DEf-MARL (Dezentrales Ausführungs-Framework für Multi-Agenten-Verstärkungslernen) bietet eine robuste Infrastruktur zur Ausführung und Schulung von kooperativen Agenten ohne zentrale Steuerung. Es nutzt Peer-to-Peer-Kommunikationsprotokolle, um Policies und Beobachtungen zwischen Agenten zu teilen, und ermöglicht so die Koordination durch lokale Interaktionen. Das Framework integriert sich nahtlos in gängige RL-Toolkits wie PyTorch und TensorFlow und bietet anpassbare Umgebungs-Wrapper, verteilte Rollout-Sammlung und Gradient-Synchronisations-Module. Nutzer können agentenspezifische Beobachtungsräume, Belohnungsfunktionen und Kommunikations-Topologien definieren. DEf-MARL unterstützt dynamisches Hinzufügen und Entfernen von Agenten zur Laufzeit, fehlertolerante Ausführung durch Replikation kritischer Zustände auf Knoten und adaptive Kommunikationsplanung zur Balance zwischen Exploration und Exploitation. Es beschleunigt das Training durch Parallelisierung der Umweltsimulationen und Reduzierung zentraler Engpässe, was es für groß angelegte MARL-Forschung und industrielle Simulationen geeignet macht.

Das Controllable RAG Agent-Framework bietet einen modularen Ansatz zum Aufbau von Retrieval-Augmented Generation-Systemen. Es ermöglicht die Konfiguration und Verkettung von Abrufkomponenten, Speichermodulen und Generierungsstrategien. Entwickler können verschiedene LLMs, Vektordatenbanken und Richtliniencontroller anpassen, um zu steuern, wie Dokumente vor der Generierung abgerufen und verarbeitet werden. Basierend auf Python umfasst es Dienstprogramme für Indexierung, Abfragen, Verfolgung der Gesprächshistorie und kontrollierte Ablaufsteuerung, was es ideal für Chatbots, Wissensassistenten und Forschungstools macht.

MIDCA ist eine modulare Kognitionsarchitektur, die den vollständigen kognitiven Kreislauf intelligenter Agenten unterstützt. Es verarbeitet sensorische Eingaben durch ein Wahrnehmungsmodul, interpretiert Daten, um Ziele zu generieren und zu priorisieren, nutzt einen Planer zur Erstellung von Aktionssequenzen, führt Aufgaben aus und bewertet Ergebnisse durch eine metakognitive Schicht. Das Doppelkreismuster trennt schnelle reaktive Reaktionen von langsameren deliberativen Überlegungen, was Agenten eine dynamische Anpassung ermöglicht. Die erweiterbare Framework und der Open-Source-Code machen es ideal für Forscher und Entwickler, die autonome Entscheidungsfindung, Lernen und Selbstreflexion in KI-Agenten erforschen.