Le modèle d'application Agentic est un projet Next.js entièrement configuré qui sert de fondation pour le développement d'applications agentiques pilotées par IA. Il intègre une structure de dossiers modulaire, la gestion des variables d'environnement et des workflows d'agents exemples utilisant les modèles GPT d'OpenAI et des bases de données vectorielles comme Pinecone. Le modèle démontre des modèles clés tels que des chaînes séquentielles multi-étapes, des agents Q&R conversationnels et des endpoints de génération de texte. Les développeurs peuvent facilement personnaliser la logique des chaînes, intégrer des services supplémentaires et déployer sur des plateformes comme Vercel ou Netlify. Avec une prise en charge de TypeScript et une gestion des erreurs intégrée, la scaffolding réduit le temps de configuration initiale et fournit une documentation claire pour de futures extensions.

mini-AlphaStar démystifie l'architecture complexe d'AlphaStar en proposant un cadre PyTorch accessible et Open Source pour le développement d'IA dans StarCraft II. Il comprend des encodeurs de caractéristiques spatiales pour les entrées écran et minimap, un traitement des caractéristiques non spatiales, des modules de mémoire LSTM, et des réseaux de politique et de valeur séparés pour la sélection d'actions et l'évaluation d'état. En utilisant l'apprentissage par imitation pour démarrer et l'apprentissage par renforcement avec auto-jeu pour l'affinage, il supporte les wrappers d'environnement compatibles avec pysc2, la journalisation via TensorBoard et des hyperparamètres configurables. Les chercheurs et étudiants peuvent générer des jeux de données à partir de parties humaines, entraîner des modèles sur des scénarios personnalisés, évaluer la performance des agents et visualiser les courbes d'apprentissage. La base de code modulaire facilite l'expérimentation avec différentes variantes de réseaux, programmes d'entraînement et configurations multi-agents. Conçu pour l'éducation et le prototypage, et non pour le déploiement en production.

Ce projet open-source offre un cadre complet d'apprentissage par renforcement multi-agent basé sur PyTorch et Unity ML-Agents. Il propose des algorithmes DDPG décentralisés, des wrappers d'environnements et des scripts d'entraînement. Les utilisateurs peuvent configurer les politiques d'agents, les réseaux critiques, les buffers de relecture et les travailleurs d'entraînement parallèles. Les hooks de journalisation permettent la surveillance avec TensorBoard, tandis qu'une architecture modulaire supporte des fonctions de récompense et paramètres d'environnement personnalisés. Le dépôt inclut des scènes Unity d'exemple illustrant des tâches de navigation collaborative, idéal pour étendre et benchmarker des scénarios multi-agent en simulation.

Enso est une plateforme compatible avec le navigateur qui permet aux utilisateurs de créer des agents IA personnalisés via un constructeur visuel basé sur des flux. Les utilisateurs glissent-déposent des composants modulaires de code et IA, configurent des intégrations API, intègrent des interfaces de chat, et prévisualisent des flux de travail interactifs en temps réel. Après la conception, les agents peuvent être testés instantanément et déployés en un clic dans le cloud ou exportés en conteneurs. Enso simplifie les tâches complexes d'automatisation en combinant la simplicité du no-code avec l'extensibilité complète du code, permettant un développement rapide d'assistants intelligents et de flux de travail basés sur les données.

CommNet est une bibliothèque orientée recherche qui implémente l'architecture CommNet, permettant à plusieurs agents de partager des états cachés à chaque étape et d'apprendre à coordonner leurs actions dans des environnements coopératifs. Elle inclut des définitions de modèles PyTorch, des scripts d'entraînement et d'évaluation, des wrappers d'environnement pour OpenAI Gym et des utilitaires pour personnaliser les canaux de communication, le nombre d'agents et la profondeur du réseau. Chercheurs et développeurs peuvent utiliser CommNet pour prototyper et benchmarker des stratégies de communication inter-agent sur des tâches de navigation, de poursuite–évasion et de collecte de ressources.

Drive Flow est un framework flexible qui permet aux développeurs de concevoir des workflows basés sur l'IA en définissant une séquence d'étapes. Chaque étape peut invoquer de grands modèles de langage, exécuter des fonctions personnalisées ou interagir avec la mémoire persistante stockée dans MemoDB. Le framework supporte des logiques de branchement complexes, des boucles, une exécution parallèle de tâches et une gestion dynamique des entrées. Écrit en TypeScript, il utilise un DSL déclaratif pour spécifier les flux, permettant une séparation claire de la logique d'orchestration. Drive Flow offre également une gestion des erreurs intégrée, des stratégies de retries, la traçabilité du contexte d'exécution et un logging étendu. Les cas d'utilisation principaux incluent les assistants IA, le traitement automatisé de documents, l'automatisation du support client et les systèmes de décision multi-étapes. En abstraisant l'orchestration, Drive Flow accélère le développement et simplifie la maintenance des applications IA.

ePH-MAPF fournit un pipeline efficace pour calculer des chemins sans collision pour des dizaines à des centaines d'agents sur des cartes basées sur une grille. Il utilise des heuristiques prioritaires, des techniques de recherche incrémentielle et des métriques de coût personnalisables (Manhattan, Euclidéenne) pour équilibrer rapidité et qualité de la solution. Les utilisateurs peuvent choisir parmi différentes fonctions heuristiques, intégrer la bibliothèque dans des systèmes robotiques Python, et benchmarker la performance sur des scénarios MAPF standards. Le code est modulaire et bien documenté, permettant aux chercheurs et développeurs de l’étendre pour des obstacles dynamiques ou des environnements spécialisés.