LLM State Machine — это открытый исходный код Python-фреймворка, предназначенного для построения агентов ИИ с использованием явных машин состояний. Разработчики определяют состояния как дискретные шаги — каждый вызывающий большую языковую модель или пользовательскую логику — и переходы на основе результатов. Такой подход обеспечивает ясность, удобство сопровождения и надежную обработку ошибок для многоследовательных рабочих процессов на базе LLM, таких как обработка документов, разговорные боты и автоматизированные конвейеры.

Modus — это фреймворк, ориентированный на разработчика, который упрощает создание агентов ИИ за счет предоставления основных компонентов для интеграции LLM, хранения памяти и оркестровки инструментов. Он поддерживает плагины-библиотеки инструментов, позволяющие агентам выполнять задачи такие, как извлечение данных, анализ и выполнение действий. Благодаря встроенным модулям памяти агенты могут сохранять контекст диалога и обучаться в ходе взаимодействий. Расширяемая архитектура ускоряет разработку и внедрение ИИ в различных приложениях.

MultiAgent-Systems-StarCraft2-PySC2-Raw предоставляет полный инструментарий для разработки, обучения и оценки нескольких AI-агентов в StarCraft II. Он обеспечивает низкоуровневое управление движением юнитов, целью и способностями, а также гибкую настройку наград и сценариев. Пользователи могут легко интегрировать собственные архитектуры нейронных сетей, определять стратегии командного взаимодействия и записывать метрики. Основанный на PySC2, он поддерживает параллельное обучение, создание снимков и визуализацию, что делает его идеальным для исследований в области обучения с подкреплением с несколькими агентами.

Trainable Agents разработан как модульный, расширяемый набор инструментов для быстрого создания и обучения AI-агентов на базе современных больших языковых моделей. Фреймворк абстрагирует основные компоненты, такие как среды взаимодействия, интерфейсы политики и обратные связи, позволяя разработчикам легко определять задачи, предоставлять демонстрации и реализовывать функции награды. Встроенная поддержка OpenAI GPT и Anthropic Claude обеспечивает воспроизведение опыта, пакетное обучение и оценку производительности. Также в библиотеку входят утилиты для ведения журналов, отслеживания метрик и экспорта обученных политик для развертывания. Будь то создание диалоговых ботов, автоматизация рабочих процессов или проведение исследований — этот фреймворк упрощает весь цикл разработки от прототипирования до производства в едином пакете на Python.

Coffee-Shop-AI-Agents — это open-source рамка для создания и развертывания специализированных AI-агентов, автоматизирующих ключевые функции кофейни. Используя LangChain и модели OpenAI, проект предоставляет модульных агентов, включая агента бариста, который обрабатывает сложные заказы, рекомендует кастомизации и управляет наличием ингредиентов. Агент кассира обрабатывает платежи, выдает цифровые чеки и отслеживает показатели продаж. Агент менеджера генерирует прогнозы запасов, предлагает графики пополнения и анализирует показатели эффективности. Выполненные на основе персонализируемых подсказок и пайплайнов, разработчики могут быстро адаптировать агентов под уникальные политики и меню магазина. Репозиторий содержит скрипты установки, API-интеграции и примерные рабочие процессы для имитации реалистичных взаимодействий и аналитики бизнеса в дружелюбной среде.

Пример LLM Agents предоставляет практическую базу кода для создания AI-агентов на Python. Демонстрирует регистрацию пользовательских инструментов (поиск в сети, математический решатель через WolframAlpha, CSV-анализатор, Python REPL), создание чат- и поисковых агентов, а также подключение к векторным хранилищам для ответов на вопросы по документам. Репозиторий иллюстрирует шаблоны для сохранения памяти диалогов, динамической маршрутизации вызовов инструментов и цепочки нескольких подсказок LLM для решения сложных задач. Пользователи учатся интегрировать сторонние API, структурировать рабочие процессы агентов и расширять рамки новыми возможностями, — практическое руководство для разработчиков-экспериментов и прототипирования.

pyafai — это открытная библиотека Python, которая помогает разработчикам проектировать, настраивать и выполнять автономных ИИ-агентов. Она предлагает модули для управления памятью с целью сохранения контекста, интеграции инструментов для вызова внешних API, наблюдателей для мониторинга окружения, планировщиков для принятия решений и оркестраторов для запуска циклов агентов. Возможности логирования и мониторинга обеспечивают видимость производительности и поведения агентов. pyafai поддерживает основных поставщиков LLM из коробки, позволяет создавать собственные модули и снижает количество шаблонного кода, что позволяет командам быстро прототипировать виртуальных ассистентов, исследовательские боты и автоматизационные рабочие процессы с полным контролем каждого компонента.

X AI Agent предлагает модульную архитектуру для построения интеллектуальных агентов. Он поддерживает бесшовную интеграцию с внешними инструментами и API, настраиваемые модули памяти и оркестрацию multi-LLM. Разработчики могут задавать пользовательские навыки, подключать инструменты и создавать рабочие процессы в коде, а затем запускать агентов, которые автоматически собирают данные, генерируют контент, автоматизируют процессы и управляют сложными диалогами.

Автономные экономические агенты (AEA) Fetch.ai — это универсальный фреймворк, который дает возможность разработчикам проектировать, реализовывать и управлять автономными программными агентами, способными взаимодействовать друг с другом, с внешними средами и цифровыми реестрами. Используя архитектуру на основе плагинов, AEA предоставляет заранее подготовленные модули для протоколов связи, API криптографических реестров, децентрализованной идентичности и навыков принятия решений. Агенты могут обнаруживать и совершать транзакции на децентрализованных рынках, выполнять целенаправленное поведение и адаптироваться за счет потоков данных в реальном времени. Фреймворк поддерживает инструменты моделирования для тестирования и отладки сценариев с несколькими агентами, а также развертывания в реальных блокчейнах или пиринговых сетях. Благодаря встроенной совместимости и обмену сообщениями между агентами, AEA облегчает разработку сложных автономных экономических приложений, таких как торговля энергией, оптимизация цепочек поставок и координация IoT.

HFO_DQN объединяет Python и TensorFlow, чтобы предоставить полный поток для обучения футбольных агентов с помощью Deep Q-Networks. Пользователи могут клонировать репозиторий, установить зависимости, включая симулятор HFO и библиотеки Python, и настроить параметры обучения в YAML-файлах. Этот фреймворк реализует повторный опыт, обновления целевых сетей, ε-жадное исследование и формирование наград, адаптированные для области полуценра. Включает сценарии для обучения агентов, логирование производительности, оценочные матчи и визуализацию результатов. Его модульная структура позволяет интегрировать собственные архитектуры нейронных сетей, альтернативные алгоритмы RL и стратегии координации нескольких агентов. Выходные данные включают обученные модели, метрики производительности и визуализации поведения, способствуя исследованиям в области обучения с подкреплением и многопользовательских систем.