Agents-Deep-Researchは、モジュール化および拡張性の高いコードベースを提供することで、自律型AIエージェントの開発とテストを効率化します。ユーザー定義の目標をサブタスクに分解するタスク計画エンジン、コンテキストを保存・取得する長期記憶モジュール、外部APIや模擬環境と連携できるツール統合層を備えています。また、エージェントのパフォーマンスをさまざまなシナリオで測定する評価スクリプトとベンチマークツールも提供します。Python上に構築され、多様なLLMバックエンドに適応可能であり、研究者や開発者が新しいエージェントアーキテクチャを迅速にプロトタイプ化し、再現性のある実験を行い、制御された条件下で異なる計画戦略を比較できるようにします。

BotPlayersは、AI駆動のゲームプレイエージェントの開発と展開を合理化する多用途のオープンソースフレームワークです。画面キャプチャ、ウェブAPI、またはカスタムシミュレーションインターフェースをサポートする柔軟な環境抽象化レイヤーを備え、さまざまなゲームと双方向に連携できます。組み込みの強化学習アルゴリズム、遺伝的アルゴリズム、ルールベースのヒューリスティックを含み、データ記録、モデルチェックポイント、パフォーマンス可視化のツールも提供します。モジュラーなプラグインシステムにより、センサー、アクション、AIポリシーをPythonまたはJavaでカスタマイズ可能です。YAMLベースの設定を利用した迅速なプロトタイピングや自動化されたトレーニング・評価パイプラインもあります。Windows、Linux、macOSでクロスプラットフォームに対応し、実験と知的ゲームエージェントの制作を促進します。

CrewAI-Learningは、多エージェント強化学習プロジェクトを効率化するためのオープンソースライブラリです。環境のスキャフォールディング、モジュール式のエージェント定義、カスタマイズ可能な報酬関数、DQN、PPO、A3Cなど協調タスク向けに適応した内蔵アルゴリズムを提供します。ユーザーはシナリオ定義、トレーニングループ管理、メトリック記録、結果の可視化が可能です。フレームワークはエージェントチームと報酬共有戦略の動的設定をサポートし、さまざまなドメインで協調AIソリューションのプロトタイピング、評価、最適化を容易にします。

crewAI Playgroundは、AI駆動型エージェントの構築と実験のためのツールキットとサンドボックスです。設定ファイルまたはコードでエージェントを定義し、プロンプト、ツール、メモリモジュールを指定します。プレイグラウンドは複数のエージェントを同時に実行し、メッセージのルーティングや会話履歴のログを処理します。外部データソース用のプラグイン統合、カスタマイズ可能なメモリバックエンド（インメモリまたは永続的）、テスト用のWebインターフェースをサポートします。これにより、チャットボット、バーチャルアシスタント、自動化ワークフローのプロトタイピングが行えます。

Flocking Multi-Agentは、群れの知能を示す自律エージェントをシミュレートするモジュール式ライブラリを提供します。コヒージョン、セパレーション、アラインメントの基本的な操舵行動と、障害物回避、動的ターゲット追跡を含みます。PythonとPygameを用いてビジュアル化し、近隣半径、最大速度、回転力などのパラメータ調整が可能です。カスタム行動関数やロボットやゲームエンジンへの統合フックを通じて拡張性も持たせられ、多様なAIやロボティクス、ゲーム開発、学術研究に理想的です。これらのシンプルな局所ルールが複雑なグローバル形成を如何に導くかを示します。

MARFTはPythonベースのLLMを対象とし、再現性のある実験と協調AIシステムの迅速なプロトタイピングを可能にします。

このオープンソースプロジェクトは、PyTorchとUnity ML-Agentsを基盤とした完全な多エージェント強化学習フレームワークを提供します。分散型DDPGアルゴリズム、環境ラッパー、訓練スクリプトを含みます。ユーザーはエージェントのポリシー、批評ネットワーク、リプレイバッファー、並列訓練ワーカーを設定できます。ロギングフックによりTensorBoardでの監視が可能で、モジュラーコードはカスタム報酬関数や環境パラメータをサポートします。リポジトリには協力ナビゲーションタスクを示すサンプルUnityシーンが含まれ、シミュレーション内での多エージェントシナリオの拡張やベンチマークに最適です。

MultiAgent-Systems-StarCraft2-PySC2-Rawは、StarCraft IIで複数のAIエージェントを開発、訓練、評価するための完全なツールキットを提供します。ユニットの移動やターゲット指定、能力制御の低レベルコントロールを公開し、柔軟な報酬設計とシナリオ構成を可能にします。ユーザーはカスタムニューラルネットワークアーキテクチャを簡単に組み込み、チーム間の協調戦略を定義し、メトリクスを記録できます。PySC2上に構築されており、並列訓練、チェックポイント作成、可視化をサポートし、協調型・対抗型のマルチエージェント強化学習の研究を進めるのに理想的です。

PettingZooゲーム用の強化学習エージェントは、Pythonベースのコードライブラリであり、PettingZoo環境上でのマルチエージェントRL用のDQN、PPO、およびA2Cアルゴリズムをすぐに利用できる形で提供します。標準化されたトレーニングと評価のスクリプト、設定可能なハイパーパラメータ、TensorBoardログの統合、競争的ゲームと協力的ゲームの両方をサポートしています。研究者や開発者はリポジトリをクローンし、環境とアルゴリズムのパラメータを調整し、トレーニングセッションを実行し、メトリクスを可視化してマルチエージェントRL実験を迅速に比較・反復できます。

