LangChain — это open-source фреймворк на Python, предназначенный для ускорения разработки приложений на базе ИИ. Он обеспечивает абстракции для цепочки нескольких вызовов языковых моделей (цепочки), создания агентов, взаимодействующих с внешними инструментами, и управления памятью диалогов. Разработчики могут определять подсказки, парсеры вывода и запускать рабочие процессы «от конца до конца». Интеграции включают векторные хранилища, базы данных, API и платформы хостинга, позволяя создавать боеспособных чат-ботов, системы анализа документов, помощников по коду и пользовательские AI пайплайны.

MultiAgentPuzzleSolver предоставляет модульную среду, где независимые агенты ИИ работают совместно для решения таких задач, как скользящие плитки, Кубик Рубика и логические сетки. Агенты делятся информацией о состоянии, договариваются о подзадачах и используют различные эвристики для более эффективного исследования пространства решений, чем одиночные подходы. Разработчики могут добавлять новые поведения агентов, настраивать протоколы коммуникации и расширять определения головоломок. В рамках фреймворка есть инструменты для визуализации взаимодействий агентов в реальном времени, сбора метрик и автоматизации экспериментов. Поддерживаются Python 3.8+, стандартные библиотеки и популярные ML-инструменты для беспрепятственной интеграции в исследовательские проекты.

NeXent — это гибкая платформа для агентов ИИ, которая позволяет определять пользовательских цифровых работников через YAML или SDK на Python. Вы можете интегрировать несколько LLM, внешних API и цепочек инструментов в модулярные пайплайны. Встроенные модули памяти поддерживают взаимодействия с состоянием, а панель мониторинга обеспечивает отображение данных в реальном времени. NeXent поддерживает локальное и облачное развертывание, Docker-контейнеры и масштабируется по горизонтали для корпоративных нагрузок. Открытая архитектура поощряет расширяемость и плагины сообщества.

Super-Agent-Party позволяет разработчикам определить объект Party, где отдельные AI-агенты выполняют различные роли, такие как планирование, исследование, составление черновика и рецензирование. Каждый агент можно настроить с помощью пользовательских подсказок, инструментов и параметров модели. Фреймворк управляет маршрутизацией сообщений и разделённым контекстом, позволяя агентам в реальном времени работать вместе над подзадачами. Поддерживается интеграция плагинов для сторонних сервисов, гибкие стратегии оркестровки и процедуры обработки ошибок. С интуитивным API пользователи могут динамически добавлять или удалять агентов, связывать рабочие процессы и визуализировать взаимодействия агентов. Построен на Node.js и совместим с основными облачными провайдерами, Super-Agent-Party упрощает разработку масштабируемых и поддерживаемых систем с несколькими агентами для автоматизации, генерации контента, анализа данных и других задач.

CoreLink-Persona-Engine — это модульная структура, которая позволяет разработчикам создавать агентов ИИ с уникальными личностями, определяя черты личности, поведения памяти и сценарии общения. Она обеспечивает гибкую архитектуру плагинов для интеграции баз знаний, пользовательской логики и внешних API. Движок управляет как кратковременной, так и долговременной памятью, обеспечивая сохранение контекста между сессиями. Разработчики могут настраивать профили персональности с помощью JSON или YAML, подключаться к поставщикам LLM, таким как OpenAI или локальные модели, и развёртывать агентов на различных платформах. Встроенные системы логирования и аналитики позволяют отслеживать работу агентов и совершенствовать их поведение, делая эту систему подходящей для поддержки клиентов, виртуальных помощников, ролевых игр и исследовательских прототипов.

GRASP предоставляет структурированный конвейер для построения AI-агентов в средах TypeScript или JavaScript. В основе — определение агентов через регистрацию набора инструментов — функций или внешних API-коннекторов — и задание шаблонов подсказок, которые управляют поведением агента. Встроенные модули памяти позволяют агентам хранить и извлекать контекстную информацию, обеспечивая многопроходные диалоги с сохранением состояния. Компонент планирования управляет выбором и выполнением инструментов на основе пользовательского ввода, в то время как слой выполнения обрабатывает вызовы API и обработку результатов. Система плагинов GRASP поддерживает пользовательские расширения, такие как дополненная за счет поиска генерация (RAG), планирование задач и журналы. Модульный дизайн позволяет командам выбирать только необходимые компоненты, что облегчает интеграцию с существующими системами и сервисами для чат-ботов, виртуальных помощников и автоматизированных рабочих процессов.

