Фреймворк YGO-Agent позволяет исследователям и энтузиастам создавать ИИ-ботов, которые играют в Yu-Gi-Oh, используя обучение с подкреплением. Он оборачивает симулятор YGOPRO в совместимую с OpenAI Gym среду, определяя состояния, такие как рука, поле и показатели жизни, а также действия, включая призыв, активацию заклинаний/ловушек и атаки. Вознаграждения основаны на исходе победы/проигрыша, нанесённом уроне и ходе игры. Архитектура агента реализована на PyTorch с использованием DQN, с возможностью настройки кастомных сетевых архитектур, повторной обучения опыта и ε-жадной стратегии исследования. Модули логирования регистрируют кривые обучения, коэффициенты выигрыша и подробные логовые записи ходов для анализа. Рамочное решение модульное, что позволяет пользователям заменять или расширять компоненты, такие как функции награды или пространство действий.

AI-агент Azul — специализированное решение для соревнований по настольной игре Azul. Реализованный на Python, он моделирует состояние игры, использует поиск Minimax для детерминированного отсечения вариантов и применяет Монте-Карло Tree Search для исследования вероятностных исходов. Агент использует пользовательские эвристики для оценки позиций на доске, отдавая предпочтение линиям размещения тайлов, приносящим наибольшее количество очков. Поддерживает режим одиночных турниров, пакетное моделирование и логирование результатов для анализа эффективности. Пользователи могут настраивать параметры алгоритма, интегрировать его в собственные игровые окружения и визуализировать деревья решений для понимания выбора ходов.