HMAS é uma estrutura de código aberto em Python que permite o desenvolvimento de sistemas multiagente hierárquicos. Oferece abstrações para definir hierarquias de agentes, protocolos de comunicação entre agentes, integração de ambientes e loops de treinamento integrados. Pesquisadores e desenvolvedores podem usar HMAS para prototipar interações complexas de vários agentes, treinar políticas coordenadas e avaliar o desempenho em ambientes simulados. Seu design modular torna fácil estender e personalizar agentes, ambientes e estratégias de treinamento.

IRIS (Sistema Interativo de Ideação de Pesquisa) é um assistente alimentado por IA que capacita pesquisadores a prototipar rapidamente ideias de estudo. Usuários inserem um tema ou domínio de pesquisa e IRIS produz perguntas de pesquisa personalizadas, identifica conceitos-chave, sintetiza resumos de literatura relevantes e sugere desenhos experimentais ou abordagens metodológicas. Organiza esses insights em fluxos de trabalho personalizáveis, apoiando desenvolvimento de hipóteses, planejamento de coleta de dados e frameworks de interpretação de resultados. Por meio de interação iterativa, IRIS ajusta as saídas com base no feedback, garante alinhamento com metas de pesquisa e exporta relatórios estruturados em formatos como PDF, DOCX ou Markdown. Automatizando tarefas repetitivas e aprimorando sessões criativas de brainstorming, IRIS acelera pesquisas iniciais em academia, laboratórios de P&D e startups, promovendo inovação e reduzindo o tempo para insights.

multi_agent_celar é projetado como uma plataforma de IA modular que permite comunicação por linguagem emergente entre múltiplos agentes inteligentes em ambientes simulados. Os usuários podem definir comportamentos de agentes via arquivos de política, configurar parâmetros de ambiente e lançar sessões de treinamento coordenadas onde os agentes evoluem seus próprios protocolos de comunicação para resolver tarefas cooperativas. O framework inclui scripts de avaliação, ferramentas de visualização e suporte para experimentos escaláveis, tornando-o ideal para pesquisas sobre colaboração entre múltiplos agentes, linguagem emergente e processos de tomada de decisão.

Auto-aprendizado simples oferece aos desenvolvedores uma abordagem extremamente simples para criar e treinar agentes de aprendizado por reforço em Python. A estrutura abstrai componentes principais de RL, como wrappers de ambientes, módulos de política e buffers de experiência, em interfaces concisas. Os usuários podem rapidamente inicializar ambientes, definir políticas personalizadas usando backends familiares como PyTorch ou TensorFlow, e executar loops de treinamento com registro e pontos de verificação integrados. A biblioteca suporta algoritmos on-policy e off-policy, permitindo experimentações flexíveis com Q-learning, gradientes de política e métodos ator-crítico. Ao reduzir o código boilerplate, auto-aprendizado simples permite que praticantes, educadores e pesquisadores prototype algoritmos, testem hipóteses e visualizem o desempenho do agente com configuração mínima. Seu design modular também facilita a integração com stacks de ML existentes e ambientes personalizados.