Этот репозиторий предоставляет настраиваемую многоглавую платформу для моделирования центра вызовов такси. Определяет отдельных ИИ-агентов: CustomerAgent для запроса поездок, DispatchAgent для выбора водителей на основе близости, DriverAgent для подтверждения назначений и обновления статусов, а также NotificationAgent для выставления счетов и сообщений. Агенты взаимодействуют через цикл оркестрации с использованием вызовов GPT от OpenAI и памяти, что позволяет асинхронный диалог, обработку ошибок и логирование. Разработчики могут расширять или адаптировать запросы агентов, интегрировать системы в реальном времени и прототипировать рабочие процессы по обслуживанию клиентов и диспетчеризации, основанные на ИИ.

Фреймворк моделирования агентов LLM позволяет разрабатывать, выполнять и анализировать моделируемые среды, где автономные агенты взаимодействуют через большие языковые модели. Пользователи могут регистрировать несколько экземпляров агентов, назначать настраиваемые подсказки и роли, а также указывать каналы связи, такие как обмен сообщениями или общий состояние. Фреймворк управляет циклами моделирования, собирает журналы и вычисляет показатели, такие как частота ходов, задержка отклика и показатели успеха. Он обеспечивает бесшовную интеграцию с OpenAI, Hugging Face и локальными LLM. Исследователи могут создавать сложные сценарии — переговоры, распределение ресурсов или совместное решение проблем — чтобы наблюдать за возникающим поведением. Расширяемая архитектура плагинов позволяет добавлять новые поведения агентов, ограничения окружения или модули визуализации, способствуя воспроизводимым экспериментам.

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.

AgentFarm предоставляет комплексную платформу для координации различных AI-агентов в единой системе. Пользователи могут скриптовать специальные поведения агентов на Python, назначать роли (менеджер, работник, аналитик) и создавать очереди задач для параллельной обработки. Он легко интегрируется с основными сервисами LLM (OpenAI, Azure OpenAI), позволяя динамически управлять маршрутизацией подсказок и выбором модели. Встроенная панель отслеживает статус агентов, логирует взаимодействия и визуализирует производительность рабочего процесса. Благодаря модульным плагинам для пользовательских API разработчики могут расширять функциональность, автоматизировать обработку ошибок и мониторить использование ресурсов. Идеально подходит для развертывания многоступенчатых пайплайнов, AgentFarm повышает надежность, масштабируемость и удобство обслуживания в автоматизации на базе AI.

AI-Creator обеспечивает гибкую архитектуру для создания AI-агентов, способных выполнять задачи, взаимодействовать на естественном языке и использовать внешние инструменты. Включает модули для управления подсказками, цепочечного рассуждения, памяти сессий и настраиваемых конвейеров. Разработчики могут определять поведение агента через простые JSON или конфигурации кода, интегрировать API и базы данных как инструменты, а также развёртывать агентов как веб-сервисы или CLI-приложения. Платформа поддерживает расширяемость и модульность, что делает её идеальной для прототипирования чат-ботов, виртуальных помощников и специализированных цифровых работников.

Flocking Multi-Agent предоставляет модульную библиотеку для моделирования автономных агентов, демонстрирующих ройный интеллект. Включает основные поведенческие алгоритмы — сцепление, разделение и согласование — а также избегание препятствий и динамическое преследование цели. Используя Python и Pygame для визуализации, фреймворк позволяет настраивать параметры, такие как радиус соседей, максимальную скорость и силу поворота. Поддерживает расширение за счет пользовательских функций поведения и интеграционных хуков для робототехники или игровых движков. Идеально подходит для экспериментов в области ИИ, робототехники, разработки игр и академических исследований, показывая, как простые локальные правила приводят к сложным глобальным формированием.