MARL-DPP é uma estrutura de código aberto que permite aprendizado por reforço multiagente (MARL) com diversidade garantida através de Processos de Pontos Determinantes (DPP). Abordagens tradicionais de MARL frequentemente sofrem de convergência de políticas para comportamentos semelhantes; MARL-DPP aborda isso incorporando medidas baseadas em DPP para encorajar os agentes a manter distribuições de ações diversas. O kit de ferramentas fornece código modular para incorporar DPP nos objetivos de treinamento, amostragem de políticas e gerenciamento de exploração. Inclui integração pronta para uso com ambientes padrão do OpenAI Gym e do Ambiente de Partículas Multiagente (MPE), além de utilitários para gerenciamento de hiperparâmetros, registro e visualização de métricas de diversidade. Pesquisadores podem avaliar o impacto de restrições de diversidade em tarefas cooperativas, alocação de recursos e jogos competitivos. O design extensível suporta ambientes personalizados e algoritmos avançados, facilitando a exploração de variantes do MARL-DPP.

FreeThinker fornece uma arquitetura modular para definir agentes de IA que podem executar tarefas de forma autônoma aproveitando grandes modelos de linguagem, módulos de memória e ferramentas externas. Os desenvolvedores podem configurar agentes via Python ou YAML, conectar ferramentas customizadas para busca na web, processamento de dados ou chamadas de API, e usar estratégias de planejamento integrado. A estrutura gerencia execução passo a passo, retenção de contexto e agregação de resultados para que os agentes possam operar de forma hands-free em pesquisas, automação ou fluxos de suporte à decisão.

Agentic Workflow é uma estrutura declarativa que permite a desenvolvedores definir fluxos de trabalho de IA complexos encadeando múltiplos agentes baseados em LLM, cada um com funções, prompts e lógica de execução personalizáveis. Oferece suporte interno para orquestração de tarefas, gerenciamento de estado, tratamento de erros e integrações de plugins, permitindo uma interação fluida entre agentes e ferramentas externas. A biblioteca utiliza Python e configurações em YAML para abstração da definição de agentes, suporta fluxos de execução assíncronos e oferece extensibilidade por meio de conectores e plugins personalizados. Como projeto de código aberto, inclui exemplos detalhados, modelos e documentação para ajudar equipes a acelerar o desenvolvimento e manter ecossistemas complexos de agentes de IA.