negotiation_agent fournit une boîte à outils modulaire pour construire des bots de négociation autonomes alimentés par des modèles de type GPT. Les développeurs peuvent spécifier des scénarios de négociation en définissant des éléments, des préférences et des fonctions d’utilité pour modéliser les objectifs de l’agent. Le cadre inclut des modèles d’agent prédéfinis et permet l’intégration de stratégies personnalisées, comprenant la génération d’offres, l’évaluation des contre-offres, les décisions d’acceptation et la clôture des accords. Il gère les flux de dialogue en utilisant des protocoles standardisés, supporte des simulations en lot pour des expériences de style tournoi, et calcule des métriques de performance telles que le taux d’accord, les gains d’utilité et les scores d’équité. L’architecture ouverte facilite l’échange des backends LLM sous-jacents et l'extension de la logique des agents à travers des plugins. Avec negotiation_agent, les équipes peuvent rapidement prototyper et évaluer des solutions de négociation automatisée dans le commerce électronique, la recherche et l’éducation.

TexasHoldemAgent fournit un environnement modulaire basé sur Python pour entraîner, évaluer et déployer un joueur de poker alimenté par IA pour le Texas Hold’em limit heads-up. Il intègre un moteur de simulation personnalisé avec des algorithmes d'apprentissage par renforcement profond, dont DQN, pour une amélioration itérative de la politique. Les capacités clés incluent l'encodage de l'état de la main, la définition de l'espace d'action (fold, call, raise), la modélisation de la récompense et l'évaluation des décisions en temps réel. Les utilisateurs peuvent personnaliser les paramètres d'apprentissage, utiliser l'accélération CPU/GPU, suivre l'avancement de la formation et charger ou sauvegarder des modèles entraînés. Le cadre supporte des simulations par lot pour tester diverses stratégies, générer des métriques de performance et visualiser les taux de réussite, permettant aux chercheurs, développeurs et amateurs de poker d'expérimenter avec des stratégies de jeu pilotées par l'IA.

L'agent IA Azul Game est une solution spécialisée pour la compétition du jeu de société Azul. Implémenté en Python, il modélise l'état du jeu, applique la recherche Minimax pour l'élagage déterministe, et exploite Monte Carlo Tree Search pour explorer les résultats stochastiques. L'agent utilise des heuristiques personnalisées pour évaluer les positions sur le plateau, en favorisant les motifs de placement de tuiles qui rapportent beaucoup de points. Il prend en charge le mode tournoi individuel, les simulations par lot, et la journalisation des résultats pour l'analyse des performances. Les utilisateurs peuvent ajuster les paramètres de l'algorithme, intégrer l'agent dans des environnements de jeu personnalisés, et visualiser les arbres de décision pour comprendre le processus de sélection des coups.