JADE — это фреймворк для разработки агентов на базе Java, упрощающий создание распределённых многоагентных систем. Он предоставляет инфраструктуру, соответствующую FIPA, включая среду выполнения, транспорт сообщений, каталог агентов и управление агентами. Разработчики пишут классы агентов на Java, развертывают их в контейнерах и используют графические инструменты, такие как RMA и Sniffer, для отладки и мониторинга. JADE поддерживает мобильность агентов, планирование поведения и операции жизненного цикла, обеспечивая масштабируемый и модульный дизайн для исследований, координации IoT, моделирования и автоматизации предприятий.

JARVIS-1 представляет собой модульную архитектуру, объединяющую интерфейс на естественном языке, модуль памяти и исполнитель задач на базе плагинов. На базе GPT-index он сохраняет диалоги, восстанавливает контекст и развивается благодаря взаимодействиям с пользователем. Пользователи задают задачи простыми подсказками, а JARVIS-1 управляет планированием задач, выполнением кода, обработкой файлов и веб-браузингом. Его система плагинов обеспечивает пользовательские интеграции с базами данных, электронной почтой, PDF и облачными сервисами. Можно развернуть через Docker или CLI на Linux, macOS и Windows, JARVIS-1 гарантирует офлайн-работу и полный контроль данных, что делает его идеальным для разработчиков, команд DevOps и продвинутых пользователей, ищущих безопасную и расширяемую автоматизацию.

JASA предоставляет комплексный набор Java-библиотек для построения и выполнения симуляций мног-agентных систем. Она поддерживает управление жизненным циклом агентов, планирование событий, асинхронную передачу сообщений и моделирование окружения. Разработчики могут расширять базовые классы для реализации пользовательского поведения, интегрировать внешние источники данных и визуализировать результаты симуляции. Модульная структура фреймворка и ясная документация API обеспечивают быстрое прототипирование и масштабируемость, делая его подходящим для академических исследований, обучения и разработки концептов в моделировании на базе агентов.

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.

LangChain — это модульная платформа, которая помогает разработчикам создавать сложные AI-приложения, связывая большие языковые модели с внешними источниками данных и инструментами. Она предоставляет абстракции цепочек для последовательных вызовов LLM, координацию агентов для рабочих процессов принятия решений, модули памяти для сохранения контекста и интеграцию с загрузчиками документов, хранилищами векторов и API-инструментами. Поддержка нескольких провайдеров и SDK на Python и JavaScript ускоряет прототипирование и развертывание чатботов, QA-систем и персонализированных помощников.

LangChain — ориентированный на разработчиков фреймворк, предназначенный для упрощения создания умных AI-агентов и приложений. Он обеспечивает абстракции для цепочек вызовов LLM, поведения агентов с интеграцией инструментов, управления памятью для сохранения контекста и настраиваемых шаблонов подсказок. Благодаря встроенной поддержке загрузчиков документов, векторных хранилищ и различных поставщиков моделей, LangChain позволяет строить цепочки генерации с поддержкой поиска, автономные агенты и разговорные помощники, которые взаимодействуют с API, базами данных и внешними системами в едином рабочем процессе.

Langchainrb — это библиотека Ruby с открытым исходным кодом, предназначенная для ускорения разработки приложений с ИИ с помощью модульной архитектуры для агентов, цепочек и инструментов. Разработчики могут определять шаблоны подсказок, собирать цепочки вызовов LLM, интегрировать компоненты памяти для сохранения контекста и подключать пользовательские инструменты, такие как загрузчики документов или поисковые API. Поддерживается генерация встраиваний для семантического поиска, встроенная обработка ошибок и гибкая настройка моделей. Благодаря абстракциям агентов можно реализовать диалоговых помощников, которые решают, какие инструменты или цепочки вызывать в зависимости от входных данных пользователя. Расширяемая архитектура Langchainrb позволяет легко настраивать систему, быстро прототипировать чат-ботов, автоматические системы суммирования, QA-системы и автоматизацию сложных рабочих процессов.

