Ce projet open-source offre un cadre complet d'apprentissage par renforcement multi-agent basé sur PyTorch et Unity ML-Agents. Il propose des algorithmes DDPG décentralisés, des wrappers d'environnements et des scripts d'entraînement. Les utilisateurs peuvent configurer les politiques d'agents, les réseaux critiques, les buffers de relecture et les travailleurs d'entraînement parallèles. Les hooks de journalisation permettent la surveillance avec TensorBoard, tandis qu'une architecture modulaire supporte des fonctions de récompense et paramètres d'environnement personnalisés. Le dépôt inclut des scènes Unity d'exemple illustrant des tâches de navigation collaborative, idéal pour étendre et benchmarker des scénarios multi-agent en simulation.

Enso est une plateforme compatible avec le navigateur qui permet aux utilisateurs de créer des agents IA personnalisés via un constructeur visuel basé sur des flux. Les utilisateurs glissent-déposent des composants modulaires de code et IA, configurent des intégrations API, intègrent des interfaces de chat, et prévisualisent des flux de travail interactifs en temps réel. Après la conception, les agents peuvent être testés instantanément et déployés en un clic dans le cloud ou exportés en conteneurs. Enso simplifie les tâches complexes d'automatisation en combinant la simplicité du no-code avec l'extensibilité complète du code, permettant un développement rapide d'assistants intelligents et de flux de travail basés sur les données.