jason-RL adiciona uma camada de aprendizagem por reforço ao framework de múltiplos agentes Jason, permitindo que agentes AgentSpeak BDI aprendam políticas de seleção de ações via feedback de recompensa. Implementa algoritmos Q-learning e SARSA, suporta a configuração de parâmetros de aprendizado (taxa de aprendizado, fator de desconto, estratégia de exploração) e registra métricas de treinamento. Definindo funções de recompensa nos planos dos agentes e executando simulações, os desenvolvedores podem observar os agentes melhorarem sua tomada de decisão ao longo do tempo, adaptando-se a ambientes em mudança sem programação manual de políticas.

CamelAGI é uma estrutura de código aberto projetada para simplificar a criação de agentes autônomos de IA. Apresenta uma arquitetura de plugin para ferramentas personalizadas, integração de memória de longo prazo para persistência de contexto e suporte para vários modelos de linguagem grande como GPT-4 e Llama 2. Através de módulos de planejamento e execução explícitos, os agentes podem decompor tarefas, chamar APIs externas e se adaptar ao longo do tempo. A extensibilidade do CamelAGI e sua abordagem orientada pela comunidade o tornam adequado para protótipos de pesquisa, sistemas de produção e projetos educacionais.