DreamGPT — универсальная платформа с открытым исходным кодом, предназначенная для упрощения разработки, настройки и развертывания AI-агентов на базе GPT. Предоставляет интуитивный Python SDK и командную строку для создания новых агентов, управления историей разговоров с настраиваемыми бэкендами памяти и интеграции внешних инструментов через стандартную систему плагинов. Разработчики могут определять собственные потоки подсказок, подключаться к API или базам данных для расширенной генерации и мониторинга эффективности агента через встроенные логирование и телеметрию. Модульная архитектура поддерживает горизонтальное масштабирование в облачных средах и обеспечивает безопасную работу с пользовательскими данными. В комплекте есть шаблоны для помощников, чат-ботов и цифровых работников, позволяющие быстро разрабатывать специализированных AI-агентов для обслуживания клиентов, анализа данных, автоматизации и других задач.

Hyperbolic Time Chamber обеспечивает гибкую среду для построения AI-агентов, предлагая компоненты для управления памятью, оркестровки окна контекста, связывания подсказок, интеграции инструментов и контроля выполнения. Разработчики определяют поведение агентов с помощью модульных блоков, настраивают пользовательские памяти (краткосрочные и долгосрочные) и подключают внешние API или локальные инструменты. Фреймворк включает поддержку асинхронности, журналирование и инструменты отладки, что позволяет быстро итеративно разрабатывать и развертывать сложные диалоговые или целенаправленные агенты на Python.

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.

Promptix Python — это фреймворк с открытым исходным кодом для создания автономных AI-агентов на Python. Благодаря простой установке через pip вы можете создать агентов, управляемых любым крупным LLM, зарегистрировать специализированные инструменты, настроить хранилища данных в памяти или на постоянной основе и управлять многошаговыми циклами решений. SDK поддерживает потоковую передачу токенов в реальном времени, обработчики обратных вызовов для логирования или пользовательской обработки, а также встроенные модули памяти для сохранения контекста между взаимодействиями. Разработчики могут использовать эту библиотеку для прототипирования чат-ботов, автоматизаций, конвейеров данных или исследовательских агентов за несколько минут. Модульная структура позволяет менять модели, добавлять собственные инструменты и расширять механизмы хранения памяти, обеспечивая гибкость для широкого спектра сценариев использования AI-агентов.

Agent Script обеспечивает декларативный слой сценариев поверх крупных языковых моделей, позволяя писать YAML или JSON-скрипты, определяющие рабочие процессы агента, вызовы инструментов и использование памяти. Можно подключать OpenAI, локальные LLM или другие провайдеры, подключать внешние API в качестве инструментов и настраивать хранилища памяти для долгосрочного хранения. Фреймворк управляет управлением контекстом, асинхронным выполнением и подробным логированием по умолчанию. С минимальным количеством кода можно прототипировать чат-боты, RPA-процессы, агенты по извлечению данных или пользовательские циклы управления, что облегчает разработку, тестирование и развертывание автоматизаций на базе ИИ.

Agentle предоставляет структурированную среду для разработчиков для построения пользовательских AI-агентов с минимальным количеством шаблонного кода. Он поддерживает определение рабочих процессов в виде последовательности задач, беспрепятственную интеграцию с внешними API и инструментами, управление разговорной памятью для сохранения контекста и встроенное ведение журналов для отслеживаемости. Библиотека также предоставляет хуки для расширения функциональности, координацию нескольких агентов для сложных конвейеров и единый интерфейс для локального запуска или развертывания через HTTP API.

Agents-Deep-Research разработана для упрощения разработки и тестирования автономных агентов ИИ за счет использования модульной и расширяемой базы кода. В нее входит движок планирования задач, разбивающий заданные пользователем цели на подзадачи, модуль долговременной памяти для хранения и извлечения контекста, а также слой интеграции инструментов, позволяющий агентам взаимодействовать с внешними API и симулированными окружениями. Фреймворк также включает скрипты оценки и инструменты бенчмаркинга для измерения производительности агентов в различных сценариях. Основанный на Python и совместимый с разными backend LLM, он позволяет исследователям и разработчикам быстро прототипировать новые архитектуры агентов, проводить воспроизводимые эксперименты и сравнивать различные стратегии планирования в контролируемых условиях.

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.

