Awesome GitHub RepositoriesAgentic Plan-And-Execute Workflows

ECC es un framework de orquestación de agentes LLM y una suite de herramientas de IA multiplataforma diseñada para coordinar flujos de trabajo de múltiples modelos. Proporciona un sistema para gestionar roles de agentes especializados, habilidades reutilizables y planificación estructurada para ejecutar tareas complejas de desarrollo de software a través de diferentes editores de código impulsados por IA. El proyecto se distingue como un gestor de Protocolo de Contexto de Modelo, proporcionando una capa de configuración para integrar servidores externos y auditar la ejecución de herramientas. Además, implementa un sandbox de seguridad agentic que restringe el acceso a archivos confidenciales y escanea en busca de fugas de secretos para asegurar flujos de trabajo autónomos. El framework cubre amplias áreas de capacidad, incluyendo la automatización del flujo de trabajo de codificación de IA con barandillas de desarrollo impulsado por pruebas, optimización de costos de modelos a través de enrutamiento inteligente y gestión de memoria con estado aislado. También incluye herramientas para hacer cumplir los estándares de codificación específicos del lenguaje y gestionar los comportamientos de los agentes a través de varios entornos de desarrollo integrados. El sistema se gestiona a través de una interfaz de línea de comandos que maneja la instalación de herramientas, la reparación de configuración y la implementación de preajustes de herramientas.

Claude Code is a command-line interface and multi-agent orchestration framework designed for autonomous software engineering. It enables AI agents to perform codebase modifications, debugging, and Git workflow management while coordinating multiple specialized agents to decompose and execute complex engineering tasks in parallel. The system distinguishes itself through a high degree of isolation and safety, utilizing Git worktrees to create independent working directories for concurrent agents and implementing a tiered permission system that combines user rules, project policies, and OS-level

This project is a collection of architectural templates and design patterns for building autonomous AI agents. It provides a framework for transitioning from simple prompt-response loops to goal-oriented systems that utilize structural patterns to increase autonomy and improve the reliability of complex task completion. The framework focuses on reasoning orchestration, specifically through the implementation of reflection and self-correction cycles. It enables the coordination of specialized agents via task delegation and state sharing to solve complex problems. The architectural surface cov

This project is an AI-powered IDE extension and LLM coding assistant that provides a conversational interface for generating, refactoring, and debugging code. It functions as an AI agent framework and a Model Context Protocol client, connecting AI models to external data sources and tools to automate complex development tasks. The system is distinguished by its use of autonomous AI agents capable of multi-step task execution, including the ability to read files, modify code, and run terminal commands iteratively. It supports recursive agent orchestration through subagent delegation and employ

Feynman is an open-source AI research agent that coordinates multi-agent workflows to search papers, run experiments, and produce cited research briefs. It orchestrates parallel researcher agents that independently investigate subtopics, then synthesizes and verifies findings through a multi-step orchestration loop, enabling deep research across academic papers, web sources, and code. The tool distinguishes itself through several specialized capabilities, including paper claim verification that audits research paper claims against actual code implementations to identify mismatches and validat

mcp-agent is a framework for building AI agents that integrate with Model Context Protocol servers to execute tools and access data. It functions as a multi-agent orchestrator and protocol-compliant server, enabling the creation of agents that can discover and invoke tools from connected external servers. The project distinguishes itself through a durable workflow engine that supports long-running tasks capable of pausing, resuming, and surviving restarts. It implements complex orchestration patterns, including iterative evaluator-optimizer loops, hierarchical workflow nesting, and specialist

Swarms es un framework de orquestación multi-agente y un kit de herramientas de agentes autónomos diseñado para coordinar agentes de modelos de lenguaje de gran tamaño. Sirve como un motor de flujo de trabajo para gestionar las relaciones entre agentes, proporcionando la infraestructura para construir agentes autónomos con memoria integrada, capacidades de llamada a herramientas y bucles de razonamiento. El framework se distingue por sus sistemas de consenso multi-agente, que utilizan votación, debates adversarios y agentes jueces para sintetizar respuestas de alta calidad. Admite una variedad de patrones de colaboración, incluidas jerarquías de director-trabajador, síntesis de expertos y generación automática de arquitectura de enjambre basada en descripciones en lenguaje natural. El sistema cubre una amplia gama de capacidades operativas, incluida la orquestación de flujo de trabajo secuencial y basada en grafos a través de un lenguaje específico de dominio, interfaz unificada para diversos proveedores de modelos e integración con el Protocolo de Contexto de Modelo (Model Context Protocol) para el descubrimiento dinámico de herramientas. También incluye soporte para generación aumentada por recuperación (RAG), memoria persistente de estado y la capacidad de exponer la funcionalidad del agente como servicios web. El proyecto proporciona una interfaz de línea de comandos para la gestión de agentes y admite la configuración a través de YAML y archivos de habilidades markdown modulares.

