Этот проект с открытым исходным кодом представляет собой полный фреймворк обучения с подкреплением для нескольких агентов на базе PyTorch и Unity ML-Agents. Включает децентрализованные алгоритмы DDPG, обертки окружения и тренировочные скрипты. Пользователи могут настраивать политики агентов, критические сети, буферы повторных данных и параллельных рабочих. Встроены хуки для логирования и мониторинга с помощью TensorBoard, а модульная структура позволяет легко внедрять пользовательские функции награды и параметры окружения. В репозитории есть примерные сцены Unity с демонстрациями задач совместной навигации, что делает его идеально подходящим для расширения и бенчмаркинга сценариев с множеством агентов в симуляциях.

Enso — это платформа, основанная на браузере, которая позволяет пользователям создавать настраиваемых ИИ-агентов с помощью визуального конструктора на основе потоков. Пользователи перетаскивают модульные компоненты кода и ИИ, конфигурируют API-интеграции, внедряют интерфейсы чата и предварительно просматривают интерактивные рабочие процессы в реальном времени. После разработки агенты можно мгновенно протестировать и одним щелчком разместить в облаке или экспортировать в виде контейнеров. Enso упрощает сложные задачи автоматизации, сочетая простоту без кода с полной расширяемостью кода, что позволяет быстро разрабатывать интеллектуальных помощников и рабочие процессы на основе данных.

CommNet — это библиотека ориентированная на исследования, реализующая архитектуру CommNet, позволяющую нескольким агентам делиться скрытыми состояниями на каждом шаге времени и обучаться координировать действия в кооперативных средах. Включает определения моделей PyTorch, скрипты обучения и оценки, оболочки среды для OpenAI Gym и утилиты для настройки каналов связи, количества агентов и глубины сети. Исследователи и разработчики могут использовать CommNet для прототипирования и бенчмаркинга стратегий межагентской коммуникации в задачах навигации, преследования–уклонения и сбора ресурсов.

Drive Flow — гибкая структура, которая дает возможность проектировать AI-рабочие процессы путем определения последовательности шагов. Каждый шаг может вызывать большие языковые модели, выполнять пользовательские функции или взаимодействовать с постоянной памятью, хранящейся в MemoDB. Каркас поддерживает сложную логику ветвления, циклы, параллельное выполнение задач и динамическую обработку входных данных. Написанный на TypeScript, он использует декларативный DSL для спецификации потоков, что обеспечивает четкое разделение логики оркестрации. Drive Flow также предоставляет встроенную обработку ошибок, стратегии повторных попыток, отслеживание контекста выполнения и расширенное логирование. Основные случаи использования включают AI-ассистентов, автоматизированную обработку документов, автоматизацию поддержки клиентов и системы многошаговых решений. Обеспечивая абстракцию оркестрации, Drive Flow ускоряет разработку и упрощает обслуживание AI-приложений.

ePH-MAPF обеспечивает эффективный процесс вычисления путей без столкновений для десятков и сотен агентов на сеточных картах. Использует приоритетные эвристики, техники инкрементального поиска и настраиваемые метрики стоимости (Манхэттен, Евклид), чтобы сбалансировать скорость и качество решения. Пользователи могут выбрать разные эвристические функции, интегрировать библиотеку в системы на Python и тестировать производительность на стандартных сценариях MAPF. Код модульный и хорошо документирован, что позволяет исследователям и разработчикам расширять его для динамических препятствий или специализированных сред.