GenerativeAgentsCN est une adaptation open-source en chinois du cadre Stanford des agents génératifs, conçu pour simuler des personnages numériques réalistes. En combinant de grands modèles linguistiques avec un module de mémoire à long terme, des routines de réflexion et une logique de planification, il orchestre des agents qui perçoivent le contexte, rapellent des interactions passées et décident autonomement des prochaines actions. La boîte à outils fournit des notebooks Jupyter prêts à l’emploi, des composants Python modulaires et une documentation complète en chinois pour guider les utilisateurs dans la configuration des environnements, la définition des caractéristiques de l’agent et la personnalisation des paramètres de mémoire. Utilisez-la pour explorer le comportement de PNJ piloté par IA, prototyper des bots de service client ou réaliser des recherches académiques sur la cognition des agents. Avec des API flexibles, les développeurs peuvent étendre les algorithmes de mémoire, intégrer leurs propres LLM et visualiser les interactions des agents en temps réel.

Le projet mario-ai propose une pipeline complète pour développer des agents IA afin de maîtriser Super Mario Bros. en utilisant la neuroévolution. En intégrant une implémentation NEAT basée sur Python avec l’environnement OpenAI Gym SuperMario, il permet aux utilisateurs de définir des critères de fitness, des taux de mutation, et des topologies de réseaux personnalisés. Pendant l’entraînement, le framework évalue des générations de réseaux neuronaux, sélectionne les génomes performants, et fournit une visualisation en temps réel du jeu et de l’évolution du réseau. De plus, il supporte la sauvegarde et le chargement de modèles entraînés, l’exportation des meilleurs génomes, et la génération de rapports détaillés de performance. Chercheurs, éducateurs et amateurs peuvent étendre le code à d’autres environnements de jeux, expérimenter avec des stratégies évolutionnaires, et benchmarker le progrès de l’apprentissage IA à travers différents niveaux.

MultiAgentPuzzleSolver fournit un environnement modulaire où des agents d’IA indépendants travaillent ensemble pour résoudre des énigmes telles que les puzzles à glissières, la Cube de Rubik, et les grilles logiques. Les agents partagent des informations d’état, négocient des affectations de sous-tâches, et appliquent diverses heuristiques pour explorer l’espace de solutions plus efficacement que les approches à un seul agent. Les développeurs peuvent ajouter de nouveaux comportements d’agents, personnaliser les protocoles de communication, et introduire de nouvelles définitions d’énigmes. Le cadre inclut des outils pour la visualisation en temps réel, la collecte de métriques de performance, et la scripting d’expériences. Il supporte Python 3.8+, les bibliothèques standard, et des outils ML populaires pour une intégration transparente dans les projets de recherche.

MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

AgentSimJS est conçu pour faciliter la création et l'exécution de modèles à grande échelle basés sur des agents en JavaScript. Grâce à son architecture modulaire, les développeurs peuvent définir des agents avec des états, capteurs, fonctions de décision et actionneurs personnalisés, puis les intégrer dans des environnements dynamiques paramétrés par des variables globales. Le framework orchestre des simulations à étapes discrets, gère la messagerie basée sur des événements entre agents et enregistre les données d'interaction pour analyse. Les modules de visualisation supportent le rendu en temps réel via Canvas HTML5 ou des bibliothèques externes, tandis que les plugins permettent une intégration avec des outils statistiques. AgentSimJS fonctionne à la fois dans les navigateurs modernes et sous Node.js, le rendant adapté aux applications web interactives, à la recherche académique, aux outils éducatifs et au prototypage rapide d'intelligence en essaim, de dynamique des foules ou d'expériences d'IA distribuée.