Примеры Azure AI Foundry Agents предоставляют разработчикам богатый набор сценариев, иллюстрирующих, как использовать SDK и сервисы Azure AI Foundry. Включают разговорных агентов с долгосрочной памятью, планировщиков, разрушающих сложные задачи, агентов с вызовами внешних API, а также мультимодальных агентов с текстом, изображениями и speech. Каждый пример предварительно настроен с конфигурациями окружения, оркестровкой LLM, поиском по векторам и телеметрией для ускорения прототипирования и развертывания надежных AI-решений на Azure.

Мастерская AI-агентов — это полноценное хранилище ресурсов, предлагающее практические примеры и шаблоны для разработки AI-агентов на Python. В него входят ноутбуки Jupyter, демонстрирующие основы фреймворков агентов, интеграции инструментов (например, веб-поиск, управление файлами, запросы к базам данных), механизмы памяти и многошаговое рассуждение. Пользователи учатся настраивать собственные планировщики агентов, определять схемы инструментов и реализовывать циклические рабочие процессы диалога. Каждый модуль содержит упражнения по обработке ошибок, оптимизации prompts и оценке результатов. В коде реализована поддержка вызовов функций OpenAI и связующих компонентов LangChain, что позволяет невмешанно расширять задачи с конкретной областью. Идеально подходит разработчикам, желающим создавать автономных ассистентов, ботов для автоматизации или систем вопросов и ответов — с пошаговым руководством от простых агентов до сложных рабочих процессов.

AutoGen Hands-On предоставляет структурированную среду для изучения использования фреймворка AutoGen на практике с помощью примеров на Python. Здесь пользователи узнают, как клонировать репозиторий, устанавливать зависимости и настраивать API-ключи для развертывания мультиагентных систем. Каждый скрипт демонстрирует основные функции: определение ролей агентов, память сессий, маршрутизацию сообщений и схемы оркестрации задач. Код включает логирование, обработку ошибок и расширяемые хуки, позволяющие адаптировать поведение агентов и интегрировать их с внешними сервисами. Пользователи приобретают практический опыт построения коллаборативных рабочих процессов, где несколько агентов взаимодействуют для выполнения сложных задач, от чат-ботов поддержки клиентов до автоматизированных пайплайнов обработки данных. Руководство способствует внедрению лучших практик в координацию нескольких агентов и масштабируемую разработку AI.

CrewAI-Learning — это библиотека с открытым исходным кодом, предназначенная для упрощения проектов по обучению с несколькими агентами с усилением. Она предлагает каркасы окружений, модульное определение агентов, настраиваемые функции вознаграждения и набор встроенных алгоритмов, таких как DQN, PPO и A3C, адаптированных для совместных задач. Пользователи могут определять сценарии, управлять циклами обучения, вести журнал метрик и визуализировать результаты. Фреймворк поддерживает динамическую настройку команд агентов и стратегий обмена вознаграждениями, что облегчает прототипирование, оценку и оптимизацию решений ИИ для сотрудничества в различных областях.

LangGraph Learn сочетает визуальный интерфейс программирования с базовым SDK на Python для помощи пользователям в создании сложных рабочих процессов агентов ИИ в виде направленных графов. Каждый узел представляет собой функциональный компонент, такой как шаблоны подсказок, вызовы моделей, условная логика или обработка данных. Пользователи могут соединять узлы, чтобы определить порядок выполнения, настраивать свойства узлов через графический интерфейс и запускать пайплайн поэтапно или полностью. Панели отображения и отладки в реальном времени показывают промежуточные результаты, а встроенные шаблоны ускоряют распространённые задачи, такие как ответы на вопросы, суммирование или поиск знаний. Графы можно экспортировать как самостоятельные скрипты Python для развертывания в продакшене. LangGraph Learn идеально подходит для обучения, быстрого прототипирования и совместной разработки агентов ИИ без необходимости писать много кода.

На практике LlamaSim позволяет определить несколько AI-агентов с помощью модели Llama, настроить сценарии взаимодействия и запускать контролируемые симуляции. Вы можете настроить личность агентов, логику принятия решений и каналы связи с помощью простых API на Python. Фреймворк автоматически управляет созданием подсказок, разбором ответов и отслеживанием состояния диалога. Он регистрирует все взаимодействия и предоставляет встроенные метрики оценки, такие как когерентность ответов, уровень завершения задач и задержка. Благодаря плагинам, можно интегрировать внешние источники данных, добавлять пользовательские функции оценки или расширять возможности агентов. Легкий ядроLlamaSim подходит для локальной разработки, CI/CD и облачных развертываний, что обеспечивает воспроизводимость исследований и проверку прототипов.

MAGI (Модульный Генеративный Интеллект ИИ) — это открытая платформа, разработанная для упрощения создания и управления агентами ИИ. Она предлагает архитектуру плагинов для пользовательской интеграции инструментов, модули постоянной памяти, планирование в цепочке мысли и оркестрацию многозадачных рабочих процессов в реальном времени. Разработчики могут регистрировать внешние API или локальные скрипты как инструменты агента, настраивать базы данных памяти и определять политики задач. Расширяемый дизайн MAGI поддерживает как синхронные, так и асинхронные задачи, что делает его идеальным для чат-ботов, автоматизированных цепочек и исследовательских прототипов.

MineLand предоставляет гибкую 3D-среду, вдохновленную Minecraft, для обучения агентов с усилением. Она имеет API, совместимый с Gym, для бесшовной интеграции с существующими библиотеками RL, такими как Stable Baselines, RLlib и пользовательские реализации. Пользователи имеют доступ к библиотеке задач, включая сбор ресурсов, навигацию и строительные вызовы, каждая с настраиваемой сложностью и структурой наград. В режиме реального времени, мультиагентские сценарии и безграфические режимы позволяют масштабируемое обучение и бенчмаркинг. Разработчики могут проектировать новые карты, определять пользовательские функции награды и добавлять дополнительные датчики или контроллеры. Открытый исходный код MineLand способствует воспроизводимости исследований, совместной разработке и быстрому прототипированию AI-агентов в сложных виртуальных мирах.

Multi-Agent — это набор инструментов для разработчиков, который помогает создавать и управлять несколькими параллельно работающими агентами ИИ. Каждый агент хранит собственную память, настройки подсказок и очередь сообщений. Вы можете определять пользовательское поведение, настраивать каналы связи между агентами и автоматически делегировать задачи в зависимости от ролей агентов. Он использует API Chat OpenAI для понимания и генерации языка и предоставляет модульные компоненты для оркестрации рабочих процессов, логгирования и обработки ошибок. Это позволяет создавать специализированных агентов, таких как научные ассистенты, обработчики данных или боты поддержки клиентов, которые совместно работают над сложными задачами.

Multi-Agent-AI-Dynamic-Interaction предлагает гибкую среду для разработки, настройки и запуска систем, состоящих из нескольких автономных ИИ-агентов. Каждого агента можно наделить конкретными ролями, целями и протоколами связи. Фреймворк управляет передачей сообщений, контекстом беседы и последовательными или параллельными взаимодействиями. Он поддерживает интеграцию с OpenAI GPT, другими API LLM и пользовательскими модулями. Пользователи задают сценарии через YAML или Python-скрипты, указывая детали агентов, шаги рабочей схемы и критерии остановки. Система регистрирует все взаимодействия для отладки и анализа, а также обеспечивает тонкую настройку поведения агентов для экспериментов по сотрудничеству, переговорам, принятию решений и решению сложных задач.

OpenAgent предоставляет комплексную платформу для разработки автономных ИИ-агентов, которые могут понимать задачи, планировать многошаговые действия и взаимодействовать с внешними службами. Интеграция с LLM, такими как OpenAI и Anthropic, позволяет осуществлять рассуждения и принятие решений на естественном языке. Платформа включает систему плагинов для выполнения HTTP-запросов, работы с файлами и пользовательских функций Python. Модули управления памятью позволяют сохранять и извлекать контекстную информацию между сессиями. Разработчики могут расширять функциональность через плагины, настраивать передачу данных в реальном времени и использовать встроенные инструменты логгирования и оценки для мониторинга работы агента. OpenAgent упрощает управление сложными рабочими потоками, ускоряет прототипирование интеллектуальных помощников и обеспечивает модульную архитектуру для масштабируемых приложений ИИ.

Масштабируемый MADDPG — это исследовательская рамка для многопрограммного обучения с усилением, обеспечивающая масштабируемую реализацию алгоритма MADDPG. В ней используются центральные критики в процессе обучения и независимые актеры при выполнении для стабильности и эффективности. Библиотека включает Python-скрипты для определения пользовательских окружений, настройки архитектур сетей и гиперпараметров. Пользователи могут обучать множество агентов параллельно, отслеживать метрики и визуализировать кривые обучения. Он интегрируется с окружениями, похожими на OpenAI Gym, и поддерживает ускорение с помощью GPU через TensorFlow. Благодаря модульной структуре, масштабируемый MADDPG обеспечивает гибкие эксперименты в кооперативных, соревновательных или смешанных задачах, облегчая быстрое прототипирование и бенчмаркинг.

Шепортинг — это открытая симуляционная платформа, предназначенная для исследований и разработок в области обучения с подкреплением с целью изучения и реализации задач пастушества с несколькими агентами. Она предоставляет среду, совместимую с Gym, в которой агенты могут обучаться выполнять поведение, такое как охватывание, сбор и рассеивание целевых групп в непрерывных или дискретных пространствах. В рамках реализованы модульные функции формировки наград, параметризация среды и утилиты для мониторинга обучения. Пользователи могут задавать препятствия, динамичные популяции агентов и собственные политики с использованием TensorFlow или PyTorch. Скрипты визуализации создают траектории и видео взаимодействия агентов. Модульная структура Шепортинга обеспечивает легкую интеграцию с существующими библиотеками RL, что позволяет воспроизводимые эксперименты, сравнение новых стратегий координации и быстрое создание прототипов решений на базе ИИ.

