Jason-RL добавляет слой обучения с подкреплением в многопользовательскую систему Jason, позволяя агентам AgentSpeak BDI изучать политики выбора действий по наградной обратной связи. Реализует алгоритмы Q-обучения и SARSA, поддерживает настройку параметров обучения (скорость обучения, коэффициент дисконтирования, стратегию исследования) и регистрирует метрики тренировки. Определяя функции наград в планах агентов и запуская симуляции, разработчики могут наблюдать за улучшением решений агентов со временем и их адаптацией к меняющимся условиям без ручного кодирования политик.

CamelAGI — это открытая платформа, которая упрощает создание автономных AI-агентов. Она оснащена архитектурой плагинов для пользовательских инструментов, интеграцией долговременной памяти для сохранения контекста и поддержкой нескольких крупных языковых моделей таких как GPT-4 и Llama 2. Благодаря модулям планирования и исполнения, агенты могут разлагать задачи, вызывать внешние API и адаптироваться со временем. Расширяемость и ориентированность на сообщество делают CamelAGI подходящим для исследовательских прототипов, производственных систем и образовательных проектов.