AgenticIR (Agentic Information Retrieval) bietet ein modulares Framework, in dem auf LLM basierende Agenten autonom IR-Workflows planen und ausführen. Es ermöglicht die Definition von Agentenrollen — wie Abfragegenerator, Dokumentenretriever und Zusammenfasser —, die in anpassbaren Sequenzen laufen. Agenten können Rohtext abrufen, Abfragen anhand Zwischenresultaten verfeinern und extrahierte Passagen zu prägnanten Zusammenfassungen zusammenführen. Das Framework unterstützt Multi-Schritte-Pipelines, einschließlich iterativer Websuche, API-basierter Dateneingabe und lokaler Dokumentenparsing. Entwickler können Agentenparameter anpassen, verschiedene LLMs integrieren und Verhaltensrichtlinien feintunen. AgenticIR bietet außerdem Protokollierung, Fehlerbehandlung und parallele Agentenausführung, um die groß angelegte Informationsbeschaffung zu beschleunigen. Mit minimalem Codeaufwand können Forscher und Entwickler autonome Abfragesysteme prototypisieren und bereitstellen.

Multi-Agent Inspection Simulation bietet ein umfassendes Framework zur Simulation und Schulung mehrerer autonomer Agenten, die Inspektionsaufgaben in Unity 3D-Umgebungen kooperativ ausführen. Es integriert sich mit dem Unity ML-Agents-Toolkit und bietet konfigurierbare Szenen mit Inspektionszielen, anpassbaren Belohnungsfunktionen und Agentenverhaltensparametern. Forscher können benutzerdefinierte Umgebungen skripten, die Anzahl der Agenten definieren und Trainingspläne über Python-APIs festlegen. Das Paket unterstützt parallele Trainingssitzungen, TensorBoard-Logging und anpassbare Beobachtungen, einschließlich Raycasts, Kamerafeeds und Positionsdaten. Durch Anpassung der Hyperparameter und der Komplexität der Umgebung können Benutzer Verstärkungslern-Algorithmen anhand von Abdeckung, Effizienz und Koordinationsmetriken benchmarken. Der Open-Source-Code fördert die Erweiterung für Robotik-Prototypen, kooperative KI-Forschung und Bildungsdemonstrationen im Bereich Multi-Agenten-Systeme.