negotiation_agent bietet ein modulares Toolkit zum Aufbau autonomer Verhandlungs-Bots, die von GPT-ähnlichen Modellen unterstützt werden. Entwickler können Verhandlungsszenarien durch Definition von Elementen, Präferenzen und Nutzenfunktionen spezifizieren, um die Ziele der Agenten zu modellieren. Das Framework umfasst vordefinierte Agenten-Vorlagen und ermöglicht die Integration benutzerdefinierter Strategien, was Offer-Generierung, Gegenangebot-Bewertung, Annahmeentscheidungen und Deal-Abschluss umfasst. Es verwaltet Dialogflüsse mittels standardisierter Protokolle, unterstützt Batch-Simulationen für Turnier-ähnliche Experimente und berechnet Leistungsmetriken wie Einigungsrate, Nutzengewinne und Fairnessscores. Die offene Architektur erleichtert den Austausch der zugrunde liegenden LLM-Backends und die Erweiterung der Agentenlogik durch Plugins. Mit negotiation_agent können Teams schnell automatisierte Verhandlungslösungen in E-Commerce, Forschung und Bildungsumgebungen prototypisieren und evaluieren.

TexasHoldemAgent bietet eine modulare Umgebung auf Python-Basis, um einen KI-gestützten Poker-Spieler für Heads-up-Limits Texas Hold'em zu trainieren, zu bewerten und einzusetzen. Es integriert eine benutzerdefinierte Simulations-Engine mit Algorithmen des Deep Reinforcement Learning, einschließlich DQN, für iterative Politikverbesserung. Zu den Kernfunktionen gehören die Codierung des Hand-Zustands, Definitionsbereich für Aktionen (fold, call, raise), Belohnungsformung und Echtzeit-Entscheidungsbewertung. Nutzer können Lernparameter anpassen, CPU/GPU-Beschleunigung nutzen, den Trainingsfortschritt überwachen sowie trainierte Modelle laden oder speichern. Das Framework unterstützt Batch-Simulationen zur Testung verschiedener Strategien, Generierung von Leistungskennzahlen und Visualisierung der Gewinnraten, wodurch Forscher, Entwickler und Poker-Enthusiasten experimentieren können, um KI-gesteuerte Spielstrategien zu entwickeln.

Der Azul Game AI Agent ist eine spezialisierte KI-Lösung für den Azul-Brettspiels-Wettbewerb. Implementiert in Python, modelliert er den Spielstand, verwendet Minimax-Suche für deterministische Schnittmengen und nutzt Monte Carlo Tree Search, um stochastische Ergebnisse zu erforschen. Der Agent verwendet benutzerdefinierte Heuristiken zur Bewertung von Brettpositionen, wobei er auf Kachelplatzierungsmuster priorisiert, die hohe Punkte bringen. Er unterstützt Turniermodus, Stapelsimulationen und Ergebnisprotokollierung für Leistungsanalysen. Nutzer können Algorithmusparameter anpassen, in eigene Spielumgebungen integrieren und Entscheidungsbäume visualisieren, um Zugauswahl zu verstehen.