LangGraph Cookbook предоставляет готовые рецепты для построения сложных AI-агентов, представляя рабочие процессы в виде ориентированных графов. Каждый узел может содержать подсказки, вызовы инструментов, соединители данных или шаги постобработки. Рецепты охватывают задачи такие как ответы на вопросы по документам, суммирование, генерация кода и многопрограммное взаимодействие. Разработчики могут изучать и адаптировать эти шаблоны для быстрого прототипирования пользовательских приложений с использованием LLM, повышая модульность, повторное использование и прозрачность выполнения.

LifelongAgentBench предназначена для моделирования реальных сценариев постоянного обучения, позволяя разработчикам тестировать AI-агентов на последовательности развивающихся задач. Фреймворк предоставляет API plug-and-play для определения новых сценариев, загрузки наборов данных и настройки политик управления памятью. Встроенные модули оценки считают метрики такие, как перенос вперед, перенос назад, уровень забывания и комбинированная производительность. Пользователи могут запускать базовые реализации или интегрировать проприетарных агентов, чтобы обеспечить сравнение при одинаковых условиях. Результаты экспортируются в стандартизированные отчеты с интерактивными графиками и таблицами. Модульная архитектура поддерживает расширения с кастомными загрузчиками данных, метриками и плагинами визуализации, что позволяет исследователям и инженерам адаптировать платформу под разные области применения.

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.

LLMWare выступает в качестве полного инструментария для создания AI-агентов на базе больших языковых моделей. Он позволяет определять переиспользуемые цепочки, интегрировать внешние инструменты через простые интерфейсы, управлять состояниями памяти и координировать многошаговые рассуждения между языковыми моделями и downstream-сервисами. С помощью LLMWare разработчики могут подключать различные бэкенды моделей, настраивать логику решения агента и добавлять пользовательские наборы инструментов для задач таких как веб-поиск, запросы к базам данных или вызовы API. Его модульная архитектура обеспечивает быстрое создание автономных агентов, чатботов или исследовательских помощников с встроенным логированием, обработкой ошибок и адаптерами для развертывания в разработке и на производстве.

MAGI (Модульный Генеративный Интеллект ИИ) — это открытая платформа, разработанная для упрощения создания и управления агентами ИИ. Она предлагает архитектуру плагинов для пользовательской интеграции инструментов, модули постоянной памяти, планирование в цепочке мысли и оркестрацию многозадачных рабочих процессов в реальном времени. Разработчики могут регистрировать внешние API или локальные скрипты как инструменты агента, настраивать базы данных памяти и определять политики задач. Расширяемый дизайн MAGI поддерживает как синхронные, так и асинхронные задачи, что делает его идеальным для чат-ботов, автоматизированных цепочек и исследовательских прототипов.

MAPF_G2RL — это открытая исследовательская среда, соединяющая теорию графов и глубокое усиленное обучение для решения задачи поиска путей с несколькими агентами (MAPF). Она кодирует узлы и ребра в векторные представления, определяет пространственные и коллизионно-осведомленные функции награды, поддерживает различные алгоритмы RL, такие как DQN, PPO и A2C. Фреймворк автоматизирует создание сценариев, генерируя случайные графы или импортируя карты реального мира, а также управляет циклами обучения, оптимизирующими политики для нескольких агентов одновременно. После обучения агенты оцениваются в симуляционных средах по показателям оптимальности маршрутов, времени выполнения и уровню успеха. Его модульный дизайн позволяет исследователям расширять ключевые компоненты, интегрировать новые методы MARL и проводить сравнение с классическими решателями.

MARL-DPP — это открытый исходный код, позволяющий организовать многоагентное обучение с подкреплением (MARL) с принудительным разнообразием через детерминантные точечные процессы (DPP). Традиционные подходы MARL часто сталкиваются с сходимостью политик к похожему поведению; MARL-DPP решает эту проблему, внедряя меры на базе DPP, чтобы поощрять агентов сохранять разнообразное распределение действий. Набор инструментов предоставляет модульный код для включения DPP в цели обучения, выбор политик и управление исследованием. В комплект входит готовое интегрирование с стандартными средами OpenAI Gym и Multi-Agent Particle Environment (MPE), а также утилиты для управления гиперпараметрами, журналирования и визуализации метрик разнообразия. Исследователи могут оценить влияние ограничений на разнообразие на кооперативные задачи, ресурсо-распределение и соревновательные игры. Расширяемый дизайн поддерживает пользовательские среды и продвинутые алгоритмы, способствуя исследованию новых вариантов MARL-DPP.

