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.

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.

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.