MultiAgentPacman предлагает среду для игры на Python, в которой пользователи могут реализовывать, визуализировать и сравнивать нескольких AI-агентов в области Pacman. Поддерживаются алгоритмы поиска противника, такие как minimax, expectimax, alpha-beta-отсечение, а также пользовательные агенты на основе обучения с подкреплением или эвристик. Фреймворк включает простое GUI, командную строку и инструменты для ведения статистики игр и сравнения эффективности агентов в соревновательных или совместных сценариях.

RL Collision Avoidance предоставляет полный конвейер для разработки, обучения и внедрения политик избегания столкновений для мульти-роботов. Предлагает набор сценариев симуляции, совместимых с Gym, где агенты учатся избегать столкновений с помощью алгоритмов обучения с подкреплением. Пользователи могут настраивать параметры окружения, использовать GPU для ускоренного обучения и экспортировать полученные политики. Фреймворк также интегрирован с ROS для тестирования в реальных условиях, поддерживает предварительно обученные модели для немедленной оценки и оснащен инструментами для визуализации траекторий агентов и метрик производительности.

ThreeAgents написан на Python и использует API OpenAI для инстанцирования нескольких AI-агентов с разными ролями (система, помощник, пользователь). Он предлагает абстракции для подсказок агентам, обработки сообщений в зависимости от ролей и управления памятью контекста. Разработчики могут создавать собственные шаблоны подсказок, настраивать индивидуальность агентов и связывать взаимодействия для моделирования реалистичных диалогов или рабочих процессов, ориентированных на задачи. Framework управляет передачей сообщений, управлением окна контекста и ведением журналов, позволяя проводить эксперименты по совместному принятию решений или иерархической декомпозиции задач. Благодаря поддержке переменных окружения и модульных агентов, ThreeAgents обеспечивает беспрепятственный обмен между локальными и облачными LLM, позволяя быстро разрабатывать прототипы многоагентных систем ИИ. В комплекте идут примеры и поддержка Docker для быстрой настройки.

Thufir — это open-source-фреймворк на Python, предназначенный для упрощения создания автономных AI-агентов, способных планировать и выполнять сложные задачи. В его ядре находится движок планирования, который разбивает высокоуровневые цели на конкретные действия, модуль памяти для хранения и извлечения контекстной информации за сессии, и интерфейс инструментов, который позволяет агентам взаимодействовать с внешними API, базами данных или средами выполнения кода. Разработчики могут использовать модульные компоненты Thufir для настройки поведения агентов, определения пользовательских инструментов, управления состоянием агента и оркестрации многопроцессных рабочих процессов. Абстрагируя низкоуровневую инфраструктуру, Thufir ускоряет разработку и развертывание интеллектуальных агентов для приложений, таких как виртуальные помощники, автоматизация процессов, научные исследования и цифровые работники.

AgentServe предоставляет унифицированный интерфейс для создания и развертывания AI-агентов. Пользователи задают поведение агентов в файлах конфигурации или коде, интегрируют внешние инструменты или источники знаний, и выставляют агентам REST-эндпоинты. Фреймворк автоматически обрабатывает маршрутизацию моделей, параллельные запросы, проверку состояния, логирование и метрики. Модульный дизайн позволяет подключать новые модели, кастомные инструменты и политики планирования, что делает его идеальным для создания чат-ботов, автоматизированных рабочих процессов и мультиагентных систем, масштабируемых и удобных в сопровождении.