Nova предоставляет полный набор инструментов для создания автономных AI-агентов на Python. В него входит планировщик, разлагающий цели на конкретные шаги, система плагинов для интеграции любых внешних инструментов или API и модуль памяти для хранения и вызова контекста общения. Разработчики могут настроить индивидуальное поведение, отслеживать решения агента через логи и расширять функциональность минимальным кодом. Nova упрощает весь цикл жизни агента — от разработки до запуска.

Модульный AI-агент на Python, предлагающий чат, запоминание контекста и автоматическое выполнение задач. В системе реализована поддержка веб-браузинга, управления файлами, отправки электронной почты и планирования через плагины. Использует модели OpenAI или локальные языковые модели и хранилище памяти на SQLite, что позволяет сохранять историю диалогов и адаптировать ответы со временем. Разработчики могут расширять возможности с помощью собственных модулей, создавая персонализированный помощник для повышения продуктивности, исследований или домашней автоматизации.

Демо Semantic Kernel Copilot — это полнофункционский образец приложения, показывающий, как создавать продвинутых AI-агентов с помощью фреймворка Semantic Kernel от Microsoft. Демонстрация включает цепочки подсказок для многошагового рассуждения, управление памятью для восстановления контекста между сессиями и архитектуру навыков на основе плагинов, позволяющую интеграцию с внешними API или службами. Разработчики могут настроить соединители для Azure OpenAI или моделей OpenAI, определить собственные шаблоны подсказок и реализовать доменные навыки, такие как доступ к календарю, операции с файлами или извлечение данных. Пример показывает, как организовать эти компоненты для создания разговорного ко-пилота, который понимает намерения пользователя, выполняет задачи и сохраняет контекст со временем, способствуя быстрому развитию персонализированных AI-ассистентов.

Платформа Stella позволяет разработчикам строить надежных AI-агентов, поддерживающих контекст, выполняющих действия при помощи инструментов и предлагающих динамичные диалоговые сценарии. Обеспечивая абстракцию сложностей интеграции LLM, Stella предлагает адаптеры, независимые от поставщика, для OpenAI, Hugging Face и моделей, размещенных на собственных серверах. Агентов можно использовать с настраиваемым хранилищем памяти для воспоминания данных пользователя и истории разговоров, а плагины позволяют взаимодействовать с внешними API, базами данных или сервисами. Встроенный механизм оркестрации управляет циклами принятия решений, а лаконичный DSL позволяет определять действия, вызовы инструментов и обработку ответов. Будь то создание чат-ботов поддержки клиентов, исследовательских помощников или автоматизаторов рабочих процессов, Stella предоставляет масштабируемую основу для развертывания агентов уровня производства.

AI-Agents предлагает модульную архитектуру для определения AI-управляемых агентов с помощью Python и моделей OpenAI. Включает подключаемые инструменты — поисковые системы, калькуляторы, Википедия, а также пользовательские функции, позволяющие агентам выполнять сложное многосложное рассуждение. Встроенные компоненты памяти позволяют сохранять контекст между сеансами. Разработчики могут клонировать репозиторий, настраивать API-ключи и быстро расширять или менять инструменты. Благодаря наглядным примерам и документации, AI-Agents упрощает рабочий процесс от идеи до развертывания индивидуальных решений на базе ИИ, ориентированных на диалог или задачи.

ADK-Golang — это открытый набор инструментов для разработки агентов в экосистеме Go. Он предоставляет модульную архитектуру для регистрации и управления инструментами (API, базы данных, внешние сервисы), создания динамических шаблонов вопросов и поддержки памяти диалогов для многоточечных взаимодействий. Встроенные паттерны оркестрации и возможности логирования позволяют легко настраивать, тестировать и запускать ИИ-агентов, выполняющих задачи по извлечению данных, автоматизированным рабочим процессам и контекстному общению. ADK-Golang скрывает низкоуровневые вызовы API и оптимизирует весь цикл жизни агента — от инициализации и планирования до выполнения и обработки ответов — полностью на языке Go.

