ASP-DALI bietet eine einheitliche Plattform zur Definition und Ausführung logikbasierter intelligenter Agenten. Entwickler schreiben ASP-Regeln, um Agentenwissen und -ziele darzustellen, während DALI-Konstrukte Ereignisreaktionen und Aktionen definieren. Zur Laufzeit berechnet ein ASP-Löser Antwortmengen, die die Entscheidungen des Agenten steuern, was es ihm ermöglicht zu planen, auf eingehende Ereignisse zu reagieren und Überzeugungen dynamisch anzupassen. Das Framework unterstützt modulare Wissensbasen, die inkrementelle Updates und eine klare Trennung zwischen deklarativen Regeln und reaktiven Verhaltensweisen erleichtern. ASP-DALI ist in Prolog implementiert und verfügt über Schnittstellen zu gängigen ASP-Lösern, was die Integration und den Einsatz in Forschung und Prototyp-Szenarien vereinfacht.

Coaty ist ein Open-Source-Toolkit, geschrieben in TypeScript, zur Entwicklung kollaborativer, dezentraler IoT-Anwendungen mithilfe von Software-Agenten. Es liefert eine Container-Laufzeitumgebung, die Agenten-Instanzen hostet, einen Discovery- und Registry-Service für die dynamische Ressourcen-Erkundung und Pub/Sub-Kommunikationslayer für Ereignisverteilung. Eingebaute Speicheradapter synchronisieren Zustände zwischen Geräten, während ein flexibles Datenmodell die Erweiterung und gemeinsame Nutzung von Domänenobjekten ermöglicht. Coaty unterstützt mehrere Transportprotokolle wie MQTT und WebSocket, die eine robuste, Echtzeit-Interoperabilität zwischen Edge-, Fog- und Cloud-Umgebungen ohne zentrale Ausfallpunkte gewährleisten.

CodeInterpreter CodeBox wurde entwickelt, um das Einbetten interaktiver Programmiererlebnisse in Webanwendungen zu vereinfachen. Es bietet einen browserbasierten Code-Editor mit Syntaxhervorhebung und Echtzeit-Python-Ausführung durch die Verbindung mit dem ChatGPT Code Interpreter-Plugin. Entwickler können Dateien hoch- und herunterladen, Datenanalyse-Skripte ausführen, Diagramme generieren und Ergebnisse inline anzeigen. CodeBox verwaltet die Kommunikation mit der OpenAI-API, steuert Ausführungs-Context und bietet Hooks für benutzerdefinierte Ereignisbehandlung, um eine schnelle Entwicklung KI-gestützter Tools, Bildungsplattformen und datengetriebener Dashboards ohne eine separate Backend-Ausführungsumgebung zu ermöglichen.

Inngest AgentKit bietet ein umfassendes Framework zur Entwicklung von KI-Agenten in einer Node.js-Umgebung. Es nutzt die ereignisgesteuerte Architektur von Inngest, um Agenten-Workflows basierend auf externen Ereignissen wie HTTP-Anfragen, geplanten Aufgaben oder Webhook-Aufrufen auszulösen. Das Toolkit enthält Vorlagen-Render-Utilities für die Erstellung dynamischer Antworten, integriertes Zustandsmanagement zur Beibehaltung des Kontexts über Sitzungen hinweg sowie nahtlose Integration mit externen APIs und Sprachmodellen. Agenten können Teilantworten in Echtzeit streamen, komplexe Logik verwalten und Multi-Schritt-Prozesse mit Fehlermanagement und Wiederholungen orchestrieren. Durch die Abstraktion von Infrastruktur- und Workflow-Belangen ermöglicht AgentKit Entwicklern, sich auf die Gestaltung intelligenter Verhaltensweisen zu konzentrieren, Boilerplate-Code zu reduzieren und die Bereitstellung von Conversational Agents, Datenverarbeitungs-Pipelines und Automatisierungs-Bots zu beschleunigen.

AI Agent FletUI stellt ein modulares UI-Framework für die Erstellung intelligenter Chat-Anwendungen bereit, die von großen Sprachmodellen (LLMs) unterstützt werden. Es umfasst Chat-Widgets, Tool-Integrations-Panels, Speicherspeicher und Ereignis-Handler, die nahtlos mit jedem LLM-Anbieter verbunden werden können. Benutzer können eigene Tools definieren, die Sitzungs-Kontextdauerhaft verwalten und reichhaltige Nachrichtenformate direkt rendern. Die Bibliothek abstrahiert die Komplexität des UI-Layouts in Flet und vereinfacht die Tool-Ausführung, wodurch schnelle Prototypenerstellung und Einsatzmöglichkeiten für LLM-gesteuerte Assistenten ermöglicht werden.