GenerativeAgentsCN — это открытая китайская адаптация рамочной системы Stanford для генеративных агентов, предназначенная для моделирования реалистичных цифровых персонажей. Объединяя большие языковые модели с модулем долговременной памяти, рефлексивными процедурами и логикой планирования, она управляет агентами, воспринимающими контекст, вспоминающими прошлые взаимодействия и самостоятельно выбирающими дальнейшие действия. Инструментарий включает готовые к использованию блокноты Jupyter, модульные компоненты Python и обширную китайскую документацию, которая помогает пользователям создавать среды, определять характеристики агентов и настраивать параметры памяти. Используйте его для исследования поведения игровых NPC на базе ИИ, прототипирования чат-ботов поддержки клиентов или проведения академических исследований когнитивных процессов агентов. Гибкие API позволяют расширять алгоритмы памяти, интегрировать собственные LLM и визуализировать взаимодействия агентов в реальном времени.

Langroid предоставляет полный каркас для агентов, который позволяет разработчикам создавать сложные приложения на базе ИИ с минимальными затратами. Он имеет модульный дизайн, позволяющий настраивать персонажей агентов, хранить состояние памяти для сохранения контекста и беспрепятственно интегрироваться с крупными языковыми моделями (LLMs), такими как OpenAI, Hugging Face и частными API-эндпоинтами. Наборы инструментов Langroid позволяют агентам выполнять код, получать данные из баз данных, вызывать внешние API и обрабатывать мультимодальные входы, такие как текст, изображения и аудио. Его движок оркестрации управляет асинхронными рабочими потоками и вызовами инструментов, а система плагинов облегчает расширение возможностей агентов. Обеспечивая абстракцию сложных взаимодействий с LLM и управление памятью, Langroid ускоряет разработку чат-ботов, виртуальных помощников и решений для автоматизации задач в различных областях.

Система лингвистических агентов — это открытый Python-фреймворк для создания интеллектуальных агентов, использующих языковые модели для планирования и выполнения задач. Включает компоненты для управления памятью, регистрации инструментов, планировщика и исполнителя, позволяя агентам сохранять контекст, вызывать внешние API, выполнять web-поиск и автоматизировать процессы. Настраивается через YAML, поддерживает несколько поставщиков LLM для быстрого прототипирования чатботов, резюме контента и автономных помощников. Разработчики могут расширять функциональность, создавая собственные инструменты и backends памяти, а также запускать агентов локально или на сервере.

LLPhant — это открытая Python-библиотека, позволяющая разработчикам создавать универсальных агентов на базе LLM. Предоставляет встроенные абстракции для интеграции инструментов (API, поиск, базы данных), управления памятью для многократных раундов диалогов и настраиваемых циклов принятия решений. Поддерживая несколько бекендов LLM (OpenAI, Hugging Face и другие), плагинообразные компоненты и рабочие процессы, основанные на конфигурации, LLPhant ускоряет разработку агентов. Используйте для создания чат-ботов, автоматизации задач или построения цифровых помощников, использующих внешние инструменты и контекстную память без стандартного кода.

Многоагентное моделирование предоставляет гибкий API для определения классов агентов с пользовательскими датчиками, актуаторами и логикой принятия решений. Пользователи настраивают окружения с препятствиями, ресурсами и протоколами связи, затем запускают пошаговые или в реальном времени циклы моделирования. Встроенное логирование, планировщик событий и интеграция с Matplotlib помогают отслеживать состояние агентов и визуализировать результаты. Модульная архитектура легко расширяется новыми поведениями, окружениями и оптимизациями производительности, что делает его отличным выбором для академических исследований, обучения и прототипирования сценариев многопользовательских систем.

SeeAct предназначен для оснащения агентов видения-языка двухступенчатой системой: модуль планирования на базе больших языковых моделей создает подцели на основе наблюдаемых сцен, а модуль выполнения переводит эти подцели в действия, специфичные для окружения. В базовом восприятии извлекаются признаки объектов и сцен из изображений или симуляций. Модульная архитектура позволяет легко заменять планировщики или сети восприятия и поддерживает оценку в AI2-THOR, Habitat и пользовательских средах. SeeAct ускоряет исследование интерактивного embodied AI, предоставляя разложение задач, привязку и выполнение от начала до конца.