Agentic App Vorlage ist ein vollständig konfiguriertes Next.js-Projekt, das als Grundlage für die Entwicklung KI-gesteuerter agentischer Anwendungen dient. Es umfasst eine modulare Ordnerstruktur, Verwaltung von Umgebungsvariablen und Beispiel-Workflow für Agenten, die GPT-Modelle von OpenAI und Vektordatenbanken wie Pinecone nutzen. Das Template demonstriert wichtige Muster wie sequenzielle Multi-Schritt-Ketten, konversationelle Q&A-Agenten und Textgenerierungs-Endpoints. Entwickler können die Kettenlogik einfach anpassen, zusätzliche Dienste integrieren und auf Plattformen wie Vercel oder Netlify bereitstellen. Mit TypeScript-Unterstützung und integriertem Fehlerhandling verkürzt es die Anfangssetup-Zeit und bietet klare Dokumentation für weitere Erweiterungen.

mini-AlphaStar entmystifiziert die komplexe AlphaStar-Architektur durch die Bereitstellung eines zugänglichen, Open-Source-PyTorch-Frameworks für die StarCraft II KI-Entwicklung. Es verfügt über räumliche Feature-Encoder für Bildschirm- und Minimap-Inputs, nicht-raumbezogene Feature-Verarbeitung, LSTM-Speicher-Module sowie separate Policy- und Wert-Netzwerke für Aktionsauswahl und Zustandsbewertung. Durch Imitationslernen für den Start und Reinforcement Learning mit Selbstspiel zur Feinabstimmung unterstützt es Umgebungs-Wrapper, die mit pysc2 kompatibel sind, Logging via TensorBoard und konfigurierbare Hyperparameter. Forscher und Studenten können Datensätze aus menschlichem Gameplay erstellen, Modelle auf benutzerdefinierten Szenarien trainieren, die Agentenleistung bewerten und Lernkurven visualisieren. Die modulare Codebasis ermöglicht einfache Experimente mit Varianten von Netzwerken, Trainingsplänen und Multi-Agent-Setups. Konzipiert für Bildung und Prototyping, nicht für den Produktionseinsatz.

Dieses Open-Source-Projekt liefert ein vollständiges Multi-Agent-Verstärkungslernen-Framework, das auf PyTorch und Unity ML-Agents basiert. Es bietet dezentrale DDPG-Algorithmen, Umgebungs-Wrapper und Trainingsskripte. Nutzer können Agentenrichtlinien, Kritiker-Netzwerke, Replay-Puffer und parallele Trainings-Worker konfigurieren. Log-Hooks ermöglichen die Überwachung mit TensorBoard, während modulare Code-Strukturen benutzerdefinierte Belohnungsfunktionen und Umgebungsparameter unterstützen. Das Repository umfasst Beispiel-Szenen in Unity, die kollaborative Navigationsaufgaben demonstrieren, und ist damit ideal, um Multi-Agent-Szenarien in Simulationen zu erweitern und zu benchmarking.

Enso ist eine browserbasierte Plattform, mit der Nutzer individuelle KI-Agenten über einen visuell flussbasierten Builder erstellen können. Nutzer ziehen modulare Code- und KI-Komponenten per Drag-and-Drop auf die Oberfläche, konfigurieren API-Integrationen, integrieren Chat-Schnittstellen und Vorschauen interaktive Workflows in Echtzeit. Nach dem Design können Agenten sofort getestet und mit einem Klick in die Cloud bereitgestellt oder als Container exportiert werden. Enso vereinfacht komplexe Automatisierungsaufgaben, indem es die Einfachheit von No-Code mit vollständiger Code-Erweiterbarkeit kombiniert und eine schnelle Entwicklung intelligenter Assistenten und datengetriebener Workflows ermöglicht.

CommNet ist eine forschungsorientierte Bibliothek, die die CommNet-Architektur implementiert und es mehreren Agenten erlaubt, Hidden-States bei jedem Zeitschritt zu teilen und Aktionen in kooperativen Umgebungen zu koordinieren. Es beinhaltet PyTorch-Modell-Definitionen, Trainings- und Evaluierungsskripte, Umgebungswrapper für OpenAI Gym und Utilities zur Anpassung der Kommunikationskanäle, Agentenzahlen und Netzwerktiefen. Forscher und Entwickler können CommNet nutzen, um Inter-Agent-Kommunikationsstrategien bei Navigations-, Verfolgungs- und Ressourcen-Sammelaufgaben zu prototypisieren und zu benchmarken.

Drive Flow ist ein flexibles Framework, das Entwickler befähigt, KI-gestützte Workflows zu entwerfen, indem sie Abfolgen von Schritten definieren. Jeder Schritt kann große Sprachmodelle aufrufen, benutzerdefinierte Funktionen ausführen oder mit persistentem Speicher in MemoDB interagieren. Das Framework unterstützt komplexe Verzweigung, Schleifen, parallele Aufgabenausführung und dynamische Input-Verarbeitung. Es ist in TypeScript geschrieben und verwendet eine deklarative DSL zur Spezifikation der Abläufe, was eine klare Trennung der Orchestrierungslogik ermöglicht. Drive Flow enthält außerdem integriertes Fehlerhandling, Wiederholungsstrategien, Verfolgung des Ausführungskontexts und umfangreiches Logging. Kernanwendungsfälle umfassen KI-Assistenten, automatisierte Dokumentenverarbeitung, Kundensupport-Automatisierung und Multi-Schritte-Entscheidungssysteme. Durch die Abstraktion der Orchestrierung beschleunigt Drive Flow die Entwicklung und vereinfacht die Wartung von KI-Anwendungen.

ePH-MAPF bietet eine effiziente Pipeline zur Berechnung kollisionsfreier Pfade für Dutzende bis Hunderte von Agenten auf gitterbasierten Karten. Es nutzt priorisierte Heuristiken, inkrementelle Suchtechniken und anpassbare Kostenmetriken (Manhattan, euklidisch) zur Balance zwischen Geschwindigkeit und Lösungsqualität. Nutzer können zwischen verschiedenen Heuristikfunktionen wählen, die Bibliothek in Python-basierte Robotiksysteme integrieren und die Leistung in Standard-MAPF-Szenarien benchmarken. Der Code ist modular und gut dokumentiert, was Forschern und Entwicklern erlaubt, ihn für dynamische Hindernisse oder spezielle Umgebungen zu erweitern.