Azure AI Foundry Agents Samples bietet Entwicklern eine Vielzahl von Beispielszenarien, die zeigen, wie man Azure AI Foundry SDKs und Dienste nutzt. Es beinhaltet Konversationsagenten mit langfristigem Speicher, Planer-Agenten, die komplexe Aufgaben zerlegen, toolgestützte Agenten, die externe APIs aufrufen, und multimodale Agenten, die Text, Vision und Sprache kombinieren. Jedes Beispiel ist vor-konfiguriert mit Umgebungssetup, LLM-Orchestrierung, Vektorsuche und Telemetrie, um die Prototypenentwicklung und den Einsatz robuster KI-Lösungen auf Azure zu beschleunigen.

Der KI-Agenten-Workshop ist ein umfassendes Repository mit praktischen Beispielen und Vorlagen zur Entwicklung von KI-Agenten mit Python. Der Workshop umfasst Jupyter-Notebooks, die Agentenframeworks, Tool-Integrationen (z.B. Websuche, Dateiverwaltung, Datenbankabfragen), Speichermechanismen und Multi-Schritt-Reasoning demonstrieren. Nutzer lernen, benutzerdefinierte Agentenplaner zu konfigurieren, Tool-Schemas zu definieren und schleifenbasierten Konversations-Workflows zu implementieren. Jedes Modul enthält Übungen zur Fehlerbehandlung, Prompt-Optimierung und Evaluierung der Agentenausgaben. Der Code unterstützt OpenAI's Funktionsaufrufe und LangChain-Verbindungen, ermöglicht eine nahtlose Erweiterung für domänenspezifische Aufgaben. Ideal für Entwickler, die autonome Assistenten, Aufgabenautomatisierungs-Bots oder Frage-Antwort-Agenten prototypisch entwickeln möchten, und bietet einen schrittweisen Ansatz von einfachen Agenten bis zu fortgeschrittenen Workflows.

AutoGen Hands-On bietet eine strukturierte Umgebung, um die Nutzung des AutoGen-Frameworks anhand praktischer Python-Beispiele zu erlernen. Es führt die Benutzer durch das Klonen des Repositories, die Installation der Abhängigkeiten und die Konfiguration der API-Schlüssel, um Multi-Agenten-Setups bereitzustellen. Jedes Skript zeigt wichtige Funktionen wie die Definition von Agentenrollen, Sitzungs-Speicher, Nachrichtenverarbeitung und Aufgaben-Orchestrierungsmuster. Der Code umfasst Logging, Fehlerbehandlung und erweiterbare Hooks, die eine Anpassung des Agentenverhaltens und die Integration mit externen Diensten ermöglichen. Benutzer sammeln praktische Erfahrung beim Aufbau kollaborativer KI-Workflows, bei denen mehrere Agenten komplexe Aufgaben erledigen, von Kundenservice-Chatbots bis hin zu automatisierten Datenverarbeitungs-Pipelines. Das Tutorial fördert Best Practices in der Koordination von Multi-Agenten und skalierbarer KI-Entwicklung.

CrewAI-Learning ist eine Open-Source-Bibliothek, die darauf ausgelegt ist, Multi-Agenten-Reinforcement-Lernprojekte zu vereinfachen. Sie bietet Gerüststrukturen für Umgebungen, modulare Agentendefinitionen, anpassbare Belohnungsfunktionen und eine Sammlung integrierter Algorithmen wie DQN, PPO und A3C, die für kollaborative Aufgaben angepasst sind. Benutzer können Szenarien definieren, Trainingsschleifen verwalten, Metriken protokollieren und Ergebnisse visualisieren. Das Framework unterstützt die dynamische Konfiguration von Agententeams und Belohnungsteilungsstrategien, was die Prototypenentwicklung, Bewertung und Optimierung kooperativer KI-Lösungen in verschiedenen Domänen erleichtert.

LangGraph Learn kombiniert eine visuelle Programmieroberfläche mit einem zugrunde liegenden Python-SDK, um Benutzern beim Erstellen komplexer KI-Agenten-Workflows als gerichtete Graphen zu helfen. Jeder Knoten stellt eine funktionale Komponente dar, wie Eingabefristen, Modellaufrufe, Bedingungslogik oder Datenverarbeitung. Benutzer können Knoten verbinden, um die Ausführungsreihenfolge zu definieren, Knoten-Eigenschaften über die GUI zu konfigurieren und die Pipeline schrittweise oder vollständig auszuführen. Echtzeit-Protokollierungs- und Debugging-Panels zeigen Zwischenergebnisse an, während integrierte Vorlagen gängige Muster wie Fragenbeantwortung, Zusammenfassung oder Wissensabruf beschleunigen. Graphen können als eigenständige Python-Skripte für die Produktion exportiert werden. LangGraph Learn ist ideal für Bildung, schnelle Prototypenentwicklung und kollaborative Entwicklung von KI-Agenten ohne umfangreichen Code.

