En su núcleo, Memary proporciona un sistema modular de gestión de memoria adaptado a agentes de modelos lingüísticos grandes. Al abstraer las interacciones de memoria a través de una API común, soporta múltiples backends, incluyendo diccionarios en memoria, Redis para caché distribuido y almacenes vectoriales como Pinecone o FAISS para búsqueda semántica. Los usuarios pueden definir memorias basadas en esquemas (episódicas, semánticas o a largo plazo) y aprovechar modelos de embeddings para rellenar automáticamente los almacenes vectoriales. Las funciones de recuperación permiten recordar memoria relevante durante las conversaciones, mejorando las respuestas del agente con interacciones pasadas o datos específicos del dominio. Diseñado para la extensibilidad, Memary puede integrar backends y funciones de embedding personalizadas, siendo ideal para desarrollar aplicaciones IA robustas y con estado, como asistentes virtuales, bots de atención al cliente y herramientas de investigación que requieren conocimiento persistente a lo largo del tiempo.

El marco YGO-Agent permite a investigadores y entusiastas desarrollar bots de IA que juegan al juego de cartas Yu-Gi-Oh usando aprendizaje por refuerzo. Envuelve el simulador YGOPRO en un entorno compatible con OpenAI Gym, definiendo representaciones de estado como mano, campo y puntos de vida, así como representaciones de acción que incluyen invocaciones, activación de hechizos/trampas y ataques. Las recompensas se basan en resultados de victoria/derrota, daño causado y progreso del juego. La arquitectura del agente usa PyTorch para implementar DQN, con opciones para arquitecturas de red personalizadas, reproducción de experiencia y exploración epsilon-greedy. Los módulos de registro registran curvas de entrenamiento, tasas de victoria y registros detallados de movimientos para análisis. El marco es modular, permitiendo a los usuarios reemplazar o extender componentes como la función de recompensa o el espacio de acción.

PromptsBetter es una plataforma diseñada para ayudar a los usuarios a generar sin esfuerzo prompts de IA de alta calidad. Su interfaz fácil de usar permite una rápida creación de prompts, asegurando un flujo de trabajo fluido en el entrenamiento y desarrollo de IA. Con un enfoque en la eficiencia y simplicidad, PromptsBetter aborda las necesidades tanto de usuarios novatos como de profesionales experimentados de IA. Soporta diversas plataformas e integra características esenciales para optimizar el proceso de generación de prompts.

El simulador MARL está diseñado para facilitar el desarrollo eficiente y escalable de algoritmos de aprendizaje por refuerzo multiagente (MARL). Aprovechando el backend distribuido de PyTorch, permite a los usuarios ejecutar entrenamiento paralelo en múltiples GPUs o nodos, reduciendo significativamente el tiempo de experimentos. El simulador ofrece una interfaz modular de entorno que soporta escenarios de referencia estándar — como navegación cooperativa, depredador-presa y mundo en cuadrícula — así como entornos personalizados definidos por el usuario. Los agentes pueden utilizar diversos protocolos de comunicación para coordinar acciones, compartir observaciones y sincronizar recompensas. Espacios de recompensa y observación configurables permiten un control preciso de la dinámica de entrenamiento, mientras que herramientas integradas de registro y visualización proporcionan información en tiempo real sobre métricas de rendimiento.