StoreforGPTは、カスタムGPT作品を紹介するためのオンラインプラットフォームです。ユーザーは、さまざまな目的に合わせた多様なGPTを探索できるため、特定のニーズに応じたAIソリューションを簡単に見つけることができます。このプラットフォームは、ユーザーが自分のGPTを試したり共有したりできることで、革新とコミュニティ参加を促進します。生産性を高めたり、タスクを効率化したり、単にAIを試したりしたい方は、StoreforGPTで新たな可能性を発見してください。

DemoGPTは、OpenAI GPTモデルを使用したAIエージェントのコアコンセプトを示すためのオープンソースPythonプロジェクトです。持続性のあるメモリをJSONファイルに保存し、セッション間でコンテキスト認識型のインタラクションを可能にします。フレームワークは、Web検索や計算、自作拡張などの動的なツール実行をプラグインスタイルのアーキテクチャでサポートします。APIキーを設定し、依存関係をインストールするだけで、ローカルでDemoGPTを実行でき、チャットボットのプロトタイピング、多ターン対話フローの探索、エージェント駆動のワークフローのテストを行えます。これらの包括的なデモは、実世界のシナリオでGPT搭載エージェントを構築、カスタマイズ、実験するための実践的な基盤を開発者や研究者に提供します。

Dreamspace.artは、AIモデルを実験するための無限キャンバスを提供する多目的プラットフォームです。ユーザーはプロンプトを実行し、出力を視覚化および比較し、それらを連結して大規模な言語モデルからの理解や洞察を深めることができます。AIの出力を分析する研究者であれ、視覚フォーマットに思考を整理したいクリエイティブプロフェッショナルであれ、Dreamspace.artはAI技術を使って責任を持って実験し、革新するためのツールを提供します。

Dual Coding Agentsは、視覚理解と言語生成をシームレスに組み合わせるモジュラーアーキテクチャを提供します。フレームワークはOpenAI CLIPのような画像エンコーダやGPTのようなトランスフォーマーベースの言語モデルをサポートし、それらを思考連鎖パイプライン内で調整します。ユーザーは画像やプロンプトテンプレートをエージェントに提供し、視覚的特徴を処理し、コンテキストについて推論し、詳細なテキスト出力を生成します。研究者や開発者はモデルの交換、プロンプトの構成、プラグインによる拡張が可能です。このツールキットは、多モーダルAIの実験を簡素化し、ビジュアル質問応答、ドキュメント分析、アクセシビリティツール、教育プラットフォームなどのアプリケーションの迅速なプロトタイピングを可能にします。

echoOLlamaは、Ollamaエコシステムを活用し、最小限のエージェントフレームワークを提供します。端末からユーザ入力を読み取り、設定されたローカルLLMに送信し、リアルタイムで応答をストリーミングします。ユーザはインタラクションのシーケンスをスクリプト化し、プロンプトを連鎖させ、モデルのコードを変更せずにプロンプトエンジニアリングを試すことができます。これにより、会話パターンのテストやシンプルなコマンド駆動ツールの構築、反復的なエージェントタスクの処理に最適です。

LLM Clashは、AI愛好者、研究者、ホビイストがリアルタイムで他の大型言語モデル（LLM）に挑戦するために設計された動的プラットフォームです。このプラットフォームは、微調整されたモデルと標準モデルの両方をサポートしており、ローカルホスティングやクラウドベースのものに関係なく使用できます。これにより、あなたのLLMの性能と議論能力をテストし向上させるための理想的な環境が提供されます。時には、巧妙に作成されたプロンプトが、議論で優位に立つために必要なすべてです！

multi_agent_celarは、模擬環境内で複数のインテリジェントエージェント間の出現言語によるコミュニケーションを可能にするモジュラーAIプラットフォームとして設計されています。ユーザーはポリシーファイルを通じてエージェントの挙動を定義し、環境パラメータを設定し、エージェントが自らの通信プロトコルを進化させて協力タスクを解決する協調トレーニングを開始できます。このフレームワークには、評価スクリプト、可視化ツール、およびスケーラブルな実験のサポートが含まれており、多エージェントコラボレーション、出現言語、意思決定プロセスに関する研究に最適です。

PommerLearnは、研究者や開発者がPommermanゲーム環境でマルチエージェントRLボットを訓練できるようにします。人気のあるアルゴリズム（PPO、DQN）のあらかじめ用意された実装、ハイパーパラメータ用の柔軟な設定ファイル、自動ロギングとトレーニングメトリクスの可視化、モデルのチェックポイント、評価スクリプトを含みます。そのモジュール化されたアーキテクチャにより、新しいアルゴリズムの拡張、環境のカスタマイズ、PyTorchなどの標準MLライブラリとの統合が容易です。

ThreeAgentsはPythonで構築されており、OpenAIのチャット完了APIを利用して、異なる役割（システム、アシスタント、ユーザー）を持つ複数のAIエージェントを実装します。エージェントのプロンプトや役割に基づくメッセージ処理、コンテキストメモリ管理の抽象化を提供します。開発者はカスタムプロンプトテンプレートを定義し、エージェントの性格を設定し、インタラクションを連結して現実的な対話やタスク指向のワークフローをシミュレートできます。フレームワークはメッセージのやり取り、コンテキストウィンドウの管理、ログ記録を処理し、協調的な意思決定や階層的タスク分解の実験を可能にします。環境変数やモジュール式エージェントのサポートにより、OpenAIとローカルのLLMバックエンド間の切り替えもシームレスに行え、マルチエージェントAIシステムの迅速なプロトタイピングを可能にします。例のスクリプトやDockerサポート付きで、素早くセットアップできます。