidade, permitindo que equipes integrem ferramentas específicas de domínio e personalizem agentes para requisitos comerciais únicos.