NeuralABM est une bibliothèque open-source en Python qui exploite PyTorch pour intégrer des réseaux neuronaux dans la modélisation basée sur des agents. Les utilisateurs peuvent spécifier des architectures d'agents sous forme de modules neuronaux, définir la dynamique de l'environnement et entraîner le comportement des agents via la rétro-propagation sur les étapes de simulation. Le framework supporte des signaux de récompense personnalisés, l'apprentissage par curriculum, ainsi que des mises à jour synchrones ou asynchrones, permettant d'étudier des phénomènes émergents. Avec des utilitaires pour la journalisation, la visualisation et l'exportation de jeux de données, chercheurs et développeurs peuvent analyser la performance des agents, déboguer les modèles et itérer sur la conception des simulations. NeuralABM facilite la combinaison de l'apprentissage par renforcement avec l'ABM pour des applications en sciences sociales, économie, robotique et comportements NPC pilotés par IA dans les jeux. Il fournit des composants modulaires pour la personnalisation de l'environnement, supporte les interactions multi-agents, et offre des hooks pour intégrer des jeux de données ou API externes pour des simulations du monde réel. La conception ouverte favorise la reproductibilité et la collaboration via une configuration claire des expériences et une intégration du contrôle de version.

Rigging est un cadre axé sur le développement qui facilite la création et l'orchestration d'agents IA. Il fournit l'enregistrement d'outils et de fonctions, la gestion du contexte et de la mémoire, le chaînage de flux de travail, des événements de rappel et la journalisation. Les développeurs peuvent intégrer plusieurs fournisseurs LLM, définir des plugins personnalisés et assembler des pipelines à plusieurs étapes. Le SDK TypeScript sécurisé de Rigging garantit modularité et réutilisabilité, accélérant le développement d'agents IA pour les chatbots, le traitement des données et la génération de contenu.