Agentic Kernel предлагает раздельную архитектуру для построения AI-агентов путём композиции переиспользуемых компонентов. Разработчики могут определять планировочные пайплайны для разбивки целей, настраивать короткосрочные и долгосрочные хранилища памяти с помощью embedding или файловых бэкендов, а также регистрировать внешние инструменты или API для выполнения действий. Фреймворк поддерживает динамический выбор инструментов, циклы отражения агента и встроенное планирование для управления рабочими потоками. Его модульный дизайн совместим с любым поставщиком LLM и пользовательскими компонентами, что обеспечивает возможность использования, например, в чат-ботах, автоматизации исследований и обработки данных. Благодаря прозрачной регистрации логов, управлению состоянием и простоте интеграции, Agentic Kernel ускоряет разработку с возможностью масштабирования и поддержки в AI-решениях.

AI Agent Example — это демонстрационный репозиторий для разработчиков и исследователей, желающих создавать интеллектуальных агентов на базе крупных языковых моделей (LLM). Проект включает примерный код для планирования агента, хранения памяти и вызова инструментов, показывая, как интегрировать внешние API или пользовательские функции. Он обладает простым интерфейсом диалога, который интерпретирует пользовательские намерения, формулирует планы действий и выполняет задачи, вызывая предопределённые инструменты. Разработчики могут следовать простым шаблонам для расширения агента новыми возможностями, такими как планирование событий, парсинг веб-страниц или автоматическая обработка данных. Благодаря модульной архитектуре этот шаблон ускоряет экспериментирование с ИИ-управляемыми рабочими процессами и персональными цифровыми помощниками, а также предоставляет представление о оркестровке агентов и управлении состоянием.

AskAtlasAI-Agent дает возможность разработчикам развертывать AI-агентов, отвечающих на естественные запросы по любому набору документов в MongoDB Atlas. Он координирует вызовы LLM для внедрения, поиска и генерации ответов, управляет контекстом диалога и предлагает настраиваемые цепочки подсказок. Построен на JavaScript/TypeScript, требует минимальной настройки: соедините свой кластер Atlas, предоставьте учетные данные OpenAI, загрузите или сослаться на документы и начните запросы через простой API. Также поддерживает расширение с пользовательскими функциями ранжирования, бекендами памяти и оркестрацией нескольких моделей.

Модульный набор инструментов Besser Agentic Framework предназначен для определения, координации и масштабирования AI-агентов. Он позволяет настроить поведение агента, интегрировать внешние инструменты и API, управлять памятью и состоянием агента, а также контролировать выполнение. Основанный на Python, он поддерживает расширяемые плагины, коллаборацию нескольких агентов и встроенное логирование. Разработчики могут быстро прототипировать и разворачивать агентов для задач извлечения данных, автоматизированных исследований и диалоговых ассистентов — все в рамках одного унифицированного фреймворка.

Build with ADK облегчает создание AI-агентов, предоставляя инструмент CLI для скелетонизации, определения рабочих процессов, модулей интеграции LLM, утилит тестирования, логирования и поддержки развертывания. Разработчики могут инициировать проекты агентов, выбирать модели ИИ, настраивать подсказки, подключать внешние инструменты или API, проводить локальное тестирование и публиковать своих агентов в производственной среде или на контейнерных платформах — всё с помощью простых команд. Модульная архитектура позволяет легко расширять плагины и поддерживает несколько языков программирования для максимальной гибкости.

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.

CUPCAKE AGI (Композиционный утилитарный пайплайн для креативного, знающего и эволюционирующего автономного общего интеллекта) — это гибкий каркас Python, который упрощает создание автономных агентов путём объединения языковых моделей, памяти и внешних инструментов. Он включает основные модули, такие как планировщик целей, исполнитель моделей и менеджер памяти для сохранения контекста при взаимодействиях. Разработчики могут расширять функциональность через плагины для интеграции API, баз данных или пользовательских комплектов инструментов. CUPCAKE AGI поддерживает как синхронные, так и асинхронные рабочие процессы, что делает его идеальным для исследований, прототипирования и развертывания агентов уровня промышленного использования в различных сферах.

Спецификация корпоративных ИИ-агентов определяет всеобъемлющий стандарт для агентов корпоративного уровня, включая схемы манифестов для идентификации, описания, триггеров, управления памятью и поддерживаемых инструментов. Включает форматы определения инструментов на основе JSON, руководства по оркестровке пайплайнов и рабочих процессов, а также стандарты версионирования для обеспечения последовательных развертываний. Поддерживает расширяемость через регистрацию пользовательских инструментов, лучшие практики по безопасности и управлению, а также интеграцию с различными средами выполнения. Соблюдая стандарт, команды могут создавать, делиться и поддерживать ИИ-агентов в нескольких средах, способствуя сотрудничеству, масштабируемости и единообразию в крупных организациях.