Symbol-LLM предлагает модульную архитектуру для построения ИИ-агентов, основанных на больших языковых моделях с добавленной символьной памятью. В ней есть модуль планировщика для разбиения сложных задач, исполнитель для вызова инструментов и система памяти для сохранения контекста между взаимодействиями. Встроенные комплекты инструментов, такие как веб-поиск, калькулятор и запуск кода, а также простые API для интеграции пользовательских инструментов, позволяют разработчикам и исследователям быстро создавать и развертывать сложных помощников на базе LLM для различных областей, включая исследования, поддержку клиентов и автоматизацию рабочих процессов.

Мультияентные системы предназначены для упрощения создания, настройки и запуска распределенных архитектур на основе агентов. Разработчики могут определять поведение агентов, онтологии коммуникации и описание сервисов через классы Java. Фреймворк управляет настройкой контейнеров, передачей сообщений и жизненным циклом агентов. На основе стандартных протоколов FIPA он поддерживает P2P-переговоры, совместное планирование и модульное расширение. Пользователи могут запускать, отслеживать и отлаживать сценарии с несколькими агентами на одном устройстве или в сети, что делает его идеальным для исследований, обучения и небольших развертываний.

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.

Self-Determining AI Agents — это фреймворк на Python, разработанный для упрощения создания автономных AI-агентов. Он включает настраиваемый цикл планирования, в котором агенты создают задачи, планируют стратегии и выполняют действия с помощью интегрированных инструментов. В рамках есть модули постоянной памяти для сохранения контекста, гибкая система планирования задач и хуки для пользовательских инструментов, таких как веб-API или запросы к базам данных. Разработчики могут задавать цели агента через конфигурационные файлы или код, а библиотека управляет итеративным процессом принятия решений. Поддерживается логирование, мониторинг производительности, возможно расширение новыми алгоритмами планирования. Идеально подходит для исследований, автоматизации рабочих процессов и быстрого прототипирования интеллектуальных мультиагентных систем.

Team Coordination — это легкая библиотека Python, разработанная для упрощения оркестрации нескольких ИИ-агентов, работающих над сложными задачами. Определяя специализированные роли — такие как планировщики, исполнители, оценщики или коммуникаторы — пользователи могут разбивать высокоуровневую цель на управляемые подзадачи, делегировать их отдельным агентам и обеспечивать структурированную коммуникацию между ними. Фреймворк управляет асинхронным выполнением, маршрутизацией протоколов и сбором результатов, позволяя командам ИИ-агентов эффективно взаимодействовать. Его система плагинов поддерживает интеграцию с популярными LLM, API и собственными логическими модулями, что делает его идеальным для автоматизации обслуживания клиентов, исследований, игровых ИИ и обработки данных. Благодаря четким абстракциям и расширяемым компонентам, Team Coordination ускоряет разработку масштабируемых рабочих процессов с несколькими агентами.

Dial4JaCa — это библиотечный плагин для платформы совместной работы нескольких агентов JaCaMo, перехватывающий межагентские сообщения, кодирующий намерения агентов и маршрутизирующий их через backend LLM (OpenAI, локальные модели). Он управляет контекстом диалога, обновляет базы знаний и напрямую интегрирует генерацию ответов в циклы рассуждений AgentSpeak(L). Разработчики могут настраивать подсказки, определять артефакты диалога и обрабатывать асинхронные вызовы, позволяя агентам интерпретировать высказывания пользователя, координировать задачи и извлекать внешнюю информацию на естественном языке. Его модульная архитектура поддерживает обработку ошибок, ведение логов и выбор нескольких LLM, идеально подходит для исследований, обучения и быстрого прототипирования диалоговых MAS.

FAgent предлагает модульную архитектуру для построения ИИ-агентов, включая абстракции окружающей среды, интерфейсы политик и соединители инструментов. Она поддерживает интеграцию с популярными службами LLM, реализует управление памятью для сохранения контекста и предоставляет слой наблюдаемости для протоколирования и мониторинга действий агентов. Разработчики могут определять собственные инструменты и действия, оркестровать многошаговые рабочие процессы и запускать симуляционные оценки. FAgent также включает плагины для сбора данных, метрик производительности и автоматизированного тестирования, делая её подходящей для исследований, прототипирования и промышленных развертываний автономных агентов в различных областях.

FreeAct использует модульную архитектуру для упрощения создания ИИ-агентов. Разработчики задают общие цели и настраивают модуль планирования для генерации пошаговых планов. Компонент рассуждения оценивает реализуемость плана, а движок выполнения организует вызовы API, запросы к базам данных и взаимодействия с внешними инструментами. Управление памятью отслеживает контекст разговора и исторические данные, позволяя агентам принимать обоснованные решения. Регистрация среды упрощает интеграцию пользовательских инструментов и сервисов, обеспечивая динамическую адаптацию. FreeAct поддерживает несколько бэкендов LLM и может развертываться на локальных серверах или облачных средах. Благодаря открытой архитектуре и расширяемому дизайну, он способствует быстрому прототипированию интеллектуальных агентов для исследований и промышленного использования.

Hapticlabs предлагает интуитивно понятный инструментарий без программирования, предназначенный для создания пользовательских тактильных взаимодействий. Пользователи могут легко разрабатывать тактильную обратную связь, создавать функциональные прототипы и тестировать свои дизайны на нескольких устройствах. Hapticlabs Studio, DevKit и мобильное приложение позволяют проводить оценку в реальном времени без какого-либо программирования. Подходит для разработки продуктов, образования, исследований и DIY-проектов, Hapticlabs упрощает процесс интеграции тактильной технологии в ваши продукты, улучшая пользовательский опыт с учетом ощутимой обратной связи.

Этот опенсорсный фреймворк объединяет библиотеку моделирования агентов AgentSimJs с 3D-графическим движком Three.js для обеспечения интерактивных, основанных в браузере многопользовательских симуляций. Пользователи могут определять типы агентов, поведения и правила окружения, настраивать обнаружение столкновений и обработку событий, а также визуализировать симуляции в реальном времени с настраиваемыми параметрами рендеринга. Библиотека поддерживает динамическое управление, управление сценой и оптимизацию производительности, что делает ее идеальной для исследований, обучения и прототипирования сложных сценариев на основе агентов.

Odyssey предоставляет гибкую архитектуру для создания систем многопользовательских агентов. В нее входят ключевые компоненты, такие как Менеджер задач для определения и распределения сабзадач, Модули памяти для хранения контекста и истории разговоров, Контроллеры агентов для координации агентов на базе LLM и Менеджеры инструментов для интеграции внешних API или пользовательских функций. Разработчики могут настраивать рабочие процессы через YAML, выбирать готовые ядра LLM (например, GPT-4, локальные модели) и легко расширять платформу новыми инструментами или модулями памяти. Odyssey ведет логи взаимодействий, поддерживает асинхронное выполнение задач и циклы итеративной доработки, что делает ее идеальной для исследований, прототипирования и промышленных решений с несколькими агентами.