GenAI Job Agents — это фреймворк на базе Python, упрощающий создание и управление агентами задач на базе ИИ. Разработчики могут задавать пользовательские типы задач и поведения агентов с помощью простых конфигурационных файлов или классов Python. Система без швов интегрируется с OpenAI для выводов на базе LLM и с LangChain для цепочечного вызова. Задачи могут помещаться в очередь, выполняться параллельно и контролироваться с помощью встроенного логирования и механизмов обработки ошибок. Агенты могут обрабатывать динамический ввод, автоматически повторять неудачные задачи и выдавать структурированные результаты для дальнейшей обработки. Благодаря модульной архитектуре, расширяемым плагинам и понятным API, GenAI Job Agents дает командам возможность автоматизировать повторяющиеся задачи, оркестрировать сложные рабочие процессы и масштабировать ИИ-операции в производственной среде.

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.

MGym — это специальная среда для создания и управления мультиагентными средами обучения с подкреплением (MARL) на Python. Она позволяет пользователям определять сложные сценарии с несколькими агентами, каждый из которых имеет настраиваемые наблюдения, действия, функции вознаграждения и правила взаимодействия. MGym поддерживает синхронный и асинхронный режимы выполнения, предоставляя моделирование агентов как в параллельном, так и в пошаговом режимах. Благодаря API, аналогичному Gym, MGym легко интегрируется с популярными библиотеками RL, такими как Stable Baselines, RLlib и PyTorch. Включает модули для оценки окружающей среды, визуализации результатов и анализа производительности, что способствует системной оценке алгоритмов MARL. Его модульная архитектура позволяет быстро прототипировать совместные, конкурирующие или смешанные задания, что помогает исследователям и разработчикам ускорить эксперименты и исследования в области MARL.

Многоагентный помощник ИИ — это модульная платформа на Python, которая управляет несколькими GPT-агентами, назначенными на разные роли, такие как планирование, исследования, анализ и выполнение. Система поддерживает передачу сообщений между агентами, хранение памяти и интеграцию с внешними инструментами и API, позволяя разлагать сложные задачи и совместно решать проблемы. Разработчики могут настраивать поведение агентов, добавлять новые инструменты и конфигурировать рабочие процессы через простые файлы настроек. Используя распределенный вывод логики между специализированными агентами, платформа ускоряет автоматические исследования, анализ данных, принятие решений и автоматизацию задач. В репозитории есть примеры реализации и шаблоны, что позволяет быстро создавать прототипы интеллектуальных помощников и цифровых работников, способных управлять рабочими процессами от начала до конца в бизнесе, образовании и исследованиях.

Nuzon-AI предоставляет фреймворк для агента на базе Python, который позволяет определять задачи, управлять диалоговой памятью и расширять возможности через плагины. Поддерживается интеграция с крупными LLM (OpenAI, локальные модели), что позволяет агентам выполнять веб-взаимодействия, анализ данных и автоматизированные рабочие процессы. Архитектура включает реестр навыков, систему вызова инструментов и слой оркестрации нескольких агентов, позволяя создавать комбинации для поддержки клиентов, исследовательской помощи и личной продуктивности. С помощью конфигурационных файлов можно настроить поведение каждого агента, политику хранения памяти и ведение логов для отладки или аудита.

Duet GPT — это открытая платформа на Python для организации диалогов между двумя моделями GPT. Вы задаёте разные роли агентов, настраиваемые системными подсказками, а фреймворк автоматически управляет очередностью, передачей сообщений и историей диалога. Такая кооперативная структура ускоряет решение сложных задач, поддерживая сравнительное рассуждение, циклы критики и итеративное улучшение через обмены. Благодаря бесшовной интеграции с API OpenAI, простоте настройки и встроенному журналу, она идеально подходит для исследований, прототипирования и рабочих производственных процессов в области программной помощи, поддержки принятия решений и креативной генерации идей. Разработчики могут расширять основные классы, интегрировать новые сервисы LLM, настраивать логику итератора и экспортировать транскрипты в формате JSON или Markdown для последующего анализа.

Thufir — это open-source-фреймворк на Python, предназначенный для упрощения создания автономных AI-агентов, способных планировать и выполнять сложные задачи. В его ядре находится движок планирования, который разбивает высокоуровневые цели на конкретные действия, модуль памяти для хранения и извлечения контекстной информации за сессии, и интерфейс инструментов, который позволяет агентам взаимодействовать с внешними API, базами данных или средами выполнения кода. Разработчики могут использовать модульные компоненты Thufir для настройки поведения агентов, определения пользовательских инструментов, управления состоянием агента и оркестрации многопроцессных рабочих процессов. Абстрагируя низкоуровневую инфраструктуру, Thufir ускоряет разработку и развертывание интеллектуальных агентов для приложений, таких как виртуальные помощники, автоматизация процессов, научные исследования и цифровые работники.