Strands Agents предлагает модульную архитектуру для создания интеллектуальных агентов, сочетающих рассуждение на естественном языке, долговременную память и вызовы API/инструментов извне. Она позволяет настраивать компоненты планировщика, исполнитель и памяти, подключать любые LLM (например, OpenAI, Hugging Face), определять пользовательские схемы действий и управлять состояниями между задачами. Встроенные логирование, обработка ошибок и расширяемый реестр инструментов ускоряют прототипирование и развертывание агентов, способных исследовать, анализировать данные, управлять устройствами или служить цифровыми ассистентами. Абстрагируя типичные паттерны агентов, она снижает объем шаблонного кода и способствует лучшим практикам надежной и поддерживаемой автоматизации на базе ИИ.

ChainLite упрощает создание AI-агентов, снимая сложность оркестрации LLM и переводя её в переиспользуемые модули цепочек. Используя простые декораторы Python и файлы конфигурации, разработчики определяют поведение агента, интерфейсы инструментов и структуры памяти. Фреймворк интегрируется с популярными поставщиками LLM (OpenAI, Cohere, Hugging Face) и внешними источниками данных (API, базы данных), позволяя агентам получать информацию в реальном времени. Встроенный браузерный UI, подкрепленный Streamlit, позволяет пользователям просматривать историю по токенам, отлаживать подсказки и визуализировать графы выполнения цепочек. ChainLite поддерживает множество целей развертывания — от локальной разработки до производственных контейнеров, обеспечивая беспрепятственное сотрудничество между учеными данных, инженерами и продуктологами.

Evolving Agents предоставляет основанную на генетическом программировании структуру для создания и эволюции модульных ИИ-агентов. Пользователи собирают архитектуру агентов из взаимозаменяемых компонентов, определяют симуляции среды и показатели фитнеса, затем запускают циклы эволюции для автоматического создания улучшенных поведений агентов. В библиотеку входят инструменты для мутаций, кроссинговера, управления популяцией и мониторинга эволюции, что позволяет исследователям и разработчикам прототипировать, тестировать и совершенствовать автономных агентов в различных симулированных средах.

GoLC предоставляет разработчикам полный набор инструментов для создания цепочек языковых моделей и агентов на Go. В его основе лежит управление цепочками, настраиваемые шаблоны команд и бесшовная интеграция с основными поставщиками LLM. Благодаря загрузчикам документов и векторным хранилищам, GoLC обеспечивает поиск с помощью внедрений, поддерживая рабочие процессы RAG. Фреймворк поддерживает модули памяти с состоянием для диалоговых контекстов и легковесную архитектуру агента для координации многоступенчатых рассуждений и вызовов инструментов. Его модульный дизайн позволяет подключать настраиваемые инструменты, источники данных и обработчики вывода. Благодаря высокой производительности, нативной для Go, и минимальным зависимостям, GoLC упрощает разработку AI-конвейеров, идеально подходит для создания чат-ботов, помощников по знаниям, автоматизированных рассуждающих агентов и корпоративных серверных AI-сервисов на Go.

llm-ReAct реализует архитектуру ReAct (Reasoning and Acting) для больших языковых моделей, обеспечивая бесперебойную интеграцию цепочки-мышления с внешним выполнением инструментов и хранением памяти. Разработчики могут настраивать набор пользовательских инструментов — таких как поиск в интернете, запросы к базам данных, операции с файлами и калькуляторы — и инструктировать агента планировать многошаговые задачи, вызывая инструменты по необходимости для получения или обработки информации. Встроенный модуль памяти сохраняет состояние диалога и прошлые действия, поддерживая более контекстно-зависимое поведения агента. Реализованный на модульной Python, а также поддержка API OpenAI, llm-ReAct упрощает эксперименты и развертывание умных агентов, способных адаптивно решать задачи, автоматизировать рабочие процессы и предоставлять ответы, насыщенные контекстом.

Simple Playgrounds предоставляет модульную платформу для построения интерактивных 2D-окружающих сред, где агенты могут исследовать лабиринты, взаимодействовать с объектами и выполнять задачи. Пользователи определяют макеты окружения, поведение объектов и функции наград с помощью простых сценариев YAML или Python. Встроенный рендерер Pygame обеспечивает визуализацию в реальном времени, а API, основанный на шагах, гарантирует лёгкую интеграцию с библиотеками обучения с укреплением, такими как Stable Baselines3. Поддержка мультиагентных настроек, обнаружение столкновений и настраиваемые параметры физических моделей делают Simple Playgrounds удобной платформой для прототипирования, тестирования и образовательных демонстраций алгоритмов ИИ.

AgentInteraction — это фреймворк на Python для разработчиков, предназначенный для моделирования, координации и оценки взаимодействий нескольких агентов с использованием больших языковых моделей. Он позволяет определять разные роли агентов, управлять ходом диалога через центрального менеджера и интегрировать любой API-поставщик LLM. Благодаря таким функциям, как маршрутизация сообщений, управление контекстом и аналитика производительности, AgentInteraction упрощает эксперименты с архитектурами агентов, основанными на сотрудничестве или конкуренции, а также облегчает создание прототипов сложных сценариев диалога и измерение их эффективности.