mini-agi wurde entwickelt, um die Erstellung autonomer KI-Agenten zu vereinfachen, indem ein minimales, modular aufgebautes Framework bereitgestellt wird. In Python geschrieben, nutzt es die Sprachmodelle von OpenAI, um hochrangige Ziele zu interpretieren, sie in Unteraufgaben zu zerlegen und Tool-Aufrufe wie HTTP-Anfragen, Dateibearbeitungen oder benutzerdefinierte Aktionen zu koordinieren. Das Framework umfasst Speicher für den Zustand und die Ergebnisse der Agenten, ein Planermodul zur Aufgabenzerlegung mit kostenbasierten Heuristiken und ein Ausführungsmodul, das Werkzeuge sequenziell aufruft. Mit Konfigurationsdateien können Benutzer benutzerdefinierte Tools einfügen, Eingabeauffassungsvorlagen festlegen und die Planungstiefe anpassen. Das leichte Design von mini-agi macht es ideal für Prototypen von KI-Agenten, die Forschungsanfragen durchführen, Workflows automatisieren oder Code autonom generieren.

Dieses Repository bietet ein End-to-End-Verstärkungslernframework für die Forschung im StarCraft II Gameplay. Der Kernagent verwendet Proximal Policy Optimization (PPO), um Policies-Netzwerke zu erlernen, die Beobachtungsdaten aus der PySC2-Umgebung interpretieren und präzise Spielaktionen ausführen. Entwickler können neuronale Netzwerkschichten, Belohnungsformung und Trainingspläne konfigurieren, um die Leistung zu optimieren. Das System unterstützt Mehrprozessverarbeitung für effiziente Beispelsammlung, Protokollierungstools zur Überwachung der Trainingskurven und Evaluierungsskripte zum Testen trainierter Policies gegen skriptgesteuerte oder integrierte KI-Gegner. Der Code ist in Python geschrieben und nutzt TensorFlow für Modelldefinition und Optimierung. Nutzer können Komponenten wie maßgeschneiderte Belohnungsfunktionen, Zustandsvorverarbeitung oder Netzwerkarchitekturen erweitern, um spezifische Forschungsziele zu verfolgen.

KI-Agenten für Schere, Stein, Papier ist ein Open-Source-Python-Projekt, das zeigt, wie man verschiedene KI-Strategien—Zufallsspiel, regelbasierte Mustererkennung und Verstärkungslernen (Q-Learning)—im klassischen Spiel Schere, Stein, Papier aufbaut, trainiert und bewertet. Es bietet modulare Agentenklassen, einen konfigurierbaren Spiel-Runner, Leistungsprotokollierung und Visualisierungswerkzeuge. Benutzer können Agenten leicht austauschen, Lernparameter anpassen und KI-Verhalten in Wettbewerbsumgebungen erkunden.