Java-Action-Shape — это специальная библиотека действий, разработанная для расширения возможностей системы LightJason с помощью продвинутых геометрических функций. Она предоставляет агентам готовые действия для создания стандартных фигур (круг, прямоугольник, многоугольник), применения трансформаций (сдвиг, вращение, масштаб), а также для выполнения аналитических расчетов (площадь, периметр, центроид). Каждое действие потокобезопасно и интегрировано с асинхронной моделью выполнения LightJason, что обеспечивает эффективную параллельную обработку. Разработчики могут определить пользовательские фигуры, задав вершины и грани, зарегистрировать их в реестре действий агента и включить в определения планов. Централизуя логику, связанную с фигурами, Java-Action-Shape сокращает объем повторного кода, обеспечивает единый API и ускоряет создание приложений с геометрической привязкой — от моделирования до образовательных инструментов.

AgenticSearch — это открытая библиотека Python для построения автономных ИИ-агентов, выполняющих веб-поиск, собирающих данные и создающих структурированные ответы. Она интегрирует крупные языковые модели и API поиска для оркестровки многошаговых рабочих процессов: отправки запросов, сбора результатов, ранжирования релевантных ссылок, извлечения ключевых отрывков и составления резюме. Разработчики могут настраивать поведение агентов, цепочки действий и следить за выполнением для создания исследовательских помощников, инструментов конкурентной разведки или собирающих данные в определенной области, без ручного просмотра страниц.

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.

AWS Bedrock Multi-Agent Blueprint обеспечивает модульную основу для реализации архитектуры с несколькими агентами на AWS Bedrock. В ней есть пример кода для определения ролей агентов — планировщика, исследователя, исполнителя и оценщика — которые взаимодействуют через общие очереди сообщений. Каждый агент может вызывать различные модели Bedrock с пользовательскими подсказками и передавать промежуточные результаты последующим агентам. Встроенное ведение журнала с помощью CloudWatch, схемы обработки ошибок и поддержка синхронного или асинхронного выполнения показывают, как управлять выбором моделей, пакетными задачами и полной оркестровкой. Разработчики могут клонировать репозиторий, настроить роли AWS IAM и конечные точки Bedrock, а затем развернуть через CloudFormation или CDK. Открытая архитектура поощряет расширение ролей, масштабирование агентов по задачам и интеграцию с S3, Lambda и Step Functions.

Swarms.rs — это основной рантайм на Rust для выполнения программ с роевыми AI-агентами. Он включает модульную систему плагинов для интеграции пользовательской логики или моделей ИИ, слой обмена сообщениями для p2p-коммуникации и асинхронный исполнитель для планирования поведения агентов. Все эти компоненты позволяют создавать, развертывать и масштабировать сложные децентрализованные сети агентов для моделирования, автоматизации и совместных задач.

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.

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.