Solace AI est un cadre modulaire pour agents IA vous permettant de déployer votre propre assistant conversationnel sur votre infrastructure. Il propose une gestion de la mémoire contextuelle, la prise en charge des bases de données vectorielles pour la récupération de documents, des hooks de plugins pour intégrations externes et une interface de chat basée sur le web. Avec des invites système personnalisables et un contrôle précis des sources de connaissance, vous pouvez créer des agents pour le support, le tutorat, la productivité personnelle ou l'automatisation interne, sans dépendre de serveurs tiers.

TUNiB fournit des solutions d'IA conversationnelle à la pointe de la technologie conçues pour engager émotionnellement les utilisateurs. Leurs offres comprennent le premier sLLM coréen entièrement open-source pour un usage commercial, des chatbots multi-persona personnalisables, et des APIs NLP qui protègent les plateformes contre les discours haineux générés par l'IA et les violations de la vie privée. Ces solutions sont adaptées pour offrir des expériences utilisateur sans faille et peuvent être intégrées rapidement pour améliorer l'engagement et la sécurité des utilisateurs.

FreeThinker offre une architecture modulable pour définir des agents IA capables d'exécuter des tâches de manière autonome en tirant parti de grands modèles de langage, de modules de mémoire et d'outils externes. Les développeurs peuvent configurer les agents via Python ou YAML, intégrer des outils personnalisés pour la recherche web, le traitement de données ou les appels API, et utiliser des stratégies de planification intégrées. Le framework gère l'exécution étape par étape, la conservation du contexte et l'agrégation des résultats pour que les agents puissent fonctionner de manière autonome dans la recherche, l'automatisation ou les workflows de soutien à la décision.

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.