CArtAgO (Общая инфраструктура артефактов для открытых окружений агентов) - это лёгкий и расширяемый фреймворк для реализации инфраструктур окружения в системах с несколькими агентами. Он вводит концепцию артефактов — первоклассных объектов, представляющих ресурсы окружения с определёнными операциями, наблюдаемыми свойствами и интерфейсами событий. Разработчики определяют типы артефактов на Java, регистрируют их в классах окружения и предоставляют операции и события для потребления агентами. Агенты взаимодействуют с артефактами с помощью стандартных действий (например, createArtifact, observe), получают асинхронные уведомления о изменениях состояния и координируют свои действия через общие ресурсы. CArtAgO легко интегрируется с платформами, такими как Jason, JaCaMo, JADE и Spring Agent, что позволяет разрабатывать гибридные системы. Фреймворк включает встроенную поддержку документации артефактов, динамической загрузки и мониторинга в реальном времени, ускоряя прототипирование сложных приложений на базе агентов.

Embabel Agent предоставляет структурированный подход для построения агентов ИИ в средах Node.js и браузерах. Разработчики определяют инструменты — такие как HTTP-заготовки, соединители баз данных или пользовательские функции — и настраивают поведение агента с помощью простых JSON или JavaScript классов. Фреймворк ведёт историю диалогов, перенаправляет запросы к соответствующим инструментам и поддерживает расширения в виде плагинов. Embabel Agent идеально подходит для создания чат-ботов с динамическими возможностями, автоматизированных помощников, взаимодействующих с несколькими API, и прототипов научных исследований, требующих мгновенной оркестрации вызовов ИИ.

MiniAgent — это минималистский открытый фреймворк на Python для построения автономных ИИ-агентов, способных планировать и выполнять сложные рабочие процессы. В его основе модуль планирования задач, который разбивает высокоуровневые цели на упорядоченные шаги, контроллер выполнения, последовательно исполняющий каждый шаг, а также встроенные адаптеры для интеграции внешних инструментов и API, включая веб-сервисы, базы данных и пользовательские скрипты. Также есть легкая система управления памятью для сохранения контекста разговоров или задач. Разработчики могут легко регистрировать собственные плагины действий, определять правила политики принятия решений и расширять функциональность инструментов. Поддержка моделей OpenAI и локальных LLM позволяет быстро прототипировать чатботов, цифровых работников и автоматизированные пайплайны, все под лицензией MIT.

PyGame Learning Environment (PLE) — это открытый фреймворк на Python, разработанный для упрощения разработки, тестирования и бенчмаркинга агентов обучения с подкреплением в пользовательских игровых сценариях. Он предоставляет коллекцию легких игр на базе Pygame с встроенной поддержкой наблюдений агентом, дискретных и непрерывных пространств действий, формирования наград и визуализации окружения. PLE обладает удобным API, совместимым с обертками OpenAI Gym, что обеспечивает бесшовную интеграцию с популярными RL-библиотеками, такими как Stable Baselines и TensorForce. Исследователи и разработчики могут настраивать параметры игр, реализовывать новые игры и использовать векторизированные окружения для ускоренного обучения. Благодаря активному сообществу и обширной документации, PLE служит универсальной платформой для академических исследований, образования и прототипирования реальных RL-приложений.

simple_rl — это минималистичная библиотека Python, предназначенная для упрощения исследований и обучения в области усиленного обучения. Она обеспечивает единый API для определения сред и агентов, с встроенной поддержкой популярных парадигм RL, включая Q-обучение, методы Монте-Карло и динамическое программирование, такие как итерации стоимости и политики. В рамках включены образцы сред, такие как GridWorld, MountainCar и Multi-Armed Bandits, что облегчает практические эксперименты. Пользователи могут расширять базовые классы для создания собственных сред или агентов, а вспомогательные функции обеспечивают логирование, отслеживание производительности и оценку политики. Легкая архитектура и ясный код делают его идеальным для быстрого прототипирования, обучения основам RL и сравнения новых алгоритмов в воспроизводимой и легко понимаемой среде.