mini-agi разработан, чтобы упростить создание автономных ИИ-агентов, предоставляя минимальный и модульный каркас. Написанный на Python, он использует языковые модели OpenAI для интерпретации высокоуровневых целей, разложения их на подзадачи и оркестрации вызовов инструментов, таких как HTTP-запросы, операции с файлами или пользовательские действия. В рамках фреймворка реализовано хранилище памяти для отслеживания состояния агента и результатов, модуль планирования для разбиения задач с использованием эвристик на основе стоимости, и модуль исполнения, который последовательно вызывает инструменты. С помощью конфигурационных файлов пользователи могут вставлять собственные инструменты, определять шаблоны подсказок и регулировать глубину планирования. Легкая архитектура mini-agi делает его идеальным для прототипирования ИИ-агентов, выполняющих исследовательские запросы, автоматизирующих рабочие процессы или автономно генерирующих код.

Данный репозиторий предоставляет полноценную рамочную платформу для исследований в области обучения с подкреплением в игре StarCraft II. Основной агент использует Proximal Policy Optimization (PPO) для обучения сетей политики, интерпретирующих данные наблюдений из среды PySC2 и выдающих точные действия в игре. Разработчики могут настраивать слои нейронных сетей, формирование вознаграждений и графики обучения для оптимизации производительности. Система поддерживает многопоточность для эффективного сбора образцов, утилиты логирования для мониторинга кривых обучения и скрипты оценки для тестирования обученных моделей против скриптованных или встроенных ИИ-оппонентов. Код написан на Python и использует TensorFlow для определения и оптимизации моделей. Пользователи могут расширять компоненты, такие как пользовательские функции вознаграждения, предварительная обработка состояния или архитектура сети, для достижения конкретных целей исследования.

AI-агенты для Камень-Ножницы-Бумага — это проект с открытым исходным кодом на Python, показывающий, как строить, обучать и оценивать различные стратегии AI — случайную игру, распознавание правил и обучение с подкреплением (Q-learning) — в классической игре. Он включает модульные классы агентов, настраиваемый механизм игры, логирование эффективности и утилиты визуализации. Пользователи легко могут менять агентов, регулировать параметры обучения и исследовать поведение ИИ в соревновательных сценариях.