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

No seu núcleo, o RAG avançado fornece aos desenvolvedores uma arquitetura modular para implementar fluxos de trabalho RAG. A estrutura apresenta componentes intercambiáveis para ingestão de documentos, estratégias de fragmentação, geração de embeddings, persistência de banco de dados vetorial e invocação de LLM. Essa modularidade permite aos usuários misturar e combinar backends de embedding (OpenAI, HuggingFace, etc.) e bancos de dados vetoriais (FAISS, Pinecone, Milvus). O RAG avançado também inclui utilitários para processamento em lote, camadas de cache e scripts de avaliação de métricas de precisão/recall. Ao abstrair padrões comuns de RAG, reduz a quantidade de código repetitivo e acelera a experimentação, tornando-o ideal para chatbots baseados em conhecimento, busca empresarial e sumarização dinâmica de grandes coleções de documentos.

O Mean-Field MARL fornece uma estrutura robusta em Python para implementar e avaliar algoritmos de aprendizado por reforço multiagente de campo médio. Ele aproxima interações em grande escala de agentes modelando o efeito médio dos agentes vizinhos via Q-learning de campo médio. A biblioteca inclui wrappers de ambientes, módulos de políticas de agentes, loops de treinamento e métricas de avaliação, permitindo treinamento escalável com centenas de agentes. Construído em PyTorch para aceleração GPU, suporta ambientes personalizáveis como Particle World e Gridworld. Seu design modular permite fácil extensão com novos algoritmos, enquanto as ferramentas integradas de registro e visualização baseadas em Matplotlib acompanham recompensas, curvas de perda e distribuições de campo médio. Scripts de exemplo e documentação orientam os usuários na configuração, na experimentação e na análise de resultados, tornando-o ideal tanto para pesquisa quanto para prototipagem de sistemas multiagentes em grande escala.

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.

Trinity-RFT (Retrieval Fine-Tuning) é uma estrutura unificada de código aberto projetada para melhorar a precisão e eficiência do modelo combinando fluxos de trabalho de recuperação e ajuste fino. Os usuários podem preparar um corpus, construir um índice de recuperação e inserir o contexto recuperado diretamente nos loops de treinamento. Suporta recuperação multimodal para texto, imagens e vídeos, integra-se com armazenamentos de vetores populares e oferece métricas de avaliação e scripts de implantação para prototipagem rápida e implantação em produção.

Advanced_RAG fornece um pipeline modular para tarefas de geração aumentada por recuperação, incluindo carregadores de documentos, construtores de índices vetoriais e gerenciadores de cadeias. Os usuários podem configurar diferentes bancos de dados vetoriais (FAISS, Pinecone), personalizar estratégias de buscadores (pesquisa por similaridade, pesquisa híbrida), e conectar qualquer LLM para gerar respostas contextuais. Também suporta métricas de avaliação e registro de desempenho, sendo projetado para escalabilidade e flexibilidade em ambientes de produção.

gym-llm estende o ecossistema OpenAI Gym para grandes modelos de linguagem, definindo ambientes baseados em texto nos quais os agentes LLM interagem por meio de prompts e ações. Cada ambiente segue as convenções de passo, reinicialização e renderização do Gym, emitindo observações como texto e aceitando respostas geradas pelo modelo como ações. Os desenvolvedores podem criar tarefas personalizadas especificando modelos de prompts, cálculos de recompensa e condições de terminação, possibilitando avaliações sofisticadas de tomada de decisão e conversação. A integração com bibliotecas populares de RL, ferramentas de registro e métricas de avaliação configuráveis facilita experimentos de ponta a ponta. Seja avaliando a capacidade de um LLM resolver puzzles, gerenciar diálogos ou navegar em tarefas estruturadas, o gym-llm fornece uma estrutura padronizada e reprodutível para pesquisa e desenvolvimento de agentes de linguagem avançados.