EthLisbon bietet eine einsatzbereite Architektur autonomer Agenten, die mit Ethereum-Smart-Contracts interagiert, um Auktionen, Gebote und Trades automatisch durchzuführen. Es hört auf On-Chain-Ereignisse, verarbeitet Datenfeeds Off-Chain und führt anpassbare Strategien basierend auf konfigurierbaren Parametern aus. Die modulare Codebasis ermöglicht es Entwicklern, Fähigkeiten zu erweitern, zusätzliche Oracles zu integrieren und mehrere Agenten-Instanzen bereitzustellen. Wiederholungs- und Zustandsmanagementmechanismen sorgen für Robustheit, während integrierte Protokollierungs- und Überwachungstools in Echtzeit Einblick in die Agentenoperationen geben.

Das Multi Agent Robotic System Projekt bietet eine modulare, Python-basierte Plattform zur Entwicklung, Simulation und Einsatz kooperativer Robotikteams. Im Kern implementiert es dezentrale Steuerungsstrategien, die es Robotern ermöglichen, Statusinformationen zu teilen und Aufgaben kollaborativ ohne einen zentralen Koordinator zuzuweisen. Das System enthält integrierte Module für Wegplanung, Kollisionsvermeidung, Umgebungsmapping und dynamische Aufgabenplanung. Entwickler können neue Algorithmen integrieren, indem sie erweiterte Schnittstellen nutzen, Kommunikationsprotokolle mittels Konfigurationsdateien anpassen und Roboterinteraktionen in simulierten Umgebungen visualisieren. Es ist kompatibel mit ROS und unterstützt nahtlosen Übergang von Simulation zu realen Hardware-Implementierungen. Dieses Framework beschleunigt die Forschung durch wiederverwendbare Komponenten für Schwarmverhalten, kollaborative Exploration und Lagerautomatisierungsexperimente.

OpenAssistant bietet eine umfassende Werkzeugpalette für den Bau und das Feinabstimmen von KI-Agenten, die auf bestimmte Aufgaben zugeschnitten sind. Es umfasst Datenverarbeitungsskripte zur Umwandlung roher Dialogdatensätze in Trainingsformate, Modelle für instruction-basiertes Lernen und Hilfsmittel zur Überwachung des Trainingsfortschritts. Die Plugin-Architektur ermöglicht die nahtlose Integration externer APIs für erweiterte Funktionen wie Wissensretrieval und Workflow-Automatisierung. Nutzer können die Leistung der Agenten mithilfe vorgefertigter Benchmark-Tools bewerten, Interaktionen durch eine intuitive Weboberfläche visualisieren und produktionsreife Endpunkte mit containerisierten Deployments bereitstellen. Der erweiterbare Quellcode unterstützt mehrere Deep-Learning-Backends, was die Anpassung von Modellarchitekturen und Trainingsstrategien erleichtert. Mit End-to-End-Unterstützung – von Datenvorbereitung bis Deployment – beschleunigt OpenAssistant die Entwicklung konversationaler KI-Lösungen.