In der Praxis ermöglicht LlamaSim die Definition mehrerer KI-gesteuerter Agenten mit dem Llama-Modell, die Einrichtung von Interaktionsszenarien und das Durchführen kontrollierter Simulationen. Nutzer können Agentenpersönlichkeiten, Entscheidungslogik und Kommunikationskanäle mit einfachen Python-APIs anpassen. Das Framework übernimmt automatisch die Erstellung von Prompts, das Parsen der Antworten und die Verfolgung des Gesprächsstatus. Es protokolliert alle Interaktionen und bietet integrierte Bewertungsmetriken wie Antwortkohärenz, Aufgabenabschlussrate und Latenz. Mit seiner Plugin-Architektur können externe Datenquellen integriert, benutzerdefinierte Bewertungsfunktionen hinzugefügt oder Agentenfähigkeiten erweitert werden. Der leichte Kern von LlamaSim eignet sich für lokale Entwicklung, CI-Pipelines oder Cloud-Deployments, was reproduzierbare Forschung und Prototypenvalidierung ermöglicht.

MAGI (Modular AI Generative Intelligence) ist ein Open-Source-Framework, das die Erstellung und Verwaltung von KI-Agenten vereinfacht. Es bietet eine Plugin-Architektur für die benutzerdefinierte Tool-Integration, persistente Speichermodule, Chain-of-Thought-Planung und Echtzeit-Orchestrierung von Multi-Step-Workflows. Entwickler können externe APIs oder lokale Skripts als Agent-Tools registrieren, Speicher-Backends konfigurieren und Aufgabenrichtlinien definieren. Das erweiterbare Design von MAGI unterstützt sowohl synchrone als auch asynchrone Aufgaben, ideal für Chatbots, Automatisierungs-Pipelines und Forschungsprototypen.

MineLand stellt eine flexible 3D-Sandbox-Umgebung inspiriert von Minecraft bereit, um Verstärkungslern-Agenten zu trainieren. Es verfügt über Gym-kompatible APIs für nahtlose Integration mit bestehenden RL-Bibliotheken wie Stable Baselines, RLlib und eigenen Implementierungen. Nutzer erhalten Zugriff auf eine Bibliothek von Aufgaben, darunter Ressourcensammlung, Navigation und Konstruktionsherausforderungen, jede mit konfigurierbarer Schwierigkeit und Belohnungsstruktur. Echtzeit-Rendering, Multi-Agenten-Szenarien und Headless-Modi ermöglichen skalierbares Training und Benchmarking. Entwickler können neue Karten entwerfen, eigene Belohnungsfunktionen definieren und zusätzliche Sensoren oder Steuerungen integrieren. MineLand’s Open-Source-Codebasis fördert reproduzierbare Forschung, kollaborative Entwicklung und schnelles Prototyping von KI-Agenten in komplexen virtuellen Welten.

Multi-Agent ist ein Entwickler-Toolkit, das Ihnen beim Aufbau und der Orchestrierung mehrerer parallel laufender KI-Agenten hilft. Jeder Agent verwaltet seinen eigenen Speicher, Prompt-Konfiguration und Nachrichtenwarteschlange. Sie können benutzerdefinierte Verhaltensweisen definieren, Kommunikationskanäle zwischen Agenten einrichten und Aufgaben automatisch basierend auf den Rollen der Agenten delegieren. Es nutzt die OpenAI Chat API für Sprachverständnis und -generierung und bietet modulare Komponenten für Workflow-Orchestrierung, Protokollierung und Fehlerbehandlung. So können spezialisierte Agenten erstellt werden—wie Forschungsassistenten, Datenverarbeiter oder Kundenservice-Bots—that gemeinsam an vielschichtigen Aufgaben arbeiten.

Multi-Agent-AI-Dynamic-Interaction bietet eine flexible Umgebung, um Systeme aus mehreren autonomen KI-Agenten zu entwerfen, zu konfigurieren und auszuführen. Jeder Agent kann spezifische Rollen, Ziele und Kommunikationsprotokolle zugewiesen bekommen. Das Framework verwaltet Nachrichtenübermittlung, Gesprächskontext sowie sequentielle oder parallele Interaktionen. Es unterstützt die Integration mit OpenAI GPT, anderen LLM-APIs und benutzerdefinierten Modulen. Nutzer definieren Szenarien über YAML oder Python-Skripte, in denen Agenten-Details, Arbeitsablauf-Schritte und Stopkriterien spezifiziert werden. Das System protokolliert alle Interaktionen für Debugging und Analyse und ermöglicht eine feinabgestimmte Steuerung des Agentenverhaltens für Experimente in Zusammenarbeit, Verhandlung, Entscheidungsfindung und komplexer Problemlösung.

