O agente de IA Pentago Swap implementa um adversário inteligente para o jogo Pentago Swap, aproveitando um algoritmo de Busca em Árvore de Monte Carlo (MCTS) para explorar e avaliar estados potenciais do jogo. Em cada rodada, o agente simula várias partidas, pontuando as posições do tabuleiro resultantes para identificar jogadas que maximizam a probabilidade de vitória. Ele suporta a personalização de parâmetros de busca como contagem de simulações, constante de exploração e política de partidas, permitindo que os usuários ajustem o desempenho. O agente inclui uma interface de linha de comando para partidas diretas, autojogos para gerar dados de treino e uma API Python para integração em ambientes de jogo ou torneios maiores. Com código modular, facilita a extensão com heurísticas alternativas ou avaliadores de redes neurais para pesquisa avançada e desenvolvimento.

A estrutura YGO-Agent permite que pesquisadores e entusiastas desenvolvam bots de IA que jogam o jogo de cartas Yu-Gi-Oh usando reforço de aprendizado. Ela encapsula o simulador de jogo YGOPRO em um ambiente compatível com OpenAI Gym, definindo representações de estado como mão, campo e pontos de vida, e representações de ação incluindo convocação, ativação de feitiço/armadilha e ataque. As recompensas são baseadas em resultados de vitória/derrota, dano causado e progresso no jogo. A arquitetura do agente usa PyTorch para implementar DQN, com opções para arquiteturas de rede personalizadas, replay de experiência e exploração epsilon-greedy. Módulos de registro gravam curvas de treinamento, taxas de vitória e logs detalhados de movimentos para análise. A estrutura é modular, permitindo que usuários substituam ou estendam componentes como a função de recompensa ou espaço de ação.