AI-Agents offre une plateforme flexible et modulaire pour créer des agents autonomes pilotés par l'IA. Les développeurs peuvent définir des objectifs d'agents, chaîner des tâches et incorporer des modules de mémoire pour stocker et récupérer des informations contextuelles entre les sessions. Le framework supporte l'intégration avec les principaux LLM via des clés API, permettant aux agents de générer, évaluer et réviser des sorties. La prise en charge d'outils et de plugins personnalisables permet aux agents d'interagir avec des services externes tels que le web scraping, les requêtes de bases de données et les outils de rapport. À travers des abstractions claires pour la planification, l'exécution et les boucles de feedback, AI-Agents accélère la phase de prototypage et le déploiement de flux de travail automatisés intelligents.

Dino Reinforcement Learning offre une boîte à outils complète pour entraîner un agent IA à jouer au jeu de dinosaure de Chrome via reinforcement learning. En s'intégrant avec une instance Chrome sans interface via Selenium, il capture en temps réel les frames du jeu et les traite en représentations d'état optimisées pour les entrées du réseau Q profond. Le framework comprend des modules pour la mémoire de rejouement, l'exploration epsilon-greedy, des modèles de réseaux neuronaux convolutifs, et des boucles d'entraînement avec des hyperparamètres personnalisables. Les utilisateurs peuvent suivre la progression de l'entraînement via des logs en console et sauvegarder des checkpoints pour une évaluation ultérieure. Après l'entraînement, l'agent peut être déployé pour jouer en direct de manière autonome ou être testé contre différentes architectures de modèles. Son design modulaire permet une substitution facile des algorithmes RL, faisant de cette plateforme un environnement de experimentation flexible.