Evolving Agents предоставляет основанную на генетическом программировании структуру для создания и эволюции модульных ИИ-агентов. Пользователи собирают архитектуру агентов из взаимозаменяемых компонентов, определяют симуляции среды и показатели фитнеса, затем запускают циклы эволюции для автоматического создания улучшенных поведений агентов. В библиотеку входят инструменты для мутаций, кроссинговера, управления популяцией и мониторинга эволюции, что позволяет исследователям и разработчикам прототипировать, тестировать и совершенствовать автономных агентов в различных симулированных средах.

Hyperbolic Time Chamber обеспечивает гибкую среду для построения AI-агентов, предлагая компоненты для управления памятью, оркестровки окна контекста, связывания подсказок, интеграции инструментов и контроля выполнения. Разработчики определяют поведение агентов с помощью модульных блоков, настраивают пользовательские памяти (краткосрочные и долгосрочные) и подключают внешние API или локальные инструменты. Фреймворк включает поддержку асинхронности, журналирование и инструменты отладки, что позволяет быстро итеративно разрабатывать и развертывать сложные диалоговые или целенаправленные агенты на Python.

Isek — платформа для разработки ИИ-агентов с модульной архитектурой. Она предлагает систему плагинов для инструментов и источников данных, встроенную память для сохранения контекста и движок планирования для координации многошаговых задач. Можно запускать агентов локально или в облаке, интегрировать любой бэкенд LLM и расширять функциональность через сообщества или пользовательские модули. Isek ускоряет создание чат-ботов, виртуальных помощников и автоматизированных рабочих процессов, предоставляя шаблоны, SDK и CLI-инструменты для быстрой разработки.

mcp-agent-graph обеспечивает графовый уровень оркестрации для AI-агентов, позволяя разработчикам моделировать сложные рабочие процессы из нескольких шагов в виде ориентированных графов. Каждый узел графа соответствует задаче или функции агента, фиксируя входные, выходные данные и зависимости. Ребра определяют поток данных между агентами, обеспечивая правильный порядок выполнения. Механизм поддерживает последовательную и параллельную работу, автоматическое разрешение зависимостей и интеграцию с пользовательскими Python-функциями или внешними сервисами. Встроенная визуализация позволяет инспектировать топологию графа и отлаживать рабочие процессы. Этот фреймворк оптимизирует разработку модульных, масштабируемых систем с несколькими агентами для обработки данных, рабочих процессов на естественном языке либо объединения моделей ИИ.

OpenMAS предназначена для развития и оценки децентрализованных ИИ-агентов и стратегий координации мультиагентов. Она обладает модульной архитектурой, позволяющей определять собственное поведение агентов, динамические модели окружения и протоколы межагентского обмена сообщениями. Структура поддерживает физическое моделирование, событийное выполнение и интеграцию AI-алгоритмов через плагины. Пользователи могут конфигурировать сценарии через YAML или Python, визуализировать взаимодействия агентов и собирать показатели эффективности с помощью встроенных аналитических инструментов. OpenMAS ускоряет прототипирование в исследовательских областях, таких как роевой интеллект, совместные роботы и распределенные решения.

Репозиторий предлагает пошаговый учебник и эталонную реализацию для создания AI-агента на основе ReAct, использующего DeepSeek для поиска высокоразмерных векторов. В нем описывается настройка среды, установка зависимостей и конфигурация хранилищ векторов для пользовательских данных. Агент использует шаблон ReAct для объединения следов рассуждения с внешним поиском знаний, что создает прозрачные и объяснимые ответы. Пользователи могут расширять систему, добавляя дополнительные загрузчики документов, настраивая шаблоны подсказок или меняя базы данных векторов. Эта гибкая структура позволяет разработчикам и исследователям быстро прототипировать мощных диалоговых агентов, которые рассуждают, ищут и взаимодействуют с разными источниками знаний всего несколькими строками кода на Python.

RepoAgent — это рамочный искусственный интеллект, преобразующий любой репозиторий кода в интерактивную базу знаний. Он индексирует исходные файлы, функции, классы и документацию в векторное хранилище, обеспечивая быстрый поиск и контекстные ответы. Разработчики могут задавать вопросы на естественном языке о функциональности, архитектуре или зависимостях кода. Он поддерживает автоматическое суммирование кода, создание документации и тестовых случаев с помощью интеграции с большими языковыми моделями. Кроме того, он анализирует проблемы, пулл-запросы и историю коммитов для предоставления информации о качестве кода и возможных ошибках. Его модульная архитектура позволяет адаптировать процессы поиска, выбор моделей и оформление вывода. Интегрируя напрямую в pipelines CI/CD или IDE, RepoAgent ускоряет разработку, сокращает время обучения и повышает производительность команды.

