Vanilla Agents est un cadre léger basé sur PyTorch qui fournit des implémentations modulaires et extensibles d'agents d'apprentissage par renforcement de base. Il supporte des algorithmes comme DQN, Double DQN, PPO et A2C, avec des wrappers d'environnement adaptables compatibles avec OpenAI Gym. Les utilisateurs peuvent configurer les hyperparamètres, enregistrer les métriques d'entraînement, sauvegarder les points de contrôle et visualiser les courbes d'apprentissage. La base de code est organisée pour la clarté, ce qui le rend idéal pour le prototypage de recherche, un usage éducatif et la mise en référence de nouvelles idées en RL.

CrewAI-Learning est une bibliothèque open-source conçue pour simplifier les projets d'apprentissage par renforcement multi-agent. Elle offre des structures d'environnements, des définitions modulaires d'agents, des fonctions de récompense personnalisables, et une suite d'algorithmes intégrés comme DQN, PPO, et A3C adaptés aux tâches collaboratives. Les utilisateurs peuvent définir des scénarios, gérer les boucles de formation, enregistrer les métriques et visualiser les résultats. Le framework supporte la configuration dynamique des équipes d'agents et les stratégies de partage de récompense, rendant facile le prototypage, l'évaluation et l'optimisation de solutions IA coopératives dans divers domaines.

LlamaIndex Supervisor est un framework Python orienté développeur conçu pour créer, exécuter et surveiller des agents IA basés sur LlamaIndex. Il fournit des outils pour définir des flux de travail sous forme de nœuds—tels que récupération, résumé et traitement personnalisé—et les connecter en graphes dirigés. La supervision supervise chaque étape, valide les sorties selon des schémas, réessaie en cas d’erreur et enregistre des métriques. Cela garantit des pipelines robustes et reproductibles pour des tâches comme la génération augmentée par récupération, la QA documentaire et l'extraction de données à partir de divers jeux de données.