Шаблон приложения Agentic — полностью настроенный проект Next.js, служащий основой для разработки приложений на базе AI-агентов. Он включает модульную структуру папок, управление переменными окружения и примеры рабочих процессов на базе GPT-моделей OpenAI и векторных баз данных, таких как Pinecone. В шаблоне реализованы ключевые паттерны, такие как последовательные цепи из нескольких шагов, диалоговые агенты Q&A и API для генерации текста. Разработчики легко могут настроить логику цепочек, интегрировать дополнительные сервисы и размещать на платформах вроде Vercel или Netlify. Благодаря поддержке TypeScript и встроенной обработке ошибок, он сокращает время первоначальной настройки и содержит ясную документацию для расширения.

mini-AlphaStar демистифицирует сложную архитектуру AlphaStar, предлагая доступную и с открытым исходным кодом платформу на PyTorch для разработки ИИ для StarCraft II. Включает пространственные кодеры признаков для входных данных экрана и миникарты, обработку не пространственных признаков, модули памяти LSTM, отдельные сети политики и оценки стоимости для выбора действий и оценки состояния. Используя обучение имитацией для начальной настройки и обучение с усилением с помощью самоигры для донастройки, он поддерживает совместимые с pysc2 обертки окружения, логирование через TensorBoard и настраиваемые гиперпараметры. Исследователи и студенты могут создавать наборы данных из игровых состояний человека, обучать модели на пользовательских сценариях, оценивать эффективность агента и визуализировать кривые обучения. Модульный код облегчает эксперименты с вариациями сети, графиками обучения и многопро Agent-и. Предназначен для образовательных целей и прототипирования, а не для промышленного использования.

Этот проект с открытым исходным кодом представляет собой полный фреймворк обучения с подкреплением для нескольких агентов на базе PyTorch и Unity ML-Agents. Включает децентрализованные алгоритмы DDPG, обертки окружения и тренировочные скрипты. Пользователи могут настраивать политики агентов, критические сети, буферы повторных данных и параллельных рабочих. Встроены хуки для логирования и мониторинга с помощью TensorBoard, а модульная структура позволяет легко внедрять пользовательские функции награды и параметры окружения. В репозитории есть примерные сцены Unity с демонстрациями задач совместной навигации, что делает его идеально подходящим для расширения и бенчмаркинга сценариев с множеством агентов в симуляциях.

Enso — это платформа, основанная на браузере, которая позволяет пользователям создавать настраиваемых ИИ-агентов с помощью визуального конструктора на основе потоков. Пользователи перетаскивают модульные компоненты кода и ИИ, конфигурируют API-интеграции, внедряют интерфейсы чата и предварительно просматривают интерактивные рабочие процессы в реальном времени. После разработки агенты можно мгновенно протестировать и одним щелчком разместить в облаке или экспортировать в виде контейнеров. Enso упрощает сложные задачи автоматизации, сочетая простоту без кода с полной расширяемостью кода, что позволяет быстро разрабатывать интеллектуальных помощников и рабочие процессы на основе данных.

CommNet — это библиотека ориентированная на исследования, реализующая архитектуру CommNet, позволяющую нескольким агентам делиться скрытыми состояниями на каждом шаге времени и обучаться координировать действия в кооперативных средах. Включает определения моделей PyTorch, скрипты обучения и оценки, оболочки среды для OpenAI Gym и утилиты для настройки каналов связи, количества агентов и глубины сети. Исследователи и разработчики могут использовать CommNet для прототипирования и бенчмаркинга стратегий межагентской коммуникации в задачах навигации, преследования–уклонения и сбора ресурсов.

Drive Flow — гибкая структура, которая дает возможность проектировать AI-рабочие процессы путем определения последовательности шагов. Каждый шаг может вызывать большие языковые модели, выполнять пользовательские функции или взаимодействовать с постоянной памятью, хранящейся в MemoDB. Каркас поддерживает сложную логику ветвления, циклы, параллельное выполнение задач и динамическую обработку входных данных. Написанный на TypeScript, он использует декларативный DSL для спецификации потоков, что обеспечивает четкое разделение логики оркестрации. Drive Flow также предоставляет встроенную обработку ошибок, стратегии повторных попыток, отслеживание контекста выполнения и расширенное логирование. Основные случаи использования включают AI-ассистентов, автоматизированную обработку документов, автоматизацию поддержки клиентов и системы многошаговых решений. Обеспечивая абстракцию оркестрации, Drive Flow ускоряет разработку и упрощает обслуживание AI-приложений.

ePH-MAPF обеспечивает эффективный процесс вычисления путей без столкновений для десятков и сотен агентов на сеточных картах. Использует приоритетные эвристики, техники инкрементального поиска и настраиваемые метрики стоимости (Манхэттен, Евклид), чтобы сбалансировать скорость и качество решения. Пользователи могут выбрать разные эвристические функции, интегрировать библиотеку в системы на Python и тестировать производительность на стандартных сценариях MAPF. Код модульный и хорошо документирован, что позволяет исследователям и разработчикам расширять его для динамических препятствий или специализированных сред.