Die AWS Sample Model Context Protocol Demos sind ein Open-Source-Repository, das standardisierte Muster für die Kontextverwaltung und Tool-Invocation von Large Language Models (LLM) zeigt. Es enthält zwei vollständige Demos – eine in JavaScript/TypeScript und eine in Python – die das Model Context Protocol implementieren, um Entwicklern die Erstellung von KI-Agenten zu ermöglichen, die AWS Lambda-Funktionen aufrufen, Gesprächshistorien bewahren und Antworten streamen. Beispielcode demonstriert Nachrichtenformatierung, Serialisierung von Funktionsargumenten, Fehlerbehandlung und anpassbare Tool-Integrationen, um die Prototypenentwicklung für generative KI-Anwendungen zu beschleunigen.

negotiation_agent bietet ein modulares Toolkit zum Aufbau autonomer Verhandlungs-Bots, die von GPT-ähnlichen Modellen unterstützt werden. Entwickler können Verhandlungsszenarien durch Definition von Elementen, Präferenzen und Nutzenfunktionen spezifizieren, um die Ziele der Agenten zu modellieren. Das Framework umfasst vordefinierte Agenten-Vorlagen und ermöglicht die Integration benutzerdefinierter Strategien, was Offer-Generierung, Gegenangebot-Bewertung, Annahmeentscheidungen und Deal-Abschluss umfasst. Es verwaltet Dialogflüsse mittels standardisierter Protokolle, unterstützt Batch-Simulationen für Turnier-ähnliche Experimente und berechnet Leistungsmetriken wie Einigungsrate, Nutzengewinne und Fairnessscores. Die offene Architektur erleichtert den Austausch der zugrunde liegenden LLM-Backends und die Erweiterung der Agentenlogik durch Plugins. Mit negotiation_agent können Teams schnell automatisierte Verhandlungslösungen in E-Commerce, Forschung und Bildungsumgebungen prototypisieren und evaluieren.

OSUniverse aggregiert Open-Source-KI-Agenten-Frameworks, Bibliotheken und Tools auf einer einzigen durchsuchbaren Plattform. Nutzer können Projekte nach Sprache, Lizenz, Tags und Kategorien filtern, detaillierte Projektkarten mit Beschreibungen und GitHub-Links anzeigen und neue Einträge per Pull-Request auf GitHub beitragen. Das Verzeichnis wird regelmäßig durch die Community aktualisiert und ist eine unverzichtbare Ressource, um die besten KI-Agententechnologien für Forschung, Prototyping und Produktion zu entdecken, bewerten und auszuwählen.

pyafai ist eine Open-Source-Python-Bibliothek, die Entwicklern hilft, autonome KI-Agenten zu entwerfen, zu konfigurieren und auszuführen. Sie bietet pluggable Module für das Speicher-Management zur Kontextwahrung, Tool-Integration für externe API-Aufrufe, Beobachter für die Überwachung der Umgebung, Planer für Entscheidungen und einen Orchestrator zur Ausführung der Agenten-Schleifen. Logging- und Überwachungsfunktionen bieten Einblick in die Leistung und das Verhalten der Agenten. pyafai unterstützt standardmäßig die wichtigsten LLM-Anbieter, ermöglicht die Erstellung benutzerdefinierter Module und reduziert Boilerplate-Code, sodass Teams schnell virtuelle Assistenten, Forschungs-Bots und Automatisierungs-Workflows prototypisieren können, mit vollständiger Kontrolle über jede Komponente.

FastAPI LangGraph Agent Template bietet eine umfassende Grundlage für die Entwicklung von LLM-getriebenen Agenten innerhalb einer FastAPI-Anwendung. Es enthält vordefinierte LangGraph-Knoten für gängige Aufgaben wie Textvervollständigung, Einbettung und Vektorsuche, während Entwickler eigene Knoten und Pipelines erstellen können. Die Vorlage verwaltet Konversationsverlauf über Speichermodule, die den Kontext über Sitzungen hinweg bewahren, und unterstützt Umgebungs-basierte Konfigurationen für verschiedene Einsatzphasen. Eingebaute Docker-Dateien und eine CI/CD-freundliche Struktur sorgen für eine nahtlose Containerisierung und Bereitstellung. Logging und Fehlerbehandlungs-Middleware verbessern die Sichtbarkeit, während die modulare Codebasis die Funktionserweiterung vereinfacht. Durch die Kombination von FastAPI's Hochleistungs-Webframework mit LangGraphs Orchestrierungsfähigkeiten vereinfacht diese Vorlage den Entwicklungsprozess des Agenten-Frameworks von Prototyping bis Produktion.

Geers AI Lang Graph bietet eine graphbasierte Abstraktionsschicht für den Bau von KI-Agenten, die mehrere LLM-Aufrufe koordinieren und strukturiertes Wissen verwalten. Durch die Definition von Knoten und Kanten, die Prompts, Daten und Speicher repräsentieren, können Entwickler dynamische Workflows erstellen, Kontext zwischen Interaktionen nachverfolgen und Ausführungsflüsse visualisieren. Das Framework unterstützt Plugin-Integrationen für verschiedene LLM-Anbieter, benutzerdefinierte Prompt-Vorlagen und exportierbare Graphen. Es vereinfacht iterative Agenten-Designs, verbessert die Kontextbehaltung und beschleunigt die Prototypenentwicklung für Gesprächsassistenten, Entscheidungsunterstützungs-Bots und Forschungspipelines.