Vanilla Agents ist ein leichtgewichtiges, auf PyTorch basierendes Framework, das modulare und erweiterbare Implementierungen wesentlicher Reinforcement-Learning-Agenten liefert. Es unterstützt Algorithmen wie DQN, Double DQN, PPO und A2C, mit anpassbaren Umwelt-Wrappern, die mit OpenAI Gym kompatibel sind. Benutzer können Hyperparameter konfigurieren, Trainingsmetriken protokollieren, Checkpoints speichern und Lernkurven visualisieren. Der Code ist klar strukturiert, ideal für Forschungsprototypen, Bildungszwecke und Benchmarking neuer Ideen im RL.

Agent Script stellt eine deklarative Skripting-Schicht über großen Sprachmodellen bereit, mit der Sie YAML- oder JSON-Skripte schreiben können, die Arbeitsabläufe des Agents, Tool-Aufrufe und Speichernutzung definieren. Sie können OpenAI, lokale LLMs oder andere Anbieter anschließen, externe APIs als Werkzeuge integrieren und Backend-Speicher für Langzeit- oder Kurzzeitspeicher konfigurieren. Das Framework verwaltet Kontext, asynchrone Ausführung und detailliertes Logging standardmäßig. Mit minimalem Code können Sie Chatbots, RPA-Workflows, Datenauszug-Agenten oder benutzerdefinierte Steuerungsschleifen prototypisieren, was die Erstellung, das Testen und den Einsatz KI-gestützter Automatisierungen erleichtert.

Minimalist Agent bietet ein rohes Framework zum Bau von KI-Agenten in Python. Es nutzt die Agent-Klassen von LangChain und die API von OpenAI, um mehrstufiges Schlussfolgern durchzuführen, Werkzeuge dynamisch auszuwählen und Funktionen auszuführen. Sie können das Repository klonen, Ihren OpenAI API-Schlüssel konfigurieren, benutzerdefinierte Werkzeuge oder Endpunkte definieren und das CLI-Skript ausführen, um mit dem Agenten zu interagieren. Das Design legt Wert auf Klarheit und Erweiterbarkeit, was es einfach macht, Kernverhalten des Agenten für Experimente oder Lehre zu studieren, zu modifizieren und zu erweitern.

Embedded BDI stellt eine vollständige BDI-Lifecycle-Engine bereit: Es modelliert die Überzeugungen eines Agenten über seine Umgebung, verwaltet sich entwickelnde Wünsche oder Ziele, wählt Intentionen aus einer Plansammlung aus und führt Verhaltensweisen in Echtzeit aus. Das Framework umfasst Module für die Speicherung der Überzeugungsbasis, die Definition der Planbibliothek, Ereignis-Trigger und Nebenläufigkeitskontrolle, speziell für speicherbeschränkte Mikrocontroller. Mit einer einfachen API können Entwickler Überzeugungen kennzeichnen, Wünsche angeben und Pläne im Code implementieren. Der Scheduler übernimmt die Priorität der Intentionsausführung und integriert sich mit Hardware-Schnittstellen für Sensoren, Aktuatoren und Netzwerkommunikation, was es ideal für autonome IoT-Geräte, mobile Roboter und Industriecontroller macht.

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.

MASlite bietet eine klare API zum Erstellen von Agentenklassen, zum Registrieren von Verhaltensweisen und zum Handhaben ereignisgesteuerter Nachrichten zwischen Agenten. Es enthält einen Scheduler zur Verwaltung von Agentenaufgaben, eine Umgebungsmodellierung zur Simulation von Interaktionen und ein Pluginsystem zur Erweiterung der Kernfunktionalitäten. Entwickler können schnell Multi-Agenten-Szenarien in Python prototypisieren, indem sie Agentenlebenszyklusmethoden definieren, Agenten über Kanäle verbinden und Simulationen im Headless-Modus ausführen oder mit Visualisierungstools integrieren.

SelfDrivingCarSimulator ist ein leichtgewichtiges Python-Framework, das auf Pygame basiert und eine 2D-Fahrumgebung für das Training autonomer Fahrzeugagenten mit Reinforcement Learning bietet. Es unterstützt anpassbare Streckenlayouts, konfigurierbare Sensorsysteme (wie LiDAR und Kameraemulation), Echtzeitvisualisierung und Leistungsprotokollierung. Entwickler können ihre RL-Algorithmen integrieren, Physikparameter anpassen und Metriken wie Geschwindigkeit, Kollisionsrate und Belohnungsfunktionen überwachen, um Forschungs- und Bildungsprojekte im Bereich des selbstfahrenden Autos schnell voranzutreiben.

DocumentAI-Backend ist ein leichtgewichtiges Backend-Framework, das die Extraktion von Text, Formularfeldern und strukturierten Daten aus Dokumenten automatisiert. Es bietet REST-API-Endpunkte zum Hochladen von PDFs oder Bildern, verarbeitet sie mit Google Document AI und OCR-Fallback und gibt geparste Ergebnisse im JSON-Format zurück. Entwickelt mit Python, FastAPI und Docker, ermöglicht es eine schnelle Integration in bestehende Systeme, skalierbare Deployments und Anpassungen durch konfigurierbare Pipelines und Middleware.