mini-agi fue diseñado para simplificar la creación de agentes de IA autónomos proporcionando un marco modular y minimalista. Construido en Python, aprovecha los modelos de lenguaje de OpenAI para interpretar metas de alto nivel, descomponer en subtareas y orquestar llamadas a herramientas, como peticiones HTTP, operaciones con archivos o acciones personalizadas. El marco incluye almacenamiento de memoria para rastrear el estado del agente y resultados, un módulo planificador para la descomposición de tareas usando heurísticas basadas en costos, y un módulo ejecutor que invoca secuencialmente las herramientas. Con archivos de configuración, los usuarios pueden insertar herramientas personalizadas, definir plantillas de prompts y ajustar la profundidad de planificación. La arquitectura ligera de mini-agi lo hace ideal para prototipar agentes de IA que realizan consultas de investigación, automatizan flujos de trabajo o generan código de forma autónoma.

Este repositorio proporciona un marco completo para la investigación en juego en StarCraft II. El agente principal usa Proximal Policy Optimization (PPO) para aprender redes de política que interpretan datos de observación del entorno PySC2 y generan acciones precisas en el juego. Los desarrolladores pueden configurar capas de redes neuronales, formateo de recompensas y horarios de entrenamiento para optimizar el rendimiento. El sistema soporta multiproceso para recolección eficiente de muestras, utilidades de registro para monitorear curvas de entrenamiento y scripts de evaluación para correr políticas entrenadas contra oponentes scriptados o AI incorporados. El código está escrito en Python y aprovecha TensorFlow para definición y optimización de modelos. Los usuarios pueden extender componentes como funciones de recompensa personalizadas, preprocesamiento de estado o arquitecturas de red para fines específicos de investigación.

Los agentes de IA para Piedra-Papel-Tijeras son un proyecto open-source en Python que demuestra cómo construir, entrenar y evaluar diferentes estrategias de IA—juego aleatorio, reconocimiento de patrones basado en reglas y aprendizaje por refuerzo (Q-learning)—en el juego clásico Piedra-Papel-Tijeras. Proporciona clases de agentes modulares, un motor de juego configurable, registro de rendimiento y utilidades de visualización. Los usuarios pueden intercambiar fácilmente agentes, ajustar parámetros de aprendizaje y explorar el comportamiento de IA en escenarios competitivos.