OpenAgent bietet ein umfassendes Framework zur Entwicklung autonomer KI-Agenten, die Aufgaben verstehen, Mehrschritt-Aktionen planen und mit externen Diensten interagieren können. Durch die Integration mit LLMs wie OpenAI und Anthropic ermöglicht es natürliche Sprachlogik und Entscheidungsfindung. Die Plattform verfügt über ein plug-infähiges Werkzeugsystem für die Ausführung von HTTP-Anfragen, Dateivorgängen und benutzerdefinierten Python-Funktionen. Speicherverwaltungs-Module erlauben es Agenten, Kontextinformationen über Sessions hinweg zu speichern und abzurufen. Entwickler können die Funktionalität über Plugins erweitern, die Echtzeit-Streamings von Antworten konfigurieren und integrierte Protokollierungs- und Bewertungswerkzeuge nutzen, um die Leistung der Agenten zu überwachen. OpenAgent vereinfacht die Orchestrierung komplexer Workflows, beschleunigt die Prototypenentwicklung intelligenter Assistenten und sorgt für eine modulare Architektur für skalierbare KI-Anwendungen.

Skalierbarer MADDPG ist ein forschungsorientierter Rahmen für Multi-Agenten-Verstärkungslernen und bietet eine skalierbare Implementierung des MADDPG-Algorithmus. Er verfügt über zentrale Kritiker während des Trainings und unabhängige Akteure in der Laufzeit für Stabilität und Effizienz. Die Bibliothek enthält Python-Skripte zur Definition benutzerdefinierter Umgebungen, Konfiguration von Netzwerkarchitekturen und Anpassung von Hyperparametern. Benutzer können mehrere Agenten parallel trainieren, Metriken überwachen und Lernkurven visualisieren. Er integriert sich mit OpenAI Gym-ähnlichen Umgebungen und unterstützt GPU-Beschleunigung via TensorFlow. Durch modulare Komponenten ermöglicht skalierbarer MADDPG flexible Experimente bei kooperativen, wettbewerbsorientierten oder gemischten Multi-Agenten-Tasks, erleichtert schnelle Prototypenerstellung und Benchmarking.

Shepherding ist ein Open-Source-Simulationsframework, das für Reinforcement-Learning-Forscher und Entwickler entwickelt wurde, um Multi-Agent-Hütaufgaben zu untersuchen und umzusetzen. Es bietet eine mit Gym kompatible Umgebung, in der Agenten Verhalten wie Umrunden, Sammeln und Verteilen von Zielgruppen in kontinuierlichen oder diskreten Räumen erlernen können. Das Framework umfasst modulare Belohnungsformungsfunktionen, Umgebungsparametrisierung und Logging-Tools zur Überwachung der Trainingsleistung. Benutzer können Hindernisse, dynamische Agentenzahlen und eigene Policies mit TensorFlow oder PyTorch definieren. Visualisierungsskripte erzeugen Trajektorienplots und Videos der Agenteninteraktionen. Das modulare Design von Shepherding ermöglicht eine nahtlose Integration mit bestehenden RL-Bibliotheken, um reproduzierbare Experimente, Benchmarking innovativer Koordinationsstrategien und die schnelle Entwicklung KI-gestützter Hütlösungen zu realisieren.

Strands Agents bietet eine modulare Architektur für die Erstellung intelligenter Agenten, die natürliche Sprachverständigung, Langzeitgedächtnis und externe API/Tool-Aufrufe kombinieren. Es ermöglicht Entwicklern, Planer-, Executor- und Speicher-Komponenten zu konfigurieren, beliebige LLMs (z.B. OpenAI, Hugging Face) einzufügen, benutzerdefinierte Aktionsschemata zu definieren und den Zustand über Aufgaben hinweg zu verwalten. Mit integrierter Protokollierung, Fehlerbehandlung und erweiterbarem Tool-Register beschleunigt es Prototyping und Einsatz von Agenten, die forschen, Daten analysieren, Geräte steuern oder als digitale Assistenten dienen können. Durch die Abstraktion gängiger Agentenmuster reduziert es Boilerplate-Code und fördert bewährte Praktiken für zuverlässige, wartbare KI-gesteuerte Automatisierung.

ChainLite vereinfacht die Erstellung von KI-Agenten, indem es die Komplexität der LLM-Orchestrierung in wiederverwendbare Kettenmodule abstrahiert. Mit einfachen Python-Dekoratoren und Konfigurationsdateien definieren Entwickler das Verhalten der Agenten, Tool-Schnittstellen und Speicherstrukturen. Das Framework integriert sich mit beliebten LLM-Anbietern (OpenAI, Cohere, Hugging Face) und externen Datenquellen (APIs, Datenbanken), sodass Agenten Echtzeitinformationen abrufen können. Mit einer integrierten browserbasierten UI, die von Streamlit unterstützt wird, können Benutzer den Token-basierten Gesprächsverlauf inspizieren, Eingabeaufforderungen debuggen und Ablaufdiagramme der Kettenvisualisierung anzeigen. ChainLite unterstützt mehrere Bereitstellungsziele, von der lokalen Entwicklung bis zu Produktionscontainern, und ermöglicht nahtlose Zusammenarbeit zwischen Data Scientists, Ingenieuren und Produktteams.

