L'agent MCP Ollama exploite le runtime LLM local d'Ollama pour fournir un cadre d'agent polyvalent pour l'automatisation des tâches. Il intègre plusieurs interfaces d'outils, y compris la recherche web via SERP API, opérations sur le système de fichiers, exécution de commandes shell et gestion d'environnement Python. En définissant des invites et des configurations d'outils personnalisés, les utilisateurs peuvent orchestrer des flux de travail complexes, automatiser des tâches répétitives et créer des assistants spécialisés adaptés à divers domaines. L'agent gère l'invocation d'outils et la gestion du contexte, en conservant l'historique des conversations et les réponses des outils pour générer des actions cohérentes. Sa configuration basée sur CLI et son architecture modulaire facilitent l'ajout de nouveaux outils et l'adaptation à différents cas d'utilisation, de la recherche et l'analyse de données au soutien au développement.

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.