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.

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

MultiAgent-Systems-StarCraft2-PySC2-Raw oferece um kit completo para desenvolver, treinar e avaliar múltiplos agentes de IA em StarCraft II. Ele expõe controles de baixo nível para movimento de unidades, ataque e habilidades, enquanto permite uma configuração flexível de recompensas e cenários. Os usuários podem facilmente inserir arquiteturas de redes neurais personalizadas, definir estratégias de coordenação em equipe e registrar métricas. Construído sobre o PySC2, suporta treinamento paralelo, pontos de verificação e visualização, tornando-o ideal para avançar na pesquisa de aprendizado por reforço multiagente cooperativo e adversarial.

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.

A StoreforGPT é uma plataforma online dedicada a exibir criações personalizadas de GPT. Os usuários podem explorar uma variedade diversificada de GPTs adaptados para vários propósitos, tornando fácil encontrar soluções de IA que atendam a necessidades específicas. A plataforma promove a inovação e o envolvimento da comunidade ao permitir que os usuários experimentem e compartilhem seus próprios GPTs. Se você está procurando aumentar a produtividade, otimizar tarefas ou simplesmente experimentar com IA, a StoreforGPT é o lugar para descobrir novas possibilidades.

Dual Coding Agents fornece uma arquitetura modular para construir agentes de IA que combinam perfeitamente compreensão visual e geração de linguagem. A estrutura oferece suporte embutido para codificadores de imagem como OpenAI CLIP, modelos de linguagem baseados em transformadores como GPT, e os orquestra em um pipeline de raciocínio em cadeia. Os usuários podem fornecer imagens e modelos de prompt ao agente, que processa características visuais, raciocina sobre o contexto e produz saídas textuais detalhadas. Pesquisadores e desenvolvedores podem trocar modelos, configurar prompts e estender agentes com plugins. Este kit facilita experimentos em IA multimodal, possibilitando a prototipagem rápida de aplicações que variam de perguntas visuais a análise de documentos, ferramentas de acessibilidade e plataformas educativas.

LLM Clash é uma plataforma dinâmica projetada para entusiastas de IA, pesquisadores e hobbyistas que desejam desafiar seus grandes modelos de linguagem (LLMs) em debates em tempo real contra outros LLMs. A plataforma é versátil, suportando tanto modelos ajustados quanto 'out-of-the-box', estejam eles hospedados localmente ou na nuvem. Isso a torna um ambiente ideal para testar e melhorar o desempenho e as habilidades argumentativas dos seus LLMs. Às vezes, um prompt bem elaborado é tudo que você precisa para mudar a balança em um debate!

multi_agent_celar é projetado como uma plataforma de IA modular que permite comunicação por linguagem emergente entre múltiplos agentes inteligentes em ambientes simulados. Os usuários podem definir comportamentos de agentes via arquivos de política, configurar parâmetros de ambiente e lançar sessões de treinamento coordenadas onde os agentes evoluem seus próprios protocolos de comunicação para resolver tarefas cooperativas. O framework inclui scripts de avaliação, ferramentas de visualização e suporte para experimentos escaláveis, tornando-o ideal para pesquisas sobre colaboração entre múltiplos agentes, linguagem emergente e processos de tomada de decisão.

SimCheck é uma extensão do Chrome projetada para ajudar os usuários a gerar, comparar e visualizar embeddings vetoriais. Esta extensão aproveita os modelos HuggingFace e a biblioteca transformers.js, oferecendo uma interface de fácil utilização para experimentar com embeddings de texto. Os usuários podem criar embeddings, compará-los e visualizar os resultados, tornando-se uma ferramenta valiosa para desenvolvedores, cientistas de dados e entusiastas de NLP. É particularmente útil para entender as semelhanças e diferenças entre dados textuais de uma maneira mais intuitiva e interativa.

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.

CrewAI-Learning é uma biblioteca de código aberto projetada para agilizar projetos de aprendizagem por reforço multiagente. Oferece estruturas de ambiente, definições modulares de agentes, funções de recompensa personalizáveis e um conjunto de algoritmos embutidos como DQN, PPO e A3C adaptados para tarefas colaborativas. Usuários podem definir cenários, gerenciar ciclos de treino, registrar métricas e visualizar resultados. O framework suporta configuração dinâmica de equipes de agentes e estratégias de compartilhamento de recompensas, facilitando o prototipagem, avaliação e otimização de soluções de IA cooperativa em várias áreas.