Простейшее самостоятельное обучение предлагает разработчикам очень простой способ создавать и обучать агентов обучения с усилением на Python. Фреймворк абстрагирует основные компоненты RL, такие как оболочки окружений, модули политик и буферы опыта в лаконичные интерфейсы. Пользователи могут быстро инициализировать окружения, определять пользовательские политики с помощью знакомых бэкендов PyTorch или TensorFlow, запускать обучающие циклы с встроенным логированием и сохранением контрольных точек. Библиотека поддерживает on-policy и off-policy алгоритмы, что позволяет гибко экспериментировать с Q-обучением, градиентами политики и методами актор-критик. Снижая объем шаблонного кода, простое самообучение позволяет специалистам, педагогам и исследователям быстро прототипировать алгоритмы, проверять гипотезы и визуализировать эффективность агентов с минимальной настройкой. Его модульная структура облегчает интеграцию с существующими ML-стеками и пользовательскими окружениями.

CASA разработана как модульная, «подключи и работай» платформа автономии, построенная на экосистеме Robot Operating System (ROS). В ней используется децентрализованная архитектура, где каждый робот работает с локальными планировщиками и узлами деревьев поведения, публикуя обновления состояния мира на общем общем табло. Распределение задач осуществляется с помощью аукционных алгоритмов, которые назначают миссии на основе возможностей и доступности роботов. Уровень связи использует стандартные сообщения ROS по многороботным сетям для синхронизации. Разработчики могут настраивать параметры миссий, интегрировать драйверы датчиков и расширять библиотеки поведения. CASA поддерживает моделирование сценариев, мониторинг в реальном времени и инструменты логирования. Его расширяемый дизайн позволяет исследовательским группам экспериментировать с новыми алгоритмами координации и без проблем развертывать на различных платформах, от наземных БПЛА до воздушных дронов.

Cookbooks продвинутых агентов — это проект, поддерживаемый сообществом на GitHub, предлагающий библиотеку рецептов AI-агентов на базе LangChain. Включают модули памяти для сохранения контекста, интеграцию пользовательских инструментов и внешних API, шаблоны вызовов функций для структурированных ответов, планирование цепочкой размышлений для сложных решений и оркестрацию многошаговых рабочих процессов. Разработчики могут использовать эти готовые примеры, чтобы понять лучшие практики, настраивать поведение и ускорять создание умных агентов, автоматизирующих задачи вроде планирования, извлечения данных и обслуживания клиентов.

ai-agents-trial — это проект с открытым исходным кодом на Python, показывающий, как создавать автономных агентов ИИ с помощью LLMs. Он содержит модульные абстракции для планирования агента, вызова инструментов (веб-поиск, калькуляторы) и управления памятью. Разработчики могут задавать собственные инструменты, цеплять действия в нескольких шагах и сохранять контекст между сессиями. Базовая кодовая база использует API OpenAI и вспомогательные утилиты для организации рабочих процессов, что делает его отличным для быстрого прототипирования чат-ассистентов, исследовательских ботов или автоматизации в конкретных областях. Точки интеграции позволяют расширять функциональность за счет новых коннекторов и источников данных без изменения основной логики.

Swarms — это набор инструментов и рамочный каркас, созданный для упрощения создания и оркестровки автономных ИИ-агентов, которые работают сообща для решения сложных рабочих процессов. Каждый агент можно настроить с разными ролями, инструментами и контекстами памяти, что позволяет специализированным агентам искать информацию, анализировать данные, создавать творческие результаты или вызывать внешние API. Платформа предоставляет интерфейс командной строки, SDK для Python и YAML-файлы конфигурации для определения поведения агентов, стратегий планирования и коммуникации между агентами. Swarms поддерживает интеграцию с OpenAI, Anthropic, Azure и open-source LLM, содержит встроенные системы логирования, панели мониторинга и модульные уровни памяти для последовательного выполнения многошаговых рассуждений. С помощью Swarms команды могут проектировать, тестировать и развертывать распределённые самоорганизующиеся ИИ-решения с минимальным количеством шаблонного кода и полной возможностью мониторинга.

Clear Agent — это фреймворк, ориентированный на разработчиков, созданный для упрощения построения AI-агентов. Он предлагает регистрацию инструментов, управление памятью и настраиваемые классы агентов, которые обрабатывают инструкции пользователей, вызывают API или локальные функции и возвращают структурированные ответы. Разработчики могут определять рабочие процессы, расширять функциональность с помощью плагинов и размещать агентов на нескольких платформах без шаблонного кода. Clear Agent делает акцент на ясности, модульности и легкости интеграции для готовых к производству AI-ассистентов.

CrewAI-Learning — это библиотека с открытым исходным кодом, предназначенная для упрощения проектов по обучению с несколькими агентами с усилением. Она предлагает каркасы окружений, модульное определение агентов, настраиваемые функции вознаграждения и набор встроенных алгоритмов, таких как DQN, PPO и A3C, адаптированных для совместных задач. Пользователи могут определять сценарии, управлять циклами обучения, вести журнал метрик и визуализировать результаты. Фреймворк поддерживает динамическую настройку команд агентов и стратегий обмена вознаграждениями, что облегчает прототипирование, оценку и оптимизацию решений ИИ для сотрудничества в различных областях.

