ThreeAgents написан на Python и использует API OpenAI для инстанцирования нескольких AI-агентов с разными ролями (система, помощник, пользователь). Он предлагает абстракции для подсказок агентам, обработки сообщений в зависимости от ролей и управления памятью контекста. Разработчики могут создавать собственные шаблоны подсказок, настраивать индивидуальность агентов и связывать взаимодействия для моделирования реалистичных диалогов или рабочих процессов, ориентированных на задачи. Framework управляет передачей сообщений, управлением окна контекста и ведением журналов, позволяя проводить эксперименты по совместному принятию решений или иерархической декомпозиции задач. Благодаря поддержке переменных окружения и модульных агентов, ThreeAgents обеспечивает беспрепятственный обмен между локальными и облачными LLM, позволяя быстро разрабатывать прототипы многоагентных систем ИИ. В комплекте идут примеры и поддержка Docker для быстрой настройки.

Agents-Deep-Research разработана для упрощения разработки и тестирования автономных агентов ИИ за счет использования модульной и расширяемой базы кода. В нее входит движок планирования задач, разбивающий заданные пользователем цели на подзадачи, модуль долговременной памяти для хранения и извлечения контекста, а также слой интеграции инструментов, позволяющий агентам взаимодействовать с внешними API и симулированными окружениями. Фреймворк также включает скрипты оценки и инструменты бенчмаркинга для измерения производительности агентов в различных сценариях. Основанный на Python и совместимый с разными backend LLM, он позволяет исследователям и разработчикам быстро прототипировать новые архитектуры агентов, проводить воспроизводимые эксперименты и сравнивать различные стратегии планирования в контролируемых условиях.

AI Otaku LABO — это ведущая медиа-платформа, специализирующаяся на обзорах и руководствах по инструментам ИИ. Под управлением профессионалов, он строго тестирует более 100 платных и бесплатных генераторов ИИ для проверки их практической полезности. Веб-сайт обеспечивает читателей точными и надежными данными на основе проверенных экспериментов, что делает его основным источником для тех, кто ищет глубокие знания и последние обновления в области технологий ИИ.

crewAI Playground — это набор инструментов и песочница для построения и экспериментов с агентами на базе AI. Вы задаете агентов через конфигурационные файлы или код, указывая подсказки, инструменты и модули памяти. Платформа позволяет одновременно запускать нескольких агентов, управлять маршрутизацией сообщений и вести журнал истории диалогов. Поддерживается интеграция плагинов для внешних источников данных, настраиваемые бекенды памяти (в памяти или персистентные) и веб-интерфейс для тестирования. Используйте его для прототипирования чатботов, виртуальных помощников и автоматизированных рабочих процессов перед внедрением.

LLM Playground служит комплексным инструментом для исследователей и разработчиков, интересующихся большими языковыми моделями (LLM). Пользователи могут экспериментировать с различными подсказками, оценивать ответы моделей и разрабатывать приложения. Платформа поддерживает ряд LLM и включает функции для сравнения производительности, позволяя пользователям видеть, какая модель лучше всего подходит для их нужд. С доступным интерфейсом LLM Playground направлена на упрощение процесса взаимодействия с сложными технологиями машинного обучения, что делает ее ценным ресурсом как для образования, так и для экспериментов.

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.

MultiAgent-Systems-StarCraft2-PySC2-Raw предоставляет полный инструментарий для разработки, обучения и оценки нескольких AI-агентов в StarCraft II. Он обеспечивает низкоуровневое управление движением юнитов, целью и способностями, а также гибкую настройку наград и сценариев. Пользователи могут легко интегрировать собственные архитектуры нейронных сетей, определять стратегии командного взаимодействия и записывать метрики. Основанный на PySC2, он поддерживает параллельное обучение, создание снимков и визуализацию, что делает его идеальным для исследований в области обучения с подкреплением с несколькими агентами.

OpenPlayground — это платформа с открытым исходным кодом, которая позволяет пользователям экспериментировать и сравнивать различные большие языковые модели (LLMs). Она создана для того, чтобы помочь пользователям понять сильные и слабые стороны различных LLM, предоставляя удобную и интерактивную среду. Платформа особенно полезна для разработчиков, исследователей и всех, кто интересуется возможностями искусственного интеллекта. Пользователи могут легко зарегистрироваться, используя свою учетную запись Google или электронную почту.

DemoGPT — это проект на Python с открытым исходным кодом, предназначенный для демонстрации основных концепций ИИ-агентов с использованием моделей GPT от OpenAI. Он реализует разговорный интерфейс с постоянной памятью, сохраняемой в файлах JSON, что позволяет вести контекстные взаимодействия между сессиями. Framework поддерживает динамическое выполнение инструментов, таких как поиск в интернете, вычисления и пользовательские расширения, с помощью архитектуры в стиле плагинов. Просто настройте свой ключ API OpenAI и установите зависимости, чтобы запускать DemoGPT локально для прототипирования чат-ботов, исследования многоэтапных диалогов и тестирования рабочих процессов агентов. Эта полная демонстрация предоставляет разработчикам и исследователям практическую основу для создания, настройки и экспериментов с агентами на базе GPT в реальных сценариях.

echoOLlama использует экосистему Ollama для предоставления минимальной структуры агента: он читает пользовательский ввод из терминала, отправляет его сконфигурированному локальному LLM и транслирует ответы в реальном времени. Пользователи могут скриптовать последовательности взаимодействий, связывать подсказки и экспериментировать с инженерией подсказок, не модифицируя исходный код модели. Это делает echoOLlama идеальным средством для тестирования диалоговых сценариев, создания простых командных утилит и обработки итеративных задач агентов, при этом обеспечивая безопасность данных.

PommerLearn позволяет исследователям и разработчикам обучать многоагентных RL-ботов в среде игры Pommerman. Включает готовые реализации популярных алгоритмов (PPO, DQN), гибкие конфигурационные файлы для гиперпараметров, автоматическое логирование и визуализацию метрик обучения, контрольные точки моделей и скрипты оценки. Его модульная архитектура облегчает расширение новыми алгоритмами, настройку среды и интеграцию с стандартными ML-библиотеками, такими как PyTorch.