Evolving Agents bietet ein auf genetischem Programmieren basierendes Framework zum Erstellen und Weiterentwickeln modularer KI-Agenten. Nutzer bauen Agentenarchitekturen aus austauschbaren Komponenten, konfigurieren Umweltsimulationen und Fitnessmetriken und führen evolutionäre Zyklen durch, um verbesserte Verhaltensweisen der Agenten automatisch zu generieren. Die Bibliothek umfasst Werkzeuge für Mutation, Kreuzung, Populationsmanagement und Überwachung der Evolution, sodass Forscher und Entwickler autonome Agenten in vielfältigen simulierten Umgebungen prototypisieren, testen und verfeinern können.

GoLC bietet Entwicklern ein umfassendes Toolkit zum Erstellen von Sprachmodellketten und Agenten in Go. Es umfasst Kernmanagement, anpassbare Prompt-Vorlagen und eine nahtlose Integration mit führenden LLM-Anbietern. Durch Dokumenten-Lader und Vektor-Speicher ermöglicht GoLC die eingebettete Suche, die RAG-Workflows unterstützt. Das Framework unterstützt zustandsbehaftete Speicher-Module für dialogbezogenen Kontext und eine leichte Agenten-Architektur, um Mehrschritt-Reasoning und Tool-Aufrufe zu orchestrieren. Sein modulares Design erlaubt die Einbindung benutzerdefinierter Tools, Datenquellen und Ausgabebehandler. Mit Go-native Leistung und minimalen Abhängigkeiten vereinfacht GoLC die Entwicklung von KI-Pipelines und ist ideal für den Bau von Chatbots, Wissensassistenten, automatisierten Reasoning-Agenten und produktionsreifen Backend-KI-Diensten in Go.

llm-ReAct implementiert die ReAct-Architektur (Reasoning and Acting) für große Sprachmodelle, die eine nahtlose Integration von Ketten-von-Denken-Reasoning mit externer Werkzeugausführung und Speicherverwaltung ermöglicht. Entwickler können eine Sammlung benutzerdefinierter Werkzeuge konfigurieren – wie Websuche, Datenbankabfragen, Dateibearbeitung und Rechner – und den Agenten anweisen, mehrstufige Aufgaben zu planen, wobei bei Bedarf Werkzeuge aufgerufen werden, um Informationen abzurufen oder zu verarbeiten. Das integrierte Speicher-Modul bewahrt den Gesprächszustand und vergangene Aktionen, was kontextbezogenes Verhalten des Agenten unterstützt. Mit modularem Python-Code und Unterstützung für OpenAI-APIs vereinfacht llm-ReAct Experimente und die Bereitstellung intelligenter Agenten, die adaptiv Probleme lösen, Arbeitsabläufe automatisieren und kontextreiche Antworten liefern.

Simple Playgrounds bietet eine modulare Plattform zum Aufbau interaktiver 2D-Gitterumgebungen, in denen Agenten Labyrinthe erkunden, mit Objekten interagieren und Aufgaben erfüllen können. Benutzer definieren Umgebungslayouts, Objektverhalten und Belohnungsfunktionen mit einfachen YAML- oder Python-Skripten. Der integrierte Pygame-Renderer liefert eine Echtzeitvisualisierung, während eine schrittabhängige API eine nahtlose Integration mit RL-Bibliotheken wie Stable Baselines3 ermöglicht. Mit Unterstützung für Multi-Agent-Setups, Kollisionsdiagnose und anpassbare physikalische Parameter vereinfacht Simple Playgrounds die Prototypenerstellung, Benchmarking und pädagogische Demonstrationen von KI-Algorithmen.

AgentInteraction ist ein entwicklerorientiertes Python-Framework, das die Simulation, Koordination und Bewertung von Multi-Agenten-Interaktionen mit großen Sprachmodellen ermöglicht. Es erlaubt Nutzern, unterschiedliche Agentenrollen zu definieren, den Gesprächsfluss durch einen zentralen Manager zu steuern und jeden LLM-Anbieter über eine konsistente API zu integrieren. Mit Funktionen wie Nachrichtenrouting, Kontextmanagement und Leistungsanalyse vereinfacht AgentInteraction die Experimentierung mit kollaborativen oder konkurrierenden Agentenarchitekturen und erleichtert das Prototyping komplexer Dialogszenarios sowie die Erfolgsmessung.