ManasAI ist ein auf Python basierendes Framework, das die Erstellung autonomer KI-Agenten mit integriertem Zustand und modularen Komponenten ermöglicht. Es bietet zentrale Abstraktionen für Agentenlogik, Kurz- und Langzeitgedächtnis, externe Werkzeug- und API-Integrationen, ereignisgesteuerte Nachrichtenverarbeitung und Multi-Agenten-Orchestrierung. Agenten können so konfiguriert werden, dass sie Kontexte verwalten, Aufgaben ausführen, Wiederholungen handhaben und Feedback sammeln. Seine erweiterbare Architektur ermöglicht es Entwicklern, Speicher-Backends, Werkzeuge und Orchestratoren an spezifische Workflows anzupassen, was es ideal für die Prototypentwicklung von Chatbots, digitalen Arbeitskräften und automatisierten Pipelines macht, die persistente Kontexte und komplexe Interaktionen erfordern.

Dieses Open-Source-Framework kombiniert die AgentSimJs-Agentenmodellierungsbibliothek mit der 3D-Grafik-Engine von Three.js, um interaktive, browserbasierte Multi-Agenten-Simulationen zu liefern. Benutzer können Agententypen, Verhaltensweisen und Umweltregeln definieren, Kollisionsdetektion und Ereignisverwaltung konfigurieren und Simulationen in Echtzeit mit anpassbaren Rendering-Optionen visualisieren. Die Bibliothek unterstützt dynamische Steuerung, Szenenverwaltung und Leistungstuning, was sie ideal für Forschung, Bildung und Prototypenentwicklung komplexer agentenbasierter Szenarien macht.

multiagent-golang bietet einen strukturierten Ansatz zum Aufbau von Multi-Agent-Systemen in Go. Es führt eine Agent-Abstraktion ein, bei der jeder Agent mit verschiedenen Sensoren ausgestattet werden kann, um seine Umgebung wahrzunehmen, und Aktuatoren, um Aktionen auszuführen. Agenten laufen gleichzeitig mit Go-Routinen und kommunizieren über dedizierte Nachrichtenkanäle. Das Framework umfasst zudem eine Umweltsimulationsebene für Ereignisse, Management des Agentenlebenszyklus und Zustandsüberwachung. Entwickler können Verhaltensweisen der Agenten leicht erweitern oder anpassen, Simulationsparameter konfigurieren und zusätzliche Module für Logging oder Analytik integrieren. Es erleichtert die Erstellung skalierbarer, gleichzeitiger Simulationen für Forschung und Prototyping.

OpenAgentSpec definiert eine umfassende Sammlung von JSON-Schemas, API-Schnittstellen und Protokollrichtlinien für KI-Agenten. Es deckt die Agentenregistrierung, Fähigkeitsdeklaration, Nachrichtenformate, Ereignisbehandlung, Speicherverwaltung und Erweiterungsmechanismen ab. Durch Befolgung der Spezifikation können Organisationen Agenten erstellen, die zuverlässig miteinander und mit Gastgeberumgebungen kommunizieren, was den Integrationsaufwand reduziert und eine wiederverwendbare Ökosystem von interoperablen KI-Komponenten fördert.

Das AgentForce Custom Client Sample bietet eine Codebasis, die JavaScript/TypeScript und Salesforce-APIs nutzt, um sich bei einer Salesforce-Organisation zu authentifizieren, AgentForce-Chat-Sitzungen zu verwalten, Nachrichten zu senden und zu empfangen sowie Benutzeroberflächenkomponenten anzupassen. Es zeigt Event-Abonnements, die Integration benutzerdefinierter Geschäftslogik und Styling mittels Lightning Web Components. Entwickler können dieses Template verwenden, um KI-Konversationsagenten zu entwerfen, Nachrichtenflüsse anzupassen, externe Systeme zu integrieren und den Rahmen an individuelle organisatorische Workflows und Markenanforderungen anzupassen.

UIM Protocol definiert ein standardisiertes JSON-Schema, durch das KI-Agenten UI-Elemente, Verhaltensweisen und Ereignisse beschreiben können. Es umfasst Komponenten wie Buttons, Eingabefelder, Formulare, Tabellen, Bäume und Diagramme und unterstützt Ereignis-Hooks für Benutzerinteraktionen. Frontend-Renderer verwenden UIM-Nachrichten, um Schnittstellen zur Laufzeit zu bauen und zu aktualisieren, ohne manuelles UI-Coding. Versionierte Nachrichten-Envelope sorgen für Abwärtskompatibilität. Durch die Nutzung von UIM Protocol können Teams schneller an konversationellen Assistenten und Daten-Dashboards iterieren, konsistente UX-Muster über Kanäle hinweg beibehalten und KI-Entscheidungslogik vom Präsentationslayer entkoppeln.