A estrutura YGO-Agent permite que pesquisadores e entusiastas desenvolvam bots de IA que jogam o jogo de cartas Yu-Gi-Oh usando reforço de aprendizado. Ela encapsula o simulador de jogo YGOPRO em um ambiente compatível com OpenAI Gym, definindo representações de estado como mão, campo e pontos de vida, e representações de ação incluindo convocação, ativação de feitiço/armadilha e ataque. As recompensas são baseadas em resultados de vitória/derrota, dano causado e progresso no jogo. A arquitetura do agente usa PyTorch para implementar DQN, com opções para arquiteturas de rede personalizadas, replay de experiência e exploração epsilon-greedy. Módulos de registro gravam curvas de treinamento, taxas de vitória e logs detalhados de movimentos para análise. A estrutura é modular, permitindo que usuários substituam ou estendam componentes como a função de recompensa ou espaço de ação.

MIDCA é uma arquitetura cognitiva modular projetada para suportar o ciclo cognitivo completo de agentes inteligentes. Ela processa entradas sensoriais através de um módulo de percepção, interpreta os dados para gerar e priorizar metas, utiliza um planejador para criar sequências de ação, executa tarefas e depois avalia os resultados através de uma camada metacognitiva. O design de ciclo duplo separa respostas reativas rápidas de raciocínios deliberativos mais lentos, permitindo que os agentes se adaptem dinamicamente. A estrutura extensível e o código de código aberto de MIDCA a tornam ideal para pesquisadores e desenvolvedores explorarem tomada de decisão autônoma, aprendizado e autorreflexão em agentes de IA.