ClawTeam es un framework para coordinar múltiples agentes de modelos de lenguaje grandes (LLM) con el fin de automatizar flujos de trabajo técnicos complejos. Opera como un automatizador y orquestador de flujos de trabajo agenticos que gestiona enjambres de agentes especializados utilizando una arquitectura líder-seguidor para delegar y ejecutar tareas. El sistema se distingue por proporcionar espacios de trabajo aislados para el desarrollo paralelo, asignando a cada agente un git worktree y una rama dedicados para evitar conflictos de fusión. Además, permite la integración de herramientas de línea de comandos externas envolviéndolas en un modelo estandarizado de entrada y ejecución de directorios, permitiendo que los agentes CLI personalizados funcionen dentro del enjambre coordinado. El framework cubre la gestión del ciclo de vida de los agentes y el seguimiento de tareas mediante un sistema kanban compartido para manejar dependencias. Incluye capacidades para la comunicación entre agentes mediante transporte basado en archivos o peer-to-peer, configuración basada en perfiles para los ajustes del modelo y monitoreo de la actividad del enjambre en tiempo real a través de paneles y vistas de terminal.

Vision-agent es un sistema de IA y framework de extracción de datos visuales que traduce prompts en lenguaje natural a scripts de Python ejecutables para analizar imágenes y videos. Funciona como un orquestador de visión multi-modelo, utilizando modelos de lenguaje grandes (LLMs) para planificar y generar código ejecutable para tareas como detección de objetos, conteo y seguimiento de video. El sistema emplea un ciclo de planificación y ejecución que genera y prueba código de forma iterativa, utilizando un bucle de corrección de errores para refinar la implementación hasta que se valida una solución. Está basado en configuración, lo que permite que los backends de modelos de lenguaje subyacentes se enruten mediante variables de entorno y archivos de configuración. Más allá de la generación automática de código, el framework integra herramientas especializadas de visión artificial para realizar análisis visual de objetos y extraer datos estructurados de medios. Esto permite la ejecución de funciones de visión de forma independiente o como parte de un flujo de trabajo automatizado más amplio.

ROMA es un motor de flujo de trabajo agente y orquestador de tareas recursivas diseñado para coordinar agentes autónomos en la ejecución de flujos de trabajo complejos. Funciona como un framework multi-agente que descompone objetivos de alto nivel en subtareas atómicas y gestiona su ejecución a través de un grafo de dependencias. El sistema se distingue por un bucle jerárquico de plan-ejecución que descompone objetivos recursivamente y sintetiza resultados desde las tareas de nodo hoja hacia arriba. Garantiza la pureza de la ejecución mediante el aislamiento de tareas atómicas, asignando directorios de almacenamiento dedicados a tareas individuales para evitar interferencias de datos. La plataforma cubre áreas de capacidad amplias, incluyendo observabilidad de agentes, que rastrea trazas de ejecución y métricas de rendimiento, y ejecución aumentada por herramientas utilizando código en sandbox y kits de herramientas externos. También proporciona una interfaz programática para la orquestación gestionada por servidor y la persistencia de estado mediante registros basados en puntos de control.

Digger es un sistema de automatización de infraestructura GitOps y orquestador de Terraform. Permite la ejecución de planes de infraestructura y se aplica directamente desde solicitudes de extracción (pull requests) de control de versiones y tuberías de CI. El proyecto proporciona un framework para la gobernanza basada en políticas y la gestión de estado. Aplica controles de acceso basados en roles y políticas de seguridad personalizadas sobre los cambios de infraestructura, mientras almacena centralmente archivos de estado con historial de versiones y controles de acceso. El sistema gestiona los flujos de trabajo de infraestructura a través de disparadores de comentarios de solicitudes de extracción y ejecución remota. Incluye capacidades para la detección de deriva (drift) para identificar discrepancias entre los estados reales y deseados de la nube, bloqueo de ejecución concurrente para evitar condiciones de carrera y persistencia de planes para garantizar que las versiones aprobadas se apliquen a la producción.