PersonalAI предлагает комплексную систему агентов, объединяющую расширенные интеграции ЛЛМ с персистентной семантической памятью и расширяемой системой плагинов. Разработчики могут настраивать бекенды памяти, такие как Redis, SQLite, PostgreSQL или векторные хранилища, для управления эмбеддингами и воспоминаниями прошлых разговоров. Встроенные плагины поддерживают задачи, такие как поиск в интернете, чтение/запись файлов и выполнение Python-кода, в то время как надежный API плагинов позволяет создавать пользовательские инструменты. Агент координирует запросы к ЛЛМ и вызовы инструментов в управляемом рабочем процессе, обеспечивая ответы с учетом контекста и автоматические действия. Используйте локальные ЛЛМ через Hugging Face или облачные сервисы через OpenAI и Azure OpenAI. Модульный дизайн PersonalAI способствует быстрому прототипированию специальных агентов, автоматизированных исследовательских ботов или систем управления знаниями, которые учатся и адаптируются со временем.

Mava — это библиотека с открытым исходным кодом, основанная на JAX, для разработки, обучения и оценки систем обучения с подкреплением с несколькими агентами. Предлагает готовые реализации кооперативных и соревновательных алгоритмов, таких как MAPPO и MADDPG, а также настраиваемые циклы обучения, поддерживающие однопроходные и распределенные рабочие процессы. Исследователи могут импортировать окружения из PettingZoo или определять собственные окружения и использовать модульные компоненты Mava для оптимизации политики, управления буферами повторного воспроизведения и логирования метрик. Гибкая архитектура платформы позволяет легко интегрировать новые алгоритмы, собственные пространства наблюдений и структуры вознаграждений. Используя возможности автолевализации и аппаратного ускорения JAX, Mava обеспечивает эффективные крупномасштабные эксперименты и воспроизводимое сравнение в различных сценариях многопользовательской работы.

MCP Browser Agent — это рамочная структура автономных AI-агентов для браузера, использующая большие языковые модели для выполнения навигации по сайтам, скрейпинга данных, обобщения содержимого, взаимодействия с формами и автоматизированных последовательностей задач. В качестве легкого JavaScript-библиотеки он seamlessly интегрируется с API GPT от OpenAI, позволяя разработчикам программировать собственные действия, хранилища памяти и цепочки запросов. Агент может кликать по ссылкам, заполнять формы, извлекать таблицы и по требованию подытоживать содержимое страниц. Поддерживаются асинхронное выполнение, обработка ошибок и сохранение сессий через браузерное хранилище. С помощью настраиваемых интерфейсов и расширяемых модулей действий MCP Browser Agent упрощает создание интеллектуальных помощников для браузера, повышая продуктивность, практичность и сокращая ручной труд в разных веб-приложениях.

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.

micro-agent предоставляет минималистский, но мощный набор абстракций для создания автономных AI-агентов. Построенная на TypeScript, она без проблем работает как в браузере, так и в Node.js, позволяя определять агентов с собственными шаблонами подсказок, логикой принятия решений и расширяемой интеграцией инструментов. Агенты могут использовать цепочку рассуждений, взаимодействовать с внешними API и поддерживать разговорную или задачно-специфическую память. Библиотека включает утилиты для обработки API-ответов, управления ошибками и сохранения сессий. С помощью micro-agent разработчики могут прототипировать и запускать агентов для различных задач — автоматизацию рабочих процессов, создание разговорных интерфейсов или управление пайплайнами обработки данных — без необходимости использования больших фреймворков. Ее модульный дизайн и понятный API облегчают расширение и интеграцию в существующие приложения.

MIDCA — это модульная когнитивная архитектура, предназначенная для поддержки полного когнитивного цикла умных агентов. Она обрабатывает сенсорные входные данные с помощью модуля восприятия, интерпретирует их для генерации и приоритезации целей, использует планировщик для создания последовательностей действий, осуществляет выполнение и оценивает результаты через метакогнитивный слой. Концепция двойного цикла разделяет быстрые реактивные ответы и более медленное рассуждение, что даёт агентам возможность динамического адаптирования. Расширяемая структура и открытый исходный код делают MIDCA идеальной платформой для исследователей и разработчиков, изучающих автономное принятие решений, обучение и саморефлексию в ИИ.