EthLisbon fournit une architecture d'agents autonomes prête à l'emploi qui interagit avec les contrats intelligents Ethereum pour réaliser automatiquement des enchères, des offres et des échanges. Il écoute les événements de la chaîne, traite les flux de données off-chain et exécute des stratégies personnalisables basées sur des paramètres configurables. La base de code modulaire permet aux développeurs d'étendre leurs compétences, d'intégrer des oracles supplémentaires et de déployer plusieurs instances d'agents. Les mécanismes de reprise et de gestion d'état assurent la résilience, tandis que les outils intégrés de journalisation et de surveillance offrent une visibilité en temps réel sur le fonctionnement des agents.

Le projet Multi Agent Robotic System offre une plateforme modulaire basée sur Python pour développer, simuler et déployer des équipes robotiques coopératives. Il implémente principalement des stratégies de contrôle décentralisé permettant aux robots de partager des informations d'état et de répartir collaborativement les tâches sans coordinateur central. Le système comprend des modules intégrés pour la planification de trajectoires, la prévention des collisions, la cartographie de l'environnement et la planification dynamique des tâches. Les développeurs peuvent intégrer de nouveaux algorithmes en étendant les interfaces fournies, ajuster les protocoles de communication via des fichiers de configuration et visualiser les interactions entre robots dans des environnements simulés. Compatible avec ROS, il supporte la transition transparente de la simulation au matériel réel. Ce cadre accélère la recherche en fournissant des composants réutilisables pour le comportement en essaim, l'exploration collaborative et les expériences d'automatisation d'entrepôt.

OpenAssistant offre un ensemble d'outils complet pour construire et affiner des agents IA adaptés à des tâches spécifiques. Il inclut des scripts de traitement de données pour convertir des jeux de données dialogues bruts en formats d'entraînement, des modèles pour l'apprentissage basé sur des instructions, et des utilitaires pour suivre la progression de l'entraînement. L’architecture plugin permet une intégration transparente d’API externes pour des fonctionnalités étendues telles que la récupération de connaissances et l'automatisation des workflows. Les utilisateurs peuvent évaluer la performance des agents à l’aide de benchmarks prédéfinis, visualiser les interactions via une interface web intuitive, et déployer des endpoints prêts pour la production avec des déploiements conteneurisés. Son code extensible supporte plusieurs backends de deep learning, facilitant la personnalisation des architectures de modèles et des stratégies d'entraînement. En fournissant un support de bout en bout — de la préparation des données au déploiement — OpenAssistant accélère le cycle de développement de solutions d’IA conversationnelle.