Youtu Agent is an open-source framework for building, running, and evaluating autonomous agents powered by large language models. It provides the core infrastructure for creating agents that follow reasoning loops, use toolkits, and coordinate with other agents to solve complex tasks, all managed through YAML-driven configuration files. The framework distinguishes itself through its support for multi-agent orchestration, where a planner agent decomposes tasks and coordinates specialized worker agents, and through its integration with the Model Context Protocol for connecting to external toolk

ReAct es una plantilla de flujo de trabajo de agentes y framework de prompts para modelos de lenguaje grandes (LLM). Implementa un patrón lógico que integra el razonamiento de cadena de pensamiento (chain-of-thought) con la ejecución de herramientas externas para resolver tareas complejas de múltiples pasos. El framework utiliza una lógica entrelazada de razonamiento y actuación, forzando al modelo a documentar su proceso de pensamiento interno antes de ejecutar una acción. Este ciclo de planificación y actuación permite al sistema interactuar con APIs o bases de datos externas e inyectar datos del mundo real de vuelta en el contexto del modelo para refinar las rutas de razonamiento. El proyecto cubre la ejecución autónoma de tareas y la orquestación de agentes combinando la integración de observación-retroalimentación con una lógica de ejecución impulsada por prompts. Esto asegura un ciclo continuo de pensamiento, actuación y observación para lograr objetivos sin intervención humana constante.

This project is a framework for developing and orchestrating autonomous software agents within JVM-based applications. It provides a toolkit for embedding artificial intelligence directly into business logic, enabling agents to perform complex tasks through dynamic, goal-oriented planning rather than rigid state machines. By leveraging declarative annotations, the framework allows developers to define agent capabilities and integrate them into existing object-oriented domain models. The framework distinguishes itself through a vendor-neutral abstraction layer that allows for the seamless swap

This project is a multi-agent development framework and orchestrator designed to coordinate autonomous AI agents for software engineering tasks. It functions as an engine that plans, implements, and reviews complex code changes across multiple files and isolated worktrees from a command line interface. The system distinguishes itself through a multi-agent coordination layer that decomposes tasks into sequential phases and applies changes across isolated worktrees to validate solutions. It maintains project-specific knowledge and constraints across sessions via context persistence using dedica

Kiro is an AI-powered development tool and multi-agent workflow orchestrator. It functions as a context-aware code generator and coding assistant that transforms natural language requirements into structured implementation plans and production-grade code. The system distinguishes itself through multi-agent task decomposition, where complex requirements are broken into sequenced tasks and assigned to specialized agents. It features multi-model orchestration to select specific language models based on reasoning complexity, cost, and latency, and includes a headless command-line interface for id

This project is an AI development workflow orchestrator and context management framework. It provides a context-aware project knowledge base and a structured prompting system designed to guide large language models through the planning, implementation, and verification phases of software development. The system optimizes AI coding contexts by using a collection of markdown files to track project state and architectural memory. It employs mode-based rule isolation and just-in-time context loading to reduce noise and ensure that only relevant rules and documentation are active for a given task.

Claudian is a framework that combines AI coding agents, knowledge base integration, and a multi-provider orchestrator for managed interactions with large language models. It functions as a browser extension that connects users to AI services through a sidebar and inline editing interface, providing a system for integrating agents into local directories to perform file operations, bash commands, and workspace searches. The project distinguishes itself with a multi-provider orchestrator that allows switching between different AI backends while maintaining separate conversation states and config

Este proyecto proporciona una guía y un framework integral para implementar asistentes de codificación de IA autónomos dentro de entornos de desarrollo locales. Se centra en orquestar equipos de agentes múltiples que pueden planificar, ejecutar y verificar tareas complejas de ingeniería de software, como refactorización, resolución de errores y generación de pruebas, mientras mantienen una conciencia profunda del contexto y la memoria específicos del proyecto. El sistema se distingue por una arquitectura robusta centrada en la seguridad que aplica controles de acceso granulares, aislamiento de ejecución y aprobaciones obligatorias con intervención humana para todas las modificaciones de archivos y llamadas a herramientas externas. Admite la automatización de flujos de trabajo sofisticados permitiendo a los desarrolladores definir habilidades personalizadas y reutilizables e instrucciones jerárquicas que persisten a través de las sesiones, asegurando un comportamiento consistente y la retención de conocimiento a lo largo del ciclo de vida del desarrollo de software. Más allá de la automatización central, la plataforma ofrece herramientas extensas de observabilidad y gestión, incluyendo seguimiento del uso de tokens en tiempo real, visualización interactiva de diferencias de código (diffs) y monitoreo de sesiones en segundo plano. Se integra directamente en flujos de trabajo basados en terminal y admite diversos proveedores de inteligencia artificial, permitiendo a los usuarios optimizar el rendimiento y los costos operativos a través de la selección de modelos y ajustes de razonamiento específicos de la tarea. El repositorio sirve tanto como recurso educativo para dominar el desarrollo integrado con IA como un kit de herramientas funcional para desplegar agentes autónomos que operan dentro de límites de seguridad definidos.