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.

Wizard Language é uma linguagem específica de domínio declarativa baseada em TypeScript para criar assistentes de IA como magos. Os desenvolvedores definem passos impulsionados por intenção, prompts, invocações de ferramentas, lojas de memória e lógica de ramificação em um DSL conciso. Internamente, Wizard Language compila essas definições em chamadas orquestradas ao LLM, gerenciando contexto, fluxos assíncronos e tratamento de erros. Acelera a prototipagem de chatbots, assistentes de recuperação de dados e fluxos de trabalho automatizados ao abstrair a engenharia de prompts e a gestão de estado em componentes reutilizáveis.

AskAtlasAI-Agent capacita desenvolvedores a implantarem agentes de IA que respondem a consultas em linguagem natural contra qualquer conjunto de documentos armazenados no MongoDB Atlas.Coordena chamadas de LLM para incorporação, busca e geração de respostas, gerencia o contexto da conversa e oferece cadeias de prompts configuráveis. Construído em JavaScript/TypeScript, requer configuração mínima: conecte seu cluster Atlas, forneça credenciais da OpenAI, ingira ou referencie seus documentos e comece a consultar via API simples. Também suporta extensões com funções de classificação personalizadas, backends de memória e orquestração multi-modelo.

autogen4j é uma biblioteca leve em Java projetada para abstrair a complexidade de construir agentes de IA autônomos. Oferece módulos principais para planejamento, armazenamento de memória e execução de ações, permitindo que agentes decomponham objetivos de alto nível em subtarefas sequenciais. O framework se integra com provedores de LLM (por exemplo, OpenAI, Anthropic) e permite registrar ferramentas personalizadas (clientes HTTP, conectores de bancos de dados, entrada/saída de arquivos). Desenvolvedores definem agentes por meio de uma DSL fluida ou anotações, montando pipelines rapidamente para enriquecimento de dados, relatórios automatizados e bots conversacionais. Um sistema de plugins extensível garante flexibilidade, possibilitando comportamentos ajustados em diversas aplicações.

A estrutura do Agente RAG Controlável fornece uma abordagem modular para construir sistemas de Geração Aumentada por Recuperação. Permite configurar e encadear componentes de recuperação, módulos de memória e estratégias de geração. Desenvolvedores podem conectar diferentes LLMs, bancos de dados vetoriais e controladores de políticas para ajustar como os documentos são recuperados e processados antes da geração. Construído em Python, inclui utilitários para indexação, consulta, rastreamento do histórico de conversação e fluxos de controle baseados em ações, tornando-o ideal para chatbots, assistentes de conhecimento e ferramentas de pesquisa.

GenAI Processors fornece uma biblioteca de processadores reutilizáveis e configuráveis para construir fluxos de trabalho de IA generativa de ponta a ponta. Os desenvolvedores podem ingerir documentos, dividi-los em pedaços semânticos, gerar embeddings, armazenar e consultar vetores, aplicar estratégias de recuperação e construir prompts dinamicamente para chamadas de modelos de linguagem grande. Seu design plug-and-play permite fácil extensão de passos de processamento personalizados, integração transparente com serviços Google Cloud ou lojas de vetores externas e orquestração de pipelines RAG complexos para tarefas como resposta a perguntas, sumarização e recuperação de conhecimento.

Janus Pro é um gerador de imagens AI de ponta que utiliza modelos avançados para criar imagens de alta qualidade a partir de descrições de texto. Construído com a arquitetura DeepSeek-LLM com 7 bilhões de parâmetros, o Janus Pro oferece desempenho excepcional tanto em compreensão multimodal quanto em tarefas de geração visual. Ele aproveita uma nova estrutura autoregressiva e caminhos de codificação separados para entregar qualidade de imagem, detalhes e precisão superiores. Disponível gratuitamente e como código aberto, o Janus Pro é projetado para ser fácil de usar, permitindo que os usuários transformem suas ideias criativas em visuais impressionantes sem esforço.

Mina fornece uma base leve, mas poderosa, para construir agentes de IA em Python. Você pode definir ferramentas personalizadas (como scrapers web, calculadoras ou conectores de banco de dados), anexar buffers de memória para manter o contexto da conversa e orquestrar sequências de chamadas a modelos de linguagem para raciocínio de várias etapas. Baseado nas APIs comuns de LLM, Mina lida com execução assíncrona, tratamento de erros e registro de log por padrão. Seu design modular torna fácil estender com novas capacidades, enquanto a interface CLI permite prototipagem rápida e implantação de aplicações dirigidas por agentes.

MS-Office-AI é uma estrutura Python de código aberto que integra perfeitamente os modelos GPT-3/GPT-4 da OpenAI com aplicações do Microsoft Office via API COM. Oferece a desenvolvedores e usuários avançados um conjunto de funções para automatizar a criação de conteúdo e análise de dados dentro do Word, Excel e PowerPoint. Com chamadas de método simples, você pode gerar rascunhos completos de documentos, resumir pontos principais de textos existentes, gerar automaticamente tabelas e gráficos a partir de consultas em linguagem natural e montar decks de slides estruturados. O pacote gerencia a comunicação com a API, controle de erros e interações com o modelo de objeto do Office, permitindo que você se concentre na criação de prompts e fluxos de trabalho. Se precisar redigir relatórios, analisar conjuntos de dados ou construir apresentações, o MS-Office-AI acelera sua produtividade ao incorporar IA diretamente ao seu ambiente familiar.

Llama-Agent é um kit de Ferramentas voltado para desenvolvedores para criar agentes de IA inteligentes alimentados por grandes modelos de linguagem. Oferece integração de ferramentas para chamar APIs ou funções externas, gerenciamento de memória para armazenar e recuperar contexto, e planejamento de cadeia de pensamento para dividir tarefas complexas. Os agentes podem executar ações, interagir com ambientes personalizados e se adaptar por meio de um sistema de plugins. Como um projeto de código aberto, suporta fácil extensão de componentes principais, permitindo experimentação rápida e implantação de fluxos de trabalho automatizados em várias áreas.

MADDPG-Keras oferece uma estrutura completa para pesquisa em aprendizado por reforço multiagente ao implementar o algoritmo MADDPG em Keras. Suporta espaços de ação contínuos, múltiplos agentes e ambientes padrão do OpenAI Gym. Pesquisadores e desenvolvedores podem configurar arquiteturas de redes neurais, hiperparâmetros de treinamento e funções de recompensa, iniciando experimentos com registros integrados e checkpointing de modelos para acelerar o aprendizado de políticas multiagente e benchmarking.

MAGAIL implementa uma extensão multi-agente da Aprendizagem por Imitation Adversarial Generativa, permitindo que grupos de agentes aprendam comportamentos coordenados a partir de demonstrações de especialistas. Construída em Python com suporte para PyTorch (ou variantes do TensorFlow), MAGAIL consiste em módulos de política (gerador) e discriminador que são treinados em um ciclo adversarial. Os agentes geram trajetórias em ambientes como OpenAI Multi-Agent Particle Environment ou PettingZoo, que o discriminador avalia quanto à autenticidade em relação aos dados de especialistas. Através de atualizações iterativas, as redes de políticas convergem para estratégias semelhantes às dos especialistas sem funções de recompensa explícitas. O design modular do MAGAIL permite personalizar arquiteturas de rede, ingestão de dados de especialistas, integração com ambientes e hiperparâmetros de treinamento. Além disso, registros integrados e visualização no TensorBoard facilitam o monitoramento e análise do progresso e desempenho do aprendizado multi-agente.