Java Action Generic — это легкая, модульная библиотека, которая позволяет разработчикам реализовать автономные поведения агентов на Java, определяя универсальные действия. Действия — это параметрыемые единицы работы, которые агенты могут выполнять, планировать и объединять во время выполнения. Фреймворк обеспечивает последовательный интерфейс для действий, позволяя создавать пользовательские действия, управлять параметрами и интегрировать с управлением жизненным циклом агента LightJason. Поддержка событий и параллельности позволяет агентам выполнять задачи, такие как динамическое принятие решений, взаимодействие с внешними сервисами и организация сложных сценариев поведения. Библиотека продвигает повторное использование и модульный дизайн, она подходит для исследований, моделирования, IoT и игровых AI-приложений на любой платформе, поддерживающей JVM.

FastAPI Agents обеспечивает мощный слой сервиса для разработки агентов на базе LLM, используя веб-фреймворк FastAPI. Он позволяет определить поведение агента с помощью цепочек LangChain, инструментов и систем памяти. Каждый агент может быть представлен как стандартный REST-эндпоинт, поддерживающий асинхронные запросы, потоковые ответы и настраиваемые полезные нагрузки. Интеграция с векторными хранилищами позволяет реализовать расширенное восстановление данных для приложений, основанных на знаниях. Встроенные журналирование, механизмы мониторинга и поддержка Docker позволяют контейнеризовать развертывания. Можно легко расширять агентов новыми инструментами, промежуточным программным обеспечением и аутентификацией. FastAPI Agents ускоряет коммерческую готовность решений на базе ИИ, обеспечивая безопасность, масштабируемость и удобство поддержки.

Minimalist Agent предоставляет базовую структуру для создания AI-агентов на Python. Он использует классы агентов LangChain и API OpenAI для выполнения многошагового мышления, динамического выбора инструментов и исполнения функций. Вы можете клонировать репозиторий, настроить ключ API OpenAI, определить собственные инструменты или конечные точки и запускать CLI-скрипт для взаимодействия с агентом. Проект ориентирован на ясность и расширяемость, что облегчает изучение, изменение и расширение поведения основных агентов для экспериментов или обучения.

NavGround Learning предоставляет полный набор инструментов для разработки и бенчмаркинга агентов обучения с усилением в задачах навигации. Поддерживаются мультиигровые симуляции, моделирование столкновений, настраиваемые сенсоры и исполнительные устройства. Пользователи могут выбирать из предопределённых шаблонов политик или реализовывать собственные архитектуры, обучаться передовыми RL-алгоритмами и визуализировать показатели производительности. Интеграция с OpenAI Gym и Stable Baselines3 упрощает управление экспериментами, а встроенные инструменты логирования и визуализации позволяют углубленный анализ поведения агентов и динамики обучения.