RL Shooter é uma estrutura baseada em Python que integra ViZDoom com APIs do OpenAI Gym para criar um ambiente de aprendizagem por reforço flexível para jogos FPS. Os usuários podem definir cenários, mapas e estruturas de recompensa personalizadas para treinar agentes em tarefas de navegação, detecção de alvos e tiro. Com quadros de observação ajustáveis, espaços de ação e facilidades de registro, suporta bibliotecas populares de RL profundo como Stable Baselines e RLlib, permitindo acompanhamento claro de desempenho e reprodutibilidade entre experimentos.

Team Coordination é uma biblioteca leve em Python projetada para simplificar a orquestração de múltiplos agentes de IA trabalhando juntos em tarefas complexas. Ao definir papéis especializados de agentes — como planejadores, executores, avaliadores ou comunicadores — os usuários podem decompor um objetivo de alto nível em subtarefas gerenciáveis, delegá-las a agentes individuais e facilitar a comunicação estruturada entre eles. A estrutura gerencia execução assíncrona, roteamento de protocolos e agregação de resultados, permitindo que equipes de agentes de IA colaborem de forma eficiente. Seu sistema de plugins suporta integração com modelos de linguagem grande (LLMs), APIs e lógica personalizada, tornando-se ideal para aplicações em atendimento ao cliente automatizado, pesquisa, IA de jogos e pipelines de processamento de dados. Com abstrações claras e componentes extensíveis, Team Coordination acelera o desenvolvimento de fluxos de trabalho escaláveis de múltiplos agentes.

HFO_DQN combina Python e TensorFlow para fornecer um pipeline completo para treinar agentes de futebol usando Deep Q-Networks. Os usuários podem clonar o repositório, instalar dependências incluindo o simulador HFO e bibliotecas Python, e configurar os parâmetros de treinamento em arquivos YAML. O framework implementa experiência de replay, atualizações de rede alvo, exploração epsilon-greedy e modelagem de recompensas específicas para o domínio offense de meio campo. Possui scripts para treinamento de agentes, registro de desempenho, partidas de avaliação e plotagem de resultados. A estrutura modular de código permite integrar arquiteturas de rede neural personalizadas, algoritmos RL alternativos e estratégias de coordenação multiagentes. As saídas incluem modelos treinados, métricas de desempenho e visualizações de comportamento, facilitando a pesquisa em aprendizado por reforço e sistemas multiagentes.