MAPF_G2RL ist ein Open-Source-Forschungsframework, das Graphentheorie und Deep Reinforcement Learning verbindet, um das Multi-Agenten-Pfadfindungsproblem (MAPF) zu lösen. Es kodiert Knoten und Kanten in Vektor-Repräsentationen, definiert räumliche und kollisionsbewusste Belohnungsfunktionen und unterstützt verschiedene RL-Algorithmen wie DQN, PPO und A2C. Das Framework automatisiert die Szenarien-Erstellung durch die Generierung zufälliger Graphen oder den Import realer Karten und steuert Trainingsschleifen, die Politiken für mehrere Agenten gleichzeitig optimieren. Nach dem Lernen werden die Agenten in simulierten Umgebungen bewertet, um Pfadeffizienz, Make-span und Erfolgsraten zu messen. Das modulare Design ermöglicht es Forschern, Kernkomponenten zu erweitern, neue MARL-Techniken zu integrieren und mit klassischen Lösungsansätzen zu benchmarken.

Die Foundry AI-Plattform bietet ein Framework für deterministische Websimulation und Annotation, das es Benutzern ermöglicht, hochwertige Labels zu sammeln, Browser-Agenten effektiv zu benchmarken und Leistungsprobleme zu debuggen. Sie gewährleistet reproduzierbare Tests und skalierbare Bewertungen ohne die Herausforderungen von Web-Drift, IP-Sperren und Ratenbeschränkungen. Von Branchenexperten entwickelt, verbessert die Plattform die Bewertung von Agenten, kontinuierliche Verbesserung und Leistungs-Debugging in einer kontrollierten Umgebung.

Open Agent Leaderboard bietet eine vollständige Bewertungspipeline für Open-Source-KI-Agenten. Es umfasst eine kuratierte Aufgabenliste für Schlussfolgerung, Planung, Fragen und Antworten sowie Werkzeugnutzung, ein automatisiertes System, um Agenten in isolierten Umgebungen auszuführen, und Skripte zur Sammlung von Leistungsmetriken wie Erfolgsrate, Laufzeit und Ressourcennutzung. Die Ergebnisse werden aggregiert und auf einer webbasierten Rangliste mit Filtern, Diagrammen und historischen Vergleichen angezeigt. Das Framework unterstützt Docker für reproduzierbare Setups, Integrationsvorlagen für beliebte Agentenarchitekturen und erweiterbare Konfigurationen, um neue Aufgaben oder Metriken problemlos hinzuzufügen.

Die Beer Game Environment bietet eine diskrete Zeitsimulation einer vierstufigen Bierlieferkette — Einzelhändler, Großhändler, Distributor und Hersteller — mit einer OpenAI Gym-Schnittstelle. Agenten erhalten Beobachtungen wie Bestände, Pipeline-Bestände und eingehende Bestellungen und geben Bestellmengen aus. Die Umgebung berechnet Per-Schritt-Kosten für Lagerhaltung und Rückstände und unterstützt anpassbare Nachfragesdistributoren und Vorlaufzeiten. Sie integriert sich nahtlos mit beliebten RL-Bibliotheken wie Stable Baselines3, was Forschern und Lehrenden ermöglicht, Algorithmen im Bereich Supply-Chain-Optimierung zu benchmarken und zu trainieren.

CallZen ist ein fortschrittliches Tool für konversationelle Intelligenz, das darauf abzielt, Kundeninteraktionen zu transformieren. Durch das Transkribieren und Analysieren von Anrufen, Chats und Meetings identifiziert CallZen Schlüsselmomente, bewertet die Leistung von Agenten und bietet umsetzbare Einblicke. Zu den Funktionen gehören Sentiment-Analyse, automatisierte Compliance-Audits und benutzerdefinierte Analysen. Dies ermöglicht es Unternehmen, die Leistung der Agenten zu optimieren, den Kundenservice zu verbessern, die Verkaufsabschlüsse zu erhöhen und die Einhaltung von Vorschriften durch KI-gesteuerte Einblicke sicherzustellen.

Coval hilft Unternehmen, Tausende von Szenarien aus wenigen Testfällen zu simulieren, sodass sie ihre Sprach- und Chat-Agenten umfassend testen können. Entwickelt von Experten für automatisierte Tests bietet Coval Funktionen wie anpassbare Sprachsimulationen, integrierte Metriken für Bewertungen und Leistungsüberwachung. Es ist für Entwickler und Unternehmen konzipiert, die zuverlässige KI-Agenten schneller bereitstellen möchten.

Dino Reinforcement Learning bietet ein umfassendes Werkzeugset zum Trainieren eines KI-Agenten, um das Chrome-Dinosaurierspiel durch reinforcement learning zu spielen. Durch die Integration mit einem headless Chrome-Exemplar über Selenium erfasst es Echtzeit-Spielbilder und verarbeitet sie zu Zustandsdarstellungen, die für Eingaben in tiefe Q-Netzwerke optimiert sind. Das Framework umfasst Module für Replay-Speicher, Epsilon-Greedy-Exploration, Convolutional Neural Network-Modelle und Trainingsschleifen mit anpassbaren Hyperparametern. Nutzer können den Trainingsfortschritt über Konsolenprotokolle überwachen und Checkpoints für die spätere Bewertung speichern. Nach dem Training kann der Agent eingesetzt werden, um Live-Spiele autonom zu spielen oder gegen verschiedene Modellarchitekturen getestet zu werden. Das modulare Design erlaubt einen einfachen Austausch der RL-Algorithmen, was es zu einer flexiblen Plattform für Experimente macht.

HMAS ist ein Open-Source-Python-Framework, das die Entwicklung hierarchischer Multi-Agenten-Systeme ermöglicht. Es bietet Abstraktionen für die Definition von Agentenhierarchien, Inter-Agent-Kommunikationsprotokollen, Umweltintegration und integrierte Trainingsschleifen. Forscher und Entwickler können HMAS verwenden, um komplexe Agenteninteraktionen zu prototypisieren, koordinierte Politiken zu trainieren und die Leistung in simulierten Umgebungen zu bewerten. Das modulare Design erleichtert die Erweiterung und Anpassung von Agenten, Umgebungen und Trainingsstrategien.