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.

Coffee-Shop-AI-Agents ist ein Open-Source-Framework zum Erstellen und Bereitstellen spezialisierter KI-Agenten, die Schlüsselaufgaben in Kaffeehäusern automatisieren. Mit LangChain und OpenAI-Modellen bietet das Projekt modulare Agenten, darunter einen Barista-Agenten, der komplexe Getränkebestellungen bearbeitet, Konfigurationsvorschläge macht und die Verfügbarkeit von Zutaten verwaltet. Der Kassierer-Agent verarbeitet Zahlungen, erstellt digitale Belege und verfolgt Verkaufsmetriken. Ein Manager-Agent erstellt Inventarschätzungen, schlägt Nachbestellzeiten vor und analysiert Leistungsdaten. Durch anpassbare Vorgaben und Pipeline-Konfigurationen können Entwickler die Agenten schnell an individuelle Ladenrichtlinien und Menüs anpassen. Das Repository umfasst Einrichtungsskripte, API-Integrationen und Beispiel-Workflows, um realistische Kundengespräche und Betriebsanalysen in einer entwicklerfreundlichen Umgebung zu simulieren.

Agentic Workflow ist ein deklaratives Framework, das Entwicklern erlaubt, komplexe KI-Workflows zu definieren, indem mehrere LLM-basierte Agenten mit anpassbaren Rollen, Prompts und Ausführungslogik verknüpft werden. Es bietet integrierte Unterstützung für Aufgabenorchestrierung, Zustandsverwaltung, Fehlerbehandlung und Plugin-Integrationen, um eine nahtlose Interaktion zwischen Agenten und externen Tools zu ermöglichen. Die Bibliothek verwendet Python und YAML-basierte Konfigurationen, um Agent-Definitionen zu abstrahieren, unterstützt asynchrone Ausführungsflüsse und bietet Erweiterbarkeit durch benutzerdefinierte Connectors und Plugins. Als Open-Source-Projekt enthält sie detaillierte Beispiele, Vorlagen und Dokumentationen, die Teams helfen, die Entwicklung zu beschleunigen und komplexe KI-Agenten-Ökosysteme zu verwalten.

AI Agents with LangGraph nutzt eine Graph-Darstellung, um Beziehungen und Kommunikation zwischen autonomen KI-Agenten zu definieren. Jeder Knoten repräsentiert einen Agenten oder ein Werkzeug, was die Aufgabenteilung, Prompt-Anpassung und dynamisches Aktionsrouting ermöglicht. Das Framework integriert sich nahtlos mit gängigen LLMs und unterstützt benutzerdefinierte Werkzeugfunktionen, Speicherspeicher und Logging für Debugging. Entwickler können komplexe Workflows prototypisieren, Mehrschritt-Prozesse automatisieren und die Zusammenarbeit von Agenten mit wenigen Zeilen Python-Code testen.

AIKitchen bietet ein entwicklerfreundliches Python-Toolkit, das es ermöglicht, KI-Agenten als modulare Bausteine zu komponieren. Im Kern liefert es Pipeline-Definitionen mit Stufen für Vorverarbeitung, LLM-Aufrufe, Tool-Ausführung und Speicherrückgriff. Die Integration mit bekannten LLM-Anbietern erlaubt Flexibilität, während eingebaute Speicherspeicher den Gesprächskontext verfolgen. Entwickler können benutzerdefinierte Aufgaben einbetten, retrieval-augmented generation für Wissenszugriff nutzen und standardisierte Metriken zur Überwachung der Leistung sammeln. Das Framework umfasst außerdem die Orchestrierung von Workflows, unterstützt sequentielle und bedingte Flows über mehrere Agenten hinweg. Mit seiner Plugin-Architektur vereinfacht AIKitchen die End-to-End-Entwicklung von Agenten – von Prototypen bis hin zu skalierbaren digitalen Arbeitern in Produktionsumgebungen.

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.