GenAI Job Agents — это фреймворк на базе Python, упрощающий создание и управление агентами задач на базе ИИ. Разработчики могут задавать пользовательские типы задач и поведения агентов с помощью простых конфигурационных файлов или классов Python. Система без швов интегрируется с OpenAI для выводов на базе LLM и с LangChain для цепочечного вызова. Задачи могут помещаться в очередь, выполняться параллельно и контролироваться с помощью встроенного логирования и механизмов обработки ошибок. Агенты могут обрабатывать динамический ввод, автоматически повторять неудачные задачи и выдавать структурированные результаты для дальнейшей обработки. Благодаря модульной архитектуре, расширяемым плагинам и понятным API, GenAI Job Agents дает командам возможность автоматизировать повторяющиеся задачи, оркестрировать сложные рабочие процессы и масштабировать ИИ-операции в производственной среде.

GPA-LM — это основанный на Python фреймворк, созданный для упрощения создания и организации AI-агентов, управляемых большими языковыми моделями. В нем есть планировщик, разбивающий инструкции высокого уровня на подзадачи, исполнитель, управляющий вызовами инструментов и взаимодействиями, и модуль памяти, сохраняющий контекст между сессиями. Архитектура плагинов позволяет разработчикам добавлять собственные инструменты, API и логику принятия решений. Поддержка нескольких агентов позволяет координировать роли, распределять задачи и собирать результаты. Интегрируется с популярными LLM, такими как OpenAI GPT, и поддерживает развертывание в различных средах. Фреймворк ускоряет разработку автономных агентов для исследований, автоматизации и прототипирования приложений.

HMAS — это open-source фреймворк на Python, позволяющий разрабатывать иерархические многоагентные системы. Он предлагает абстракции для определения иерархий агентов, протоколов межагентной связи, интеграции среды и встроенных циклов обучения. Исследователи и разработчики могут использовать HMAS для прототипирования сложных взаимодействий агентов, обучения скоординированных политик и оценки производительности в моделируемых средах. Его модульная архитектура облегчает расширение и настройку агентов, сред и стратегий обучения.

HFO_DQN объединяет Python и TensorFlow, чтобы предоставить полный поток для обучения футбольных агентов с помощью Deep Q-Networks. Пользователи могут клонировать репозиторий, установить зависимости, включая симулятор HFO и библиотеки Python, и настроить параметры обучения в YAML-файлах. Этот фреймворк реализует повторный опыт, обновления целевых сетей, ε-жадное исследование и формирование наград, адаптированные для области полуценра. Включает сценарии для обучения агентов, логирование производительности, оценочные матчи и визуализацию результатов. Его модульная структура позволяет интегрировать собственные архитектуры нейронных сетей, альтернативные алгоритмы RL и стратегии координации нескольких агентов. Выходные данные включают обученные модели, метрики производительности и визуализации поведения, способствуя исследованиям в области обучения с подкреплением и многопользовательских систем.

InfantAgent предлагает легкую структуру для проектирования и развертывания интеллектуальных агентов на Python. Интегрируется с популярными LLM (OpenAI, Hugging Face), поддерживает постоянные модули памяти и обеспечивает цепочки пользовательских инструментов. В комплектации — разговорный интерфейс, оркестрация задач и принятие решений на базе правил. Архитектура плагинов позволяет легко расширять функциональность за счет специализированных инструментов и API, что делает его идеальным для прототипирования исследовательских агентов, автоматизации рабочих процессов или внедрения AI-ассистентов в приложения.

LangChain — это open-source фреймворк на Python, предназначенный для ускорения разработки приложений на базе ИИ. Он обеспечивает абстракции для цепочки нескольких вызовов языковых моделей (цепочки), создания агентов, взаимодействующих с внешними инструментами, и управления памятью диалогов. Разработчики могут определять подсказки, парсеры вывода и запускать рабочие процессы «от конца до конца». Интеграции включают векторные хранилища, базы данных, API и платформы хостинга, позволяя создавать боеспособных чат-ботов, системы анализа документов, помощников по коду и пользовательские AI пайплайны.

LeanAgent — это фреймворк на базе Python, созданный для упрощения разработки автономных агентов ИИ. Он включает встроенные модули планирования, использующие крупные языковые модели для принятия решений, расширяемый слой интеграции инструментов для вызова внешних API или пользовательских сценариев и систему управления памятью, которая сохраняет контекст между взаимодействиями. Разработчики могут настраивать рабочие процессы агентов, подключать собственные инструменты, быстро отлаживать и запускать готовых к производству агентов для различных областей.

Фреймворк LLM Maze Agent предоставляет среду на Python для создания умных агентов, умеющих ориентироваться в сеточных лабиринтах с помощью больших языковых моделей. Совмещая модульные интерфейсы окружения с шаблонами подсказок цепочки расуждений и эвристическим планированием, агент по этапам запрашивает данные у LLM для определения направления движения, адаптации к препятствиям и обновления внутреннего состояния. Поддержка моделей OpenAI и Hugging Face с «из коробки» обеспечивает беспрепятственную интеграцию, а конфигурируемая генерация лабиринтов и пошаговая отладка позволяют экспериментировать с разными стратегиями. Исследователи могут настраивать функции вознаграждения, определять собственные пространства наблюдений и визуализировать маршруты агента для анализа процессов рассуждения. Эта архитектура делает LLM Maze Agent универсальным инструментом для оценки планирования с использованием LLM, обучения концепциям ИИ и бенчмаркинга модели на задачах пространственного рассуждения.

LLM State Machine — это открытый исходный код Python-фреймворка, предназначенного для построения агентов ИИ с использованием явных машин состояний. Разработчики определяют состояния как дискретные шаги — каждый вызывающий большую языковую модель или пользовательскую логику — и переходы на основе результатов. Такой подход обеспечивает ясность, удобство сопровождения и надежную обработку ошибок для многоследовательных рабочих процессов на базе LLM, таких как обработка документов, разговорные боты и автоматизированные конвейеры.

MARO (Multi-Agent Resource Optimization) — это фреймворк на Python, предназначенный для поддержки разработки и оценки агентов обучения с подкреплением с несколькими агентами в сценариях цепей поставок, логистики и управления ресурсами. Включает шаблоны для управления запасами, планирования грