MAPF_G2RL é uma estrutura de pesquisa de código aberto que une teoria dos gráficos e aprendizagem por reforço profundo para resolver o problema de busca de caminho multiagente (MAPF). Ela codifica nós e arestas em representações vetoriais, define funções de recompensa espacial e conscientes de colisões, e suporta vários algoritmos de RL, como DQN, PPO e A2C. A estrutura automatiza a criação de cenários gerando gráficos aleatórios ou importando mapas do mundo real, e coordena laços de treinamento que otimizam políticas para múltiplos agentes simultaneamente. Após o aprendizado, os agentes são avaliados em ambientes simulados para medir a otimização do caminho, o tempo de execução total e as taxas de sucesso. Seu design modular permite que pesquisadores estendam componentes essenciais, integrem novas técnicas de MARL e façam benchmarks contra solucionadores clássicos.

MARO (Otimização de Recursos Multiagente) é uma estrutura baseada em Python projetada para apoiar o desenvolvimento e avaliação de agentes de aprendizagem por reforço multiagente em cenários de cadeia de suprimentos, logística e gestão de recursos. Inclui modelos de ambientes para gestão de inventário, agendamento de caminhões, cross-docking, aluguel de contêineres e mais. Oferece uma API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulação paralela para treinamento em larga escala e ferramentas de visualização para análise de desempenho. A plataforma é modular, extensível e integra-se com bibliotecas populares de RL, possibilitando pesquisa reprodutível e prototipagem rápida de soluções de otimização baseadas em IA.

Truescope oferece monitoramento e análise de mídia aprimorados por IA, facilitando o rastreamento e a análise da cobertura da mídia em tempo real. Com recursos avançados como processamento de linguagem natural, análise de sentimentos e ferramentas de relatórios abrangentes, a Truescope permite que os usuários visualizem seu desempenho e reputação na mídia tradicional e nas redes sociais, ajudando as partes interessadas a se manterem informadas e proativas.

Colosseum Agent Battles fornece um SDK modular em Python para construir competições de agentes de IA em arenas personalizáveis. Os usuários podem definir ambientes com terrenos, recursos e regras específicos, e implementar estratégias de agentes via interface padronizada. O framework gerencia o agendamento de batalhas, lógica de árbitro e registro em tempo real das ações e resultados dos agentes. Inclui ferramentas para realizar torneios, acompanhar estatísticas de vitória/derrota e visualizar o desempenho dos agentes através de gráficos. Desenvolvedores podem integrar com bibliotecas populares de aprendizado de máquina para treinar agentes, exportar dados de batalha para análise e estender módulos de árbitro para aplicar regras personalizadas. Tudo isso agiliza a avaliação de estratégias de IA em confrontos cara a cara. Também suporta registros em formatos JSON e CSV para análises posteriores.

AI Agents for Rock Paper Scissors é um projeto de código aberto em Python que demonstra como construir, treinar e avaliar diferentes estratégias de IA — jogo aleatório, reconhecimento de padrões baseado em regras e aprendizado por reforço (Q-learning) — no clássico jogo Pedra-Papel-Tesoura. Oferece classes de agentes modulares, um executor de jogo configurável, registro de desempenho e utilitários de visualização. Os usuários podem facilmente trocar agentes, ajustar parâmetros de aprendizagem e explorar o comportamento da IA em cenários competitivos.

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.