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.

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.