mini-agi est conçu pour simplifier la création d’agents IA autonomes en fournissant un cadre minimal et modulaire. Écrit en Python, il exploite les modèles linguistiques d’OpenAI pour interpréter des objectifs de haut niveau, les décomposer en sous-tâches, et orchestrer des appels d’outils comme des requêtes HTTP, des opérations sur fichiers ou des actions personnalisées. Le cadre comprend un stockage mémoire pour suivre l’état et les résultats de l’agent, un module de planification pour la décomposition des tâches avec des heuristiques basées sur le coût, et un module d’exécution qui appelle en séquence les outils. Avec des fichiers de configuration, les utilisateurs peuvent injecter des outils personnalisés, définir des modèles d’invite et ajuster la profondeur de planification. La structure légère de mini-agi en fait un outil idéal pour les prototypes d’agents IA effectuant des recherches, automatisant des flux de travail, ou générant du code de manière autonome.

Ce dépôt fournit un cadre complet d'apprentissage par renforcement pour la recherche sur le gameplay de StarCraft II. L'agent principal utilise la Proximal Policy Optimization (PPO) pour apprendre des réseaux de politiques interprétant les données d'observation de l'environnement PySC2 et générant des actions précises dans le jeu. Les développeurs peuvent configurer les couches de réseaux neuronaux, la reformulation des récompenses et les plannings d'entraînement pour optimiser la performance. Le système supporte la collecte d'échantillons en multiprocessing pour plus d'efficacité, des outils de journalisation pour suivre les courbes d'entraînement, et des scripts d'évaluation pour tester les politiques entraînées contre des adversaires scriptés ou IA intégrée. Le code est écrit en Python et utilise TensorFlow pour la définition et l'optimisation des modèles. Les utilisateurs peuvent étendre des composants tels que les fonctions de récompense personnalisées, le pré-traitement des états ou les architectures de réseaux pour répondre à leurs objectifs de recherche spécifiques.

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.