Autogpt — это ориентированный на разработчиков фреймворк на Rust для построения автономных ИИ-агентов. Он предлагает типизированные интерфейсы для API OpenAI, встроенное управление памятью, цепочку контекста и расширяемую поддержку плагинов. Агент может быть настроен для выполнения цепочек подсказок, поддержания состояния беседы и программного выполнения динамических задач. Подходит для внедрения в CLI-инструменты, серверные сервисы или исследовательские прототипы, Autogpt упрощает организацию сложных ИИ-рабочих процессов, используя преимущества производительности и безопасности Rust.

CityLearn предоставляет модульную платформу моделирования для исследований в области управления энергией с использованием обучения с подкреплением. Пользователи могут определить многозональные группы зданий, настроить системы HVAC, аккумуляторы и возобновляемые источники энергии, затем обучать агентов RL на основе событий реагирования на спрос. Среда отображает наблюдения состояния, такие как температуры, профили нагрузки и цены энергии, в то время как действия управляют установками и диспетчеризацией хранения. Гибкий API наград позволяет использовать индивидуальные метрики — такие как экономия затрат или сокращение выбросов — а инструменты ведения журналов поддерживают анализ эффективности. CityLearn идеально подходит для сравнения алгоритмов, обучения по учебной программе и разработки новых стратегий управления в воспроизводимой исследовательской среде.

LLM to MCP Integration Engine — это open-source рамочная платформа, предназначенная для интеграции больших языковых моделей (LLMs) с различными платформами обмена сообщениями (MCP). Она предоставляет адаптеры для API LLM таких как OpenAI и Anthropic, а также соединители для чатов на Slack, Discord и Telegram. Движок управляет состоянием сессии, обогащает контекст и маршрутизирует сообщения в двух направлениях. Его плагиновая архитектура позволяет разработчикам расширять поддержку новых провайдеров и настраивать бизнес-логику, ускоряя развертывание AI-агентов в производственных средах.

Multi-Agent Surveillance предлагает гибкую симуляционную среду, в которой несколько ИИ-агентов выступают в роли хищников или жертв в дискретном мире на сетке. Пользователи могут настраивать параметры окружения, такие как размеры сетки, количество агентов, радиусы обнаружения и структуры вознаграждения. В репозитории есть классы на Python для поведения агентов, скрипты генерации сценариев, встроенная визуализация с помощью matplotlib и бесшовная интеграция с популярными библиотеками обучения с подкреплением. Это облегчает создание эталонных тестов для координации нескольких агентов, разработку нестандартных стратегий наблюдения и проведение воспроизводимых экспериментов.