RL-Agents — это научный уровень фреймворка обучения с подкреплением, построенного на PyTorch, объединяющего популярные RL-алгоритмы из методов, основанных на ценности, политике и акторе-критике. Библиотека включает модульный API агентов, GPU-ускорение, бесшовную интеграцию с OpenAI Gym и встроенные инструменты логирования и визуализации. Пользователи могут настраивать гиперпараметры, адаптировать циклы обучения и тестировать производительность с помощью нескольких строк кода, что делает RL-Agents идеальным выбором для академических исследований, прототипирования и промышленного эксперимента.

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.

Esquilax — это легкий фреймворк на TypeScript, предназначенный для создания и оркестрации сложных рабочих процессов с ИИ-агентами. Он предоставляет разработчикам очевидный API для декларативного определения агентов, назначения модулей памяти и интеграции пользовательских действий через плагины, такие как вызовы API или запросы к базе данных. Встроенная поддержка обработки контекста и координации нескольких агентов помогает упростить создание чатботов, цифровых ассистентов и автоматических процессов. Архитектура на основе событий позволяет динамически связывать задачи и запускать их, а инструменты логирования и отладки дают полный контроль над взаимодействиями агентов. Благодаря абстракции рутинного кода, Esquilax ускоряет прототипирование масштабируемых AI-приложений.

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.

DeepMind MAS Environment — это библиотека на Python, предоставляющая стандартизированный интерфейс для построения и моделирования задач обучения с множеством агентов. Позволяет настраивать число агентов, определять пространства наблюдений и действий, а также кастомизировать структуры наград. Фреймворк поддерживает каналы коммуникации между агентами, ведение логов производительности и функции отображения. Исследователи могут легко интегрировать DeepMind MAS Environment с популярными библиотеками RL, такими как TensorFlow и PyTorch, для бенчмаркинга новых алгоритмов, тестирования протоколов связи и анализа дискретных и непрерывных управляемых систем.

NeuralABM — это open-source библиотека на Python, использующая PyTorch для интеграции нейронных сетей в агентное моделирование. Пользователи могут задавать архитектуру агентов в виде нейронных модулей, определять динамику среды и обучать поведение агентов с помощью обратного распространения ошибок на этапах симуляции. Фреймворк поддерживает пользовательские сигналы вознаграждения, обучение по куррикулуму и синхронное или асинхронное обновление, что позволяет исследовать возникающие феномены. В комплект входят утилиты для логирования, визуализации и экспорта наборов данных, что позволяет исследователям и разработчикам анализировать производительность агентов, отлаживать модели и оптимизировать дизайн симуляций. NeuralABM упрощает сочетание обучения с подкреплением и ABM для приложений в области социальных наук, экономики, робототехники и AI-управляемого поведения NPC в играх. Он предоставляет модульные компоненты для настройки среды, поддерживает взаимодействие нескольких агентов и позволяет внедрять внешние датасеты или API для реальных симуляций. Открытая архитектура способствует воспроизводимости и совместной работе благодаря ясной конфигурации экспериментов и интеграции систем контроля версий.