Este repositório fornece uma estrutura completa de aprendizado por reforço para pesquisa de jogabilidade em StarCraft II. O agente principal usa Proximal Policy Optimization (PPO) para aprender redes de política que interpretam dados de observação do ambiente PySC2 e geram ações precisas no jogo. Desenvolvedores podem configurar camadas de redes neurais, modelagem de recompensas e cronogramas de treinamento para otimizar o desempenho. O sistema suporta multiprocessamento para coleta eficiente de amostras, utilitários de registro para monitorar curvas de treinamento e scripts de avaliação para executar políticas treinadas contra oponentes scriptados ou IA incorporada. O código é escrito em Python e utiliza TensorFlow para definição e otimização de modelos. Usuários podem estender componentes como funções de recompensa personalizadas, pré-processamento de estado ou arquiteturas de rede para atender a objetivos de pesquisa específicos.

Dino Reinforcement Learning oferece uma caixa de ferramentas abrangente para treinar um agente de IA a jogar o jogo do dinossauro do Chrome via aprendizado por reforço. Integrando-se com uma instância headless do Chrome através do Selenium, captura quadros do jogo em tempo real e os processa em representações de estado otimizadas para entradas de redes Q profundas. O framework inclui módulos para memória de replay, exploração epsilon-greedy, modelos de redes neurais convolucionais e loops de treinamento com hiperparâmetros personalizáveis. Os usuários podem monitorar o progresso do treinamento via logs no console e salvar pontos de verificação para avaliações posteriores. Após o treinamento, o agente pode ser implantado para jogar jogos ao vivo autonomamente ou avaliado contra diferentes arquiteturas de modelos. O design modular permite substituição fácil de algoritmos de RL, tornando-o uma plataforma flexível para experimentação.

Este bootcamp cobre o framework LangChain de ponta a ponta, permitindo que você construa Agentes de IA em Python. Você explorará templates de prompts, composição de cadeias, ferramentas de agentes, memória conversacional e recuperação de documentos. Através de notebooks interativos e exercícios detalhados, você implementará chatbots, fluxos de trabalho automatizados, sistemas de perguntas e respostas e cadeias de agentes personalizadas. Ao final do curso, você entenderá como implantar e otimizar agentes baseados em LangChain para diversas tarefas.

mini-agi foi projetado para simplificar a criação de agentes de IA autônomos fornecendo uma estrutura modular e minimalista. Construído em Python, ele aproveita os modelos de linguagem da OpenAI para interpretar metas de alto nível, decompor em sub-tarefas e orquestrar chamadas de ferramentas, como requisições HTTP, operações em arquivos ou ações personalizadas. O framework inclui armazenamento de memória para rastrear o estado do agente e resultados, um módulo planejador para decomposição de tarefas usando heurísticas baseadas em custo, e um módulo executor que invoca sequencialmente as ferramentas. Com arquivos de configuração, os usuários podem inserir ferramentas personalizadas, definir modelos de prompts e ajustar a profundidade de planejamento. A arquitetura leve do mini-agi o torna ideal para prototipagem de agentes de IA que realizam consultas de pesquisa, automatizam fluxos de trabalho ou geram código de forma autônoma.