Dev-Agent — это фреймворк открытого исходного кода для AI-агентов, который позволяет разработчикам быстро создавать и внедрять автономных агентов. Он сочетает модульную архитектуру плагинов с легкой настройкой вызова инструментов, включая HTTP-конечные точки, запросы к базам данных и пользовательские скрипты. Агенты могут использовать слой постоянной памяти для обращения к прошедшим взаимодействиям и оркестровать многоступенчатые цепочки рассуждений для сложных задач. Встроенная поддержка моделей GPT от OpenAI позволяет пользователям задавать поведение агента через простые спецификации JSON или YAML. CLI-инструмент управляет аутентификацией, состоянием сессии и логированием. Будь то создание чат-ботов для поддержки клиентов, помощников по извлечению данных или автоматических helper для CI/CD, Dev-Agent снижает затраты на разработку и обеспечивает беспрепятственное расширение через плагины сообщества, предлагая гибкость и масштабируемость для разнообразных AI-приложений.

JaCaMo предоставляет единое окружение для разработки и запуска многоагентных систем (MAS), объединяя три основных компонента: язык программирования агентов Jason для агентов на базе BDI, CArtAgO для моделирования окружающей среды с помощью артефактов и Moise для задания организационных структур и ролей. Разработчики могут писать планы агентов, определять артефакты с операциями и организовывать группы агентов в рамках нормативных структур. Платформа включает инструменты для симуляции, отладки и визуализации взаимодействий MAS. Благодаря поддержке распределённого выполнения, репозиториям артефактов и гибкому обмену сообщениями, JaCaMo позволяет быстро создавать прототипы и проводить исследования в областях, таких как ройоподобный интеллект, коллаборативная робототехника и распределённое принятие решений. Его модульная архитектура обеспечивает масштабируемость и расширяемость для академических и промышленных проектов.

gym-multigrid предоставляет ряд настраиваемых сред сеточного типа, предназначенных для задач многокомнатной навигации и исследования в установках обучения с подкреплением. Каждая среда состоит из взаимосвязанных комнат, заполненных объектами, ключами, дверьми и препятствиями. Пользователи могут программно менять размер сетки, конфигурации комнат и размещение объектов. Библиотека поддерживает режимы полной или частичной наблюдаемости, предлагая RGB-или матричные представления состояния. Действия включают перемещение, взаимодействие с объектами и управление дверьми. Интегрируя как среду Gym, исследователи могут использовать любой совместимый с Gym агент для обучения и оценки алгоритмов по задачам, таким как головоломки с ключами и дверями, поиск объектов и иерархическое планирование. Модульный дизайн и минимальные зависимости делают gym-multigrid отличным инструментом для тестирования новых интеллектуальных стратегий.

Julep AI - это платформа с открытым исходным кодом, разработанная для того, чтобы помочь командам по анализу данных быстро создавать, дорабатывать и внедрять многошаговые рабочие процессы ИИ. С Julep вы можете создавать масштабируемые, надежные и долго работающие ИИ-пайплайны с помощью агентов, задач и инструментов. Конфигурация на основе YAML упрощает сложные процессы ИИ и обеспечивает рабочие процессы, готовые к производству. Она поддерживает быстрое прототипирование, модульный дизайн и бесшовную интеграцию с существующими системами, что делает ее идеальной для обработки миллионов одновременных пользователей, при этом обеспечивая полную видимость ИИ-операций.

LLM to MCP Integration Engine — это open-source рамочная платформа, предназначенная для интеграции больших языковых моделей (LLMs) с различными платформами обмена сообщениями (MCP). Она предоставляет адаптеры для API LLM таких как OpenAI и Anthropic, а также соединители для чатов на Slack, Discord и Telegram. Движок управляет состоянием сессии, обогащает контекст и маршрутизирует сообщения в двух направлениях. Его плагиновая архитектура позволяет разработчикам расширять поддержку новых провайдеров и настраивать бизнес-логику, ускоряя развертывание AI-агентов в производственных средах.

Micro-agent — это легкая, непредвзятая библиотека JavaScript, предназначенная для упрощения создания сложных AI-агентов с использованием больших языковых моделей. Она предоставляет основные абстракции, такие как агенты, инструменты, планировщики и хранилища памяти, позволяя разработчикам формировать пользовательские цепочки диалога. Агенты могут вызывать внешние API или внутренние утилиты как инструменты, что обеспечивает динамическое получение данных и выполнение действий. Библиотека поддерживает краткосрочную диалоговую память и долговременную постоянную память, чтобы сохранять контекст между сессиями. Планировщики управляют цепочками мышления, разбивая сложные задачи на вызовы инструментов или запросы к моделям языковой обработки. С настраиваемыми шаблонами подсказок и стратегиями выполнения микросервис адаптируется без проблем к фронтенд-приложениям, сервисам Node.js и пограничным средам, предоставляя гибкую основу для чат-ботов, виртуальных помощников или систем автономного принятия решений.