DEf-MARL (Estrutura de Execução Descentralizada para Aprendizado por Reforço Multiagente) fornece uma infraestrutura robusta para executar e treinar agentes cooperativos sem controladores centralizados. Ela utiliza protocolos de comunicação ponto a ponto para compartilhar políticas e observações entre agentes, permitindo coordenação por meio de interações locais. A estrutura se integra perfeitamente com ferramentas comuns de RL, como PyTorch e TensorFlow, oferecendo wrappers personalizáveis de ambientes, coleta distribuída de rollout e módulos de sincronização de gradientes. Os usuários podem definir espaços de observação específicos do agente, funções de recompensa e topologias de comunicação. O DEf-MARL suporta adição e remoção dinâmica de agentes em tempo de execução, execução tolerante a falhas através da replicação de estados críticos entre nós e agendamento adaptativo de comunicação para equilibrar exploração e explotação. Ele acelera o treinamento ao paralelizar simulações de ambientes e reduzir gargalos centrais, tornando-o adequado para pesquisa em MARL em grande escala e simulações industriais.

A estrutura do Agente RAG Controlável fornece uma abordagem modular para construir sistemas de Geração Aumentada por Recuperação. Permite configurar e encadear componentes de recuperação, módulos de memória e estratégias de geração. Desenvolvedores podem conectar diferentes LLMs, bancos de dados vetoriais e controladores de políticas para ajustar como os documentos são recuperados e processados antes da geração. Construído em Python, inclui utilitários para indexação, consulta, rastreamento do histórico de conversação e fluxos de controle baseados em ações, tornando-o ideal para chatbots, assistentes de conhecimento e ferramentas de pesquisa.

MIDCA é uma arquitetura cognitiva modular projetada para suportar o ciclo cognitivo completo de agentes inteligentes. Ela processa entradas sensoriais através de um módulo de percepção, interpreta os dados para gerar e priorizar metas, utiliza um planejador para criar sequências de ação, executa tarefas e depois avalia os resultados através de uma camada metacognitiva. O design de ciclo duplo separa respostas reativas rápidas de raciocínios deliberativos mais lentos, permitindo que os agentes se adaptem dinamicamente. A estrutura extensível e o código de código aberto de MIDCA a tornam ideal para pesquisadores e desenvolvedores explorarem tomada de decisão autônoma, aprendizado e autorreflexão em agentes de IA.