El proyecto mario-ai ofrece una pipeline completa para desarrollar agentes IA que dominen Super Mario Bros., utilizando neuroevolución. Al integrar una implementación NEAT en Python con el entorno OpenAI Gym SuperMario, permite a los usuarios definir criterios de fitness personalizados, tasas de mutación y topologías de red. Durante el entrenamiento, el framework evalúa generaciones de redes neuronales, selecciona los genomas de alto rendimiento y ofrece visualización en tiempo real del juego y la evolución de la red. Además, soporta guardar y cargar modelos entrenados, exportar los mejores genomas y generar informes detallados de rendimiento. Investigadores, educadores y aficionados pueden extender el código a otros entornos de juego, experimentar con estrategias evolutivas y comparar el progreso del aprendizaje IA en diferentes niveles.

My AskAI ofrece un agente de IA diseñado para revolucionar el soporte al cliente automatizando respuestas y desviando hasta el 75% de las solicitudes de soporte. Se integra fácilmente en proveedores de chat en vivo existentes como Intercom y Zendesk, ayudando a las empresas a mejorar la eficiencia y concentrarse en problemas más complejos. La plataforma también apoya fines educativos, permitiendo a los estudiantes interactuar con material en cualquier momento, brindando información sobre áreas donde tienen dificultades.

AIpacman es un proyecto open-source en Python que simula el entorno del juego Pac-Man para experimentación con IA. Los usuarios pueden escoger entre agentes integrados o crear nuevos mediante algoritmos de búsqueda como DFS, BFS, A*, UCS; métodos adversarios como Minimax con poda Alpha-Beta y Expectimax; o técnicas de refuerzo como Q-Learning. El framework provee laberintos configurables, registros de rendimiento, visualización de decisiones de agentes y una interfaz de línea de comandos para ejecutar partidas y comparar puntuaciones. Está diseñado para clases, benchmarks de investigación y proyectos amateurs en IA y desarrollo de juegos.

Vanilla Agents es un marco liviano basado en PyTorch que proporciona implementaciones modulares y extensibles de agentes de aprendizaje por refuerzo fundamentales. Soporta algoritmos como DQN, Double DQN, PPO y A2C, con envoltorios de entorno en plug-in compatibles con OpenAI Gym. Los usuarios pueden configurar hiperparámetros, registrar métricas de entrenamiento, guardar puntos de control y visualizar curvas de aprendizaje. La base de código está organizada para la claridad, siendo ideal para prototipado de investigación, uso educativo y benchmarking de nuevas ideas en RL.