Jason-RL ajoute une couche d'apprentissage par renforcement au cadre multi-agent Jason, permettant aux agents AgentSpeak BDI d'apprendre des politiques de sélection d'actions via le feedback de récompense. Elle met en œuvre les algorithmes Q-learning et SARSA, supporte la configuration des paramètres d'apprentissage (taux d'apprentissage, facteur d'actualisation, stratégie d'exploration) et enregistre les métriques d'entraînement. En définissant des fonctions de récompense dans les plans d'agents et en exécutant des simulations, les développeurs peuvent observer l'amélioration des prises de décision des agents au fil du temps, s'adaptant à des environnements changeants sans coder manuellement les politiques.

CamelAGI est un cadre open-source conçu pour simplifier la création d'agents IA autonomes. Il dispose d'une architecture de plugins pour des outils personnalisés, d'une intégration de mémoire à long terme pour la persistance du contexte, et du support pour plusieurs grands modèles linguistiques tels que GPT-4 et Llama 2. Grâce à des modules de planification et d'exécution explicites, les agents peuvent décomposer des tâches, appeler des API externes et s'adapter au fil du temps. La extensibilité et l'approche communautaire rendent CamelAGI adapté pour des prototypes de recherche, des systèmes de production et des projets éducatifs.