Colosseum Agent Battles fournit un SDK Python modulaire pour construire des compétitions d'agents IA dans des arènes personnalisables. Les utilisateurs peuvent définir des environnements avec des terrains, ressources et règles spécifiques, puis implémenter des stratégies d'agents via une interface standardisée. Le framework gère la planification des batailles, la logique d'arbitrage et la journalisation en temps réel des actions et résultats des agents. Il comprend des outils pour organiser des tournois, suivre les statistiques de victoire/défaite et visualiser la performance des agents via des graphiques. Les développeurs peuvent intégrer des bibliothèques de ML populaires pour entraîner des agents, exporter les données de bataille pour analyse, et étendre les modules d'arbitrage pour appliquer des règles personnalisées. Enfin, il facilite le benchmarking des stratégies IA en compétition directe. La journalisation en formats JSON et CSV est également supportée pour les analyses ultérieures.

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.

Les agents IA pour Pierre-Papier-Ciseaux sont un projet Python open-source démontrant comment construire, entraîner et évaluer différentes stratégies d'IA—jeu aléatoire, reconnaissance de motifs basée sur des règles, et apprentissage par renforcement (Q-learning)—dans le jeu classique Pierre-Papier-Ciseaux. Il fournit des classes d'agents modulaires, un moteur de jeu configurable, une journalisation des performances, et des utilitaires de visualisation. Les utilisateurs peuvent échanger facilement des agents, ajuster les paramètres d'apprentissage, et explorer le comportement de l'IA dans des scénarios compétitifs.