mini-agiは、最小限でモジュール式のフレームワークを提供することで、自律型AIエージェントの作成を容易にします。Pythonで書かれ、OpenAIの言語モデルを活用して高レベルの目標を解釈し、それをサブタスクに分解し、HTTPリクエストやファイル操作、カスタムアクションなどのツール呼び出しを調整します。フレームワークには、エージェントの状態と結果を追跡するメモリストレージ、コストに基づくヒューリスティックによるタスク分解用のプランナーモジュール、そしてツールを順次呼び出すエグゼキューターモジュールが含まれます。設定ファイルを使用して、カスタムツールを注入したり、プロンプトテンプレートを定義したり、計画深度を調整可能です。mini-agiの軽量アーキテクチャは、研究クエリの実行、自動化ワークフロー、コードの自律生成を行うAIエージェントのプロトタイプに最適です。

このリポジトリは、StarCraft IIのゲームプレイ研究のためのエンドツーエンドの強化学習フレームワークを提供します。メインエージェントはProximal Policy Optimization（PPO）を使用し、PySC2環境からの観察データを解釈して、正確なゲーム内アクションを出力します。開発者はニューラルネットワークの層、報酬の調整、訓練スケジュールをカスタマイズして性能向上を図れます。システムは、サンプル収集の効率化のためのマルチプロセッシング、訓練曲線の監視用ロギングユーティリティ、スクリプト化やビルトインAI対戦用の評価スクリプトをサポートします。コードはPythonで書かれ、TensorFlowを用いてモデルの定義と最適化を行います。ユーザーは、カスタム報酬関数、状態前処理、ネットワークアーキテクチャなどのコンポーネントを拡張可能です。

AIエージェント for じゃんけんは、ランダムプレイ、ルールベースのパターン認識、強化学習（Q学習）を用いて、伝統的なじゃんけんゲームでAI戦略を構築、訓練、評価する方法を示すオープンソースのPythonプロジェクトです。モジュール式のエージェントクラス、設定可能なゲーム実行環境、パフォーマンスのログ記録と視覚化ツールを提供します。ユーザーはエージェントを簡単に差し替え、学習パラメータを調整し、対戦シナリオにおけるAIの挙動を探索できます。