AgenticIR (Agentic Information Retrieval) обеспечивает модульную структуру, в которой агентов с LLM планируют и выполняют рабочие процессы IR автономно. Можно задавать роли агентов — такие как генерирующий запрос, извлекающий документы и создающий резюме — в настраиваемых последовательностях. Агенты могут получать сырой текст, уточнять запросы на основе промежуточных результатов и объединять извлеченные фрагменты в краткие сводки. Платформа поддерживает многошаговые процессы, включающие итеративный поиск в сети, загрузку данных через API и обработку локальных документов. Разработчики могут настраивать параметры агентов, подключать разные LLM и тонко настраивать политики поведения. AgenticIR также обеспечивает логирование, обработку ошибок и параллельное выполнение агентов для ускорения масштабных задач по сбору информации. При минимальной настройке кода исследователи и инженеры могут прототипировать и запускать автономные системы поиска.

Многоагентная симуляция инспекции предоставляет комплексную платформу для моделирования и обучения нескольких автономных агентов для выполнения инспекционных задач в кооперативе в средах Unity 3D. Она интегрируется с набором инструментов Unity ML-Agents, предлагая настраиваемые сцены с целями инспекции, регулируемыми функциями наград и параметрами поведения агентов. Исследователи могут писать собственные сценарии, определять число агентов и задавать учебные планы через API на Python. Пакет поддерживает параллельное обучение, ведение логов в TensorBoard и настраиваемые наблюдения, такие как лазерные лучи, видеопотоки камер и данные о положении. Регулируя гиперпараметры и сложность среды, пользователи могут проводить бенчмарки алгоритмов обучения с подкреплением по показателям охвата, эффективности и координации. Открытый исходный код способствует расширениям для прототипирования роботов, исследований в области кооперативного ИИ и учебных демонстраций в системах с несколькими агентами.