LemLab est un framework modulaire pour le développement d'agents IA alimentés par de grands modèles de langage. Les développeurs peuvent définir des modèles d'invite personnalisés, chaîner des pipelines de raisonnement multi-étapes, intégrer des outils et API externes, et configurer des backends de mémoire pour stocker le contexte des conversations. Il comprend également des suites d'évaluation pour benchmarker la performance des agents sur des tâches définies. En fournissant des composants réutilisables et des abstractions claires pour les agents, outils et mémoire, LemLab accélère l'expérimentation, le débogage et le déploiement d'applications LLM complexes en recherche et en production.

Mean-Field MARL offre un cadre Python robuste pour l'implémentation et l’évaluation des algorithmes d'apprentissage par renforcement multi-agent à champ moyen. Il approxime les interactions à grande échelle en modélisant l'effet moyen des agents voisins via Q-learning par champ moyen. La bibliothèque comprend des wrappers d’environnement, des modules de politique d’agent, des boucles d’entraînement, et des métriques d’évaluation, permettant un entraînement scalable sur des centaines d’agents. Basé sur PyTorch pour l’accélération GPU, il supporte des environnements personnalisables comme Particle World et Gridworld. La conception modulaire facilite l’extension avec de nouveaux algorithmes, tandis que les outils intégrés de journalisation et de visualisation Matplotlib permettent de suivre les récompenses, les courbes de perte, et les distributions par champ moyen. Des scripts d’exemple et la documentation guident l’utilisateur à travers la configuration, l’expérimentation, et l’analyse des résultats, idéal pour la recherche et le prototypage de systèmes multi-agents à grande échelle.

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.

Pacman AI offre un environnement Python entièrement fonctionnel et un cadre d'agents pour le jeu classique Pacman. Le projet implémente des algorithmes clés d'apprentissage par renforcement—Q-learning et itération de valeurs—pour permettre à l'agent d'apprendre des stratégies optimales pour la collecte de pilules, la navigation dans le labyrinthe et l'évitement des fantômes. Les utilisateurs peuvent définir des fonctions de récompense personnalisées et ajuster des hyperparamètres tels que le taux d'apprentissage, le facteur de dépréciation et la stratégie d'exploration. Le cadre supporte la journalisation des métriques, la visualisation des performances et la configuration d'expériences reproductibles. Conçu pour une extension facile, il permet aux chercheurs et étudiants d'intégrer de nouveaux algorithmes ou approches d'apprentissage basées sur des réseaux neuronaux et de les comparer aux méthodes de grille de référence dans le domaine Pacman.

Multi-Agent System fournit une boîte à outils légère mais puissante pour concevoir et exécuter des simulations multi-agent. Les utilisateurs peuvent créer des classes d’agents personnalisées pour encapsuler la logique de décision, définir des objets Environnement pour représenter les états et règles du monde, et configurer un moteur de simulation pour orchestrer les interactions. Le framework supporte des composants modulaires pour la journalisation, la collecte de métriques et la visualisation basique pour analyser le comportement des agents dans des environnements coopératifs ou adverses. Il convient au prototypage rapide de la robotique en essaim, de l’allocation de ressources et des expériences de contrôle décentralisé.

Au cœur, RxAgent-Zoo est un cadre RL réactif qui traite les événements de données provenant des environnements, des buffers de retransmission et des boucles d'entraînement comme des flux observables. Les utilisateurs peuvent enchaîner des opérateurs pour prétraiter les observations, mettre à jour les réseaux et journaliser les métriques de manière asynchrone. La bibliothèque offre une prise en charge des environnements parallèles, des planificateurs configurables et une intégration avec les benchmarks Gym et Atari populaires. Une API plug-and-play permet de remplacer facilement les composants d'agents, facilitant la recherche reproductible, l'expérimentation rapide et les flux de travail d'entraînement évolutifs.

ReasonChain fournit un pipeline modulaire pour construire des séquences d'opérations pilotées par LLM, permettant à chaque étape d'alimenter la suivante. Les utilisateurs peuvent définir des nœuds de chaîne personnalisés pour la génération d'invites, les appels API à différents fournisseurs LLM, la logique conditionnelle pour diriger les flux de travail et des fonctions d'agrégation pour les résultats finaux. Le framework inclut un débogage et une journalisation intégrés pour suivre les états intermédiaires, une prise en charge des recherches dans les bases de données vectorielles et une extension facile via des modules définis par l'utilisateur. Qu'il s'agisse de résoudre des tâches de raisonnement en plusieurs étapes, d'orchestrer des transformations de données ou de construire des agents conversationnels avec mémoire, ReasonChain offre un environnement transparent, réutilisable et testable. Son design encourage l'expérimentation avec des stratégies de chaînes de pensée, ce qui le rend idéal pour la recherche, le prototypage et des solutions d'IA prêtes pour la production.

DataEnvGym offre une collection d'environnements modulaires et personnalisables construits sur l'API Gym pour faciliter la recherche en apprentissage par renforcement dans les domaines axés sur les données. Les chercheurs et les ingénieurs peuvent sélectionner parmi des tâches intégrées telles que le nettoyage de données, l'ingénierie des caractéristiques, la planification par lots et l'analytique en streaming. Le cadre prend en charge une intégration transparente avec les bibliothèques RL populaires, des métriques de benchmark standardisées et des outils de journalisation pour suivre la performance des agents. Les utilisateurs peuvent étendre ou combiner des environnements pour modéliser des pipelines de données complexes et évaluer des algorithmes dans des contraintes réalistes.