Flocking Multi-Agent fornece uma biblioteca modular para simular agentes autônomos que exibem inteligência de enxame. Codifica comportamentos centrais de direção: coesão, separação e alinhamento, além de evasão de obstáculos e perseguição a objetivos dinâmicos. Usando Python e Pygame para visualização, a estrutura permite ajustar parâmetros como o raio dos vizinhos, velocidade máxima e força de giro. Suporta extensibilidade através de funções personalizadas de comportamento e ganchos de integração para plataformas robóticas ou motores de jogo. Ideal para experimentos em IA, robótica, desenvolvimento de jogos e pesquisa acadêmica, demonstrando como regras locais simples levam a formações globais complexas.

O LLM Playground serve como uma ferramenta abrangente para pesquisadores e desenvolvedores interessados em Grandes Modelos de Linguagem (LLMs). Os usuários podem experimentar diferentes prompts, avaliar respostas de modelos e implantar aplicativos. A plataforma suporta uma variedade de LLMs e inclui recursos para comparação de desempenho, permitindo que os usuários vejam qual modelo se adapta melhor às suas necessidades. Com sua interface acessível, o LLM Playground tem como objetivo simplificar o processo de interação com tecnologias avançadas de aprendizado de máquina, tornando-se um recurso valioso tanto para educação quanto para experimentação.

MARFT é uma biblioteca baseada em Python para LLMs, permitindo experimentos reprodutíveis e prototipagem rápida de sistemas de IA colaborativos.

Agentes de Aprendizado por Reforço para Jogos PettingZoo é uma biblioteca de código Python que entrega algoritmos prontos de DQN, PPO e A2C para aprendizado por reforço multiagente nos ambientes PettingZoo. Possui scripts padronizados de treinamento e avaliação, hiperparâmetros configuráveis, registro integrado no TensorBoard e suporte tanto para jogos competitivos quanto cooperativos. Pesquisadores e desenvolvedores podem clonar o repositório, ajustar os parâmetros do ambiente e do algoritmo, executar sessões de treinamento e visualizar métricas para avaliar e iterar rapidamente suas experiências em RL multiagente.

Vanilla Agents é uma estrutura leve baseada em PyTorch que fornece implementações modulares e extensíveis de agentes de reforço fundamentais. Suporta algoritmos como DQN, Double DQN, PPO e A2C, com wrappers de ambiente plugáveis compatíveis com OpenAI Gym. Os usuários podem configurar hiperparâmetros, registrar métricas de treinamento, salvar pontos de verificação e visualizar curvas de aprendizagem. A base de código é organizada para clareza, tornando-a ideal para prototipagem de pesquisa, uso educacional e benchmarking de novas ideias em RL.

CAMEL-AI é uma estrutura baseada em Python que permite que desenvolvedores e pesquisadores construam, configurem e executem múltiplos agentes de IA autônomos alimentados por LLMs. Oferece suporte embutido para geração aumentada por recuperação (RAG), uso de ferramentas externas, comunicação entre agentes, gestão de memória e estado e agendamento. Com componentes modulares e fácil integração, equipes podem prototipar sistemas multi-agentes complexos, automatizar fluxos de trabalho e escalar experimentos com diferentes backends de LLM.