agent-steps — это рамка оркестровки шагов Python, предназначенная для упрощения разработки AI-агентов за счет разбиения сложных задач на дискретные, повторно используемые шаги. Каждый шаг инкапсулирует определенное действие — вызов языковой модели, выполнение преобразований данных или внешних API — и может передавать контекст последующим шагам. Библиотека поддерживает синхронное и асинхронное выполнение, позволяя создавать масштабируемые конвейеры. Встроенные инструменты ведения журналов и отладки обеспечивают прозрачность исполнения шагов, а модульная архитектура способствует удобству сопровождения. Пользователи могут определять собственные типы шагов, объединять их в рабочие процессы и легко интегрировать в существующие приложения на Python. agent-steps подходит для построения чат-ботов, автоматизированных потоков данных, систем поддержки решений и других многоступенчатых решений на базе AI.

Chainlit — это открытый асинхронный Python фреймворк, предназначенный для помощи разработчикам в быстром создании и развертывании масштабируемых приложений разговорного ИИ и агентов. Он поддерживает интеграцию с популярными библиотеками и фреймворками Python, чтобы обеспечить бесшовный процесс разработки. С помощью Chainlit пользователи могут создавать готовые к производству чат-приложения, которые могут обрабатывать сложные взаимодействия и сохранять контекст разговора.

ModelScope Agent предоставляет модульную платформу на базе Python для оркестровки автономных AI-агентов. В ней реализована интеграция плагинов для внешних инструментов (API, базы данных, поиск), память для сохранения контекста и настраиваемые цепочки агентов для решения сложных задач — извлечения знаний, обработки документов и поддержки принятия решений. Разработчики могут настраивать роли агентов, поведение и подсказки, а также использовать несколько бэкендов LLM для оптимизации производительности и надежности в реальных условиях.

CodeFuse-muAgent — это рамочная платформа с открытым исходным кодом на Python, которая оркеструет нескольких автономных ИИ-агентов для совместного решения сложных задач. Разработчики определяют отдельные агенты со специализированными навыками - такими как обработка данных, понимание естественного языка или взаимодействие с внешними API - и настраивают протоколы связи для динамической делегации задач. Фреймворк обеспечивает централизованное управление памятью, логирование и мониторинг, оставаясь модель-агностичным и поддерживая интеграцию с популярными LLM и пользовательскими моделями ИИ. Используя CodeFuse-muAgent, команды могут создавать модульные рабочие процессы ИИ, автоматизировать многоступенчатые процессы и масштабировать развертывания в различных средах. Гибкие файлы конфигурации и расширяемые API позволяют быстро создавать прототипы, тестировать и дорабатывать системы, что делает его подходящим для использования в службах поддержки клиентов, цепочках генерации контента, исследовательских помощниках и других случаях.

CUPCAKE AGI (Композиционный утилитарный пайплайн для креативного, знающего и эволюционирующего автономного общего интеллекта) — это гибкий каркас Python, который упрощает создание автономных агентов путём объединения языковых моделей, памяти и внешних инструментов. Он включает основные модули, такие как планировщик целей, исполнитель моделей и менеджер памяти для сохранения контекста при взаимодействиях. Разработчики могут расширять функциональность через плагины для интеграции API, баз данных или пользовательских комплектов инструментов. CUPCAKE AGI поддерживает как синхронные, так и асинхронные рабочие процессы, что делает его идеальным для исследований, прототипирования и развертывания агентов уровня промышленного использования в различных сферах.

Cyrano — это open-source фреймворк и CLI на Python для создания AI-агентов, которые управляют большими языковыми моделями и внешними инструментами с помощью запросов на естественном языке. Пользователи могут определять собственные инструменты (функции), настраивать память и лимиты токенов, а также обрабатывать обратные вызовы. Cyrano занимается парсингом JSON-ответов от LLM и последовательным выполнением указанных инструментов. Он подчеркивает простоту, модульность и отсутствие внешних зависимостей, что позволяет разработчикам быстро прототипировать чатботов, создавать автоматизированные рабочие процессы и интегрировать AI-возможности в приложения.

Fast Reinforcement Learning — это специализированная Python-обёртка, предназначенная для ускорения разработки и выполнения агентов обучения с усилением. Она обеспечивает поддержку популярных алгоритмов, таких как PPO, A2C, DDPG и SAC, в сочетании с управлением высокопроизводительными векторизированными средами. Пользователи могут легко настраивать сеть политик, изменять учебные циклы и использовать GPU-ускорение для масштабных экспериментов. Модульная архитектура гарантирует бесшовную интеграцию с окружениями OpenAI Gym, что позволяет исследователям и практикам прототипировать, создавать бенчмарки и развёртывать агентов в различных задачах управления, игр и симуляций.