Agent-Squad — это модульная платформа на Python, которая дает командам возможность проектировать, развертывать и запускать системы с несколькими агентами для выполнения сложных задач. В основе Agent-Squad позволяет определять разные профили агентов — такие как сборщики данных, резюмирующие, кодеры и валидаторы — которые общаются через определенные каналы и делятся памятью. Разделяя высокоуровневые цели на подтasks, рамки управляют параллальной обработкой, используют LLM вместе с внешними API, базами данных или пользовательскими инструментами. Разработчики могут задавать рабочие процессы в JSON или коде, следить за взаимодействиями агентов и динамически адаптировать стратегии с помощью встроенных журналов и средств оценки.

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.

AI-Agent — расширяемый фреймворк на Python, предназначенный для создания автономных агентов на базе моделей GPT от OpenAI и LangChain. В него входят модули для поиска в интернете, поиска в Wikipedia, функций калькулятора и интеграции пользовательских инструментов, что позволяет автоматизировать исследования, анализ данных и запуск скриптов. Пользователи могут настраивать агентов для планирования многошаговых задач, взаимодействия с API, генерации отчетов и выполнения сложных рабочих процессов без вручную вмешательства, повышая производительность в разработке, обработке данных и бизнес-процессе.

ANAC-agents — это фреймворк на Python, объединяющий множество реализаций переговорных агентов для конкурса Automated Negotiating Agents (ANAC). Каждый агент в репозитории реализует уникальные стратегии моделирования полезности, создания предложений, тактики уступок и критериев принятия решений, что способствует сравнительным исследованиям и быстрому прототипированию. Пользователи могут определять области переговоров с пользовательскими вопросами и профилями предпочтений, а затем моделировать двусторонние переговоры или соревнования в стиле турнира между агентами. Набор включает скрипты для настройки, метрики оценки и инструменты логирования для анализа динамики переговоров. Исследователи и разработчики могут расширять существующих агентов, тестировать новые алгоритмы или интегрировать внешнее обучение, что ускоряет внедрение инноваций в автоматическое торгование и стратегические решения при неполной информации.

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.

Chainlit — это открытый асинхронный Python фреймворк, предназначенный для помощи разработчикам в быстром создании и развертывании масштабируемых приложений разговорного ИИ и агентов. Он поддерживает интеграцию с популярными библиотеками и фреймворками Python, чтобы обеспечить бесшовный процесс разработки. С помощью Chainlit пользователи могут создавать готовые к производству чат-приложения, которые могут обрабатывать сложные взаимодействия и сохранять контекст разговора.

ChatGPT OpenAI Smart Speaker — это разработка для создания собственного голосового ИИ-помощника. Работает на таких устройствах, как Raspberry Pi, ПК с Linux, macOS или Windows. Используя стандартные библиотеки Python для распознавания речи и синтеза текста в речь, он слушает команду пробуждения, захватывает ваш вопрос, отправляет его в API ChatGPT от OpenAI и читает ответы вслух в реальном времени. Можно расширять его пользовательскими командами, интегрировать управление умным домом или использовать для учебных демонстраций голосового ИИ.

ModelScope Agent предоставляет модульную платформу на базе Python для оркестровки автономных AI-агентов. В ней реализована интеграция плагинов для внешних инструментов (API, базы данных, поиск), память для сохранения контекста и настраиваемые цепочки агентов для решения сложных задач — извлечения знаний, обработки документов и поддержки принятия решений. Разработчики могут настраивать роли агентов, поведение и подсказки, а также использовать несколько бэкендов LLM для оптимизации производительности и надежности в реальных условиях.

CodeFuse-muAgent — это рамочная платформа с открытым исходным кодом на Python, которая оркеструет нескольких автономных ИИ-агентов для совместного решения сложных задач. Разработчики определяют отдельные агенты со специализированными навыками - такими как обработка данных, понимание естественного языка или взаимодействие с внешними API - и настраивают протоколы связи для динамической делегации задач. Фреймворк обеспечивает централизованное управление памятью, логирование и мониторинг, оставаясь модель-агностичным и поддерживая интеграцию с популярными LLM и пользовательскими моделями ИИ. Используя CodeFuse-muAgent, команды могут создавать модульные рабочие процессы ИИ, автоматизировать многоступенчатые процессы и масштабировать развертывания в различных средах. Гибкие файлы конфигурации и расширяемые API позволяют быстро создавать прототипы, тестировать и дорабатывать системы, что делает его подходящим для использования в службах поддержки клиентов, цепочках генерации контента, исследовательских помощниках и других случаях.

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.

Cyrano — это open-source фреймворк и CLI на Python для создания AI-агентов, которые управляют большими языковыми моделями и внешними инструментами с помощью запросов на естественном языке. Пользователи могут определять собственные инструменты (функции), настраивать память и лимиты токенов, а также обрабатывать обратные вызовы. Cyrano занимается парсингом JSON-ответов от LLM и последовательным выполнением указанных инструментов. Он подчеркивает простоту, модульность и отсутствие внешних зависимостей, что позволяет разработчикам быстро прототипировать чатботов, создавать автоматизированные рабочие процессы и интегрировать AI-возможности в приложения.

Fast Reinforcement Learning — это специализированная Python-обёртка, предназначенная для ускорения разработки и выполнения агентов обучения с усилением. Она обеспечивает поддержку популярных алгоритмов, таких как PPO, A2C, DDPG и SAC, в сочетании с управлением высокопроизводительными векторизированными средами. Пользователи могут легко настраивать сеть политик, изменять учебные циклы и использовать GPU-ускорение для масштабных экспериментов. Модульная архитектура гарантирует бесшовную интеграцию с окружениями OpenAI Gym, что позволяет исследователям и практикам прототипировать, создавать бенчмарки и развёртывать агентов в различных задачах управления, игр и симуляций.

defaultmodeAGENT — это фреймворк на Python, упрощающий создание интеллектуальных агентов, которые самостоятельно выполняют многозадачные рабочие процессы. В нем реализована стратегия планирования в режиме по умолчанию — адаптивный механизм для определения времени исследования и использования, — а также бесшовная интеграция облачных инструментов и API. Агенты поддерживают диалоговую память, динамическое подсказки и ведение логов для отладки. Основанный на API OpenAI, он позволяет быстро прототипировать помощников для извлечения данных, исследований и автоматизации задач.

GPA-LM — это основанный на Python фреймворк, созданный для упрощения создания и организации AI-агентов, управляемых большими языковыми моделями. В нем есть планировщик, разбивающий инструкции высокого уровня на подзадачи, исполнитель, управляющий вызовами инструментов и взаимодействиями, и модуль памяти, сохраняющий контекст между сессиями. Архитектура плагинов позволяет разработчикам добавлять собственные инструменты, API и логику принятия решений. Поддержка нескольких агентов позволяет координировать роли, распределять задачи и собирать результаты. Интегрируется с популярными LLM, такими как OpenAI GPT, и поддерживает развертывание в различных средах. Фреймворк ускоряет разработку автономных агентов для исследований, автоматизации и прототипирования приложений.

HMAS — это open-source фреймворк на Python, позволяющий разрабатывать иерархические многоагентные системы. Он предлагает абстракции для определения иерархий агентов, протоколов межагентной связи, интеграции среды и встроенных циклов обучения. Исследователи и разработчики могут использовать HMAS для прототипирования сложных взаимодействий агентов, обучения скоординированных политик и оценки производительности в моделируемых средах. Его модульная архитектура облегчает расширение и настройку агентов, сред и стратегий обучения.

HFO_DQN объединяет Python и TensorFlow, чтобы предоставить полный поток для обучения футбольных агентов с помощью Deep Q-Networks. Пользователи могут клонировать репозиторий, установить зависимости, включая симулятор HFO и библиотеки Python, и настроить параметры обучения в YAML-файлах. Этот фреймворк реализует повторный опыт, обновления целевых сетей, ε-жадное исследование и формирование наград, адаптированные для области полуценра. Включает сценарии для обучения агентов, логирование производительности, оценочные матчи и визуализацию результатов. Его модульная структура позволяет интегрировать собственные архитектуры нейронных сетей, альтернативные алгоритмы RL и стратегии координации нескольких агентов. Выходные данные включают обученные модели, метрики производительности и визуализации поведения, способствуя исследованиям в области обучения с подкреплением и многопользовательских систем.

InfantAgent предлагает легкую структуру для проектирования и развертывания интеллектуальных агентов на Python. Интегрируется с популярными LLM (OpenAI, Hugging Face), поддерживает постоянные модули памяти и обеспечивает цепочки пользовательских инструментов. В комплектации — разговорный интерфейс, оркестрация задач и принятие решений на базе правил. Архитектура плагинов позволяет легко расширять функциональность за счет специализированных инструментов и API, что делает его идеальным для прототипирования исследовательских агентов, автоматизации рабочих процессов или внедрения AI-ассистентов в приложения.

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.

LeanAgent — это фреймворк на базе Python, созданный для упрощения разработки автономных агентов ИИ. Он включает встроенные модули планирования, использующие крупные языковые модели для принятия решений, расширяемый слой интеграции инструментов для вызова внешних API или пользовательских сценариев и систему управления памятью, которая сохраняет контекст между взаимодействиями. Разработчики могут настраивать рабочие процессы агентов, подключать собственные инструменты, быстро отлаживать и запускать готовых к производству агентов для различных областей.

Фреймворк LLM Maze Agent предоставляет среду на Python для создания умных агентов, умеющих ориентироваться в сеточных лабиринтах с помощью больших языковых моделей. Совмещая модульные интерфейсы окружения с шаблонами подсказок цепочки расуждений и эвристическим планированием, агент по этапам запрашивает данные у LLM для определения направления движения, адаптации к препятствиям и обновления внутреннего состояния. Поддержка моделей OpenAI и Hugging Face с «из коробки» обеспечивает беспрепятственную интеграцию, а конфигурируемая генерация лабиринтов и пошаговая отладка позволяют экспериментировать с разными стратегиями. Исследователи могут настраивать функции вознаграждения, определять собственные пространства наблюдений и визуализировать маршруты агента для анализа процессов рассуждения. Эта архитектура делает LLM Maze Agent универсальным инструментом для оценки планирования с использованием LLM, обучения концепциям ИИ и бенчмаркинга модели на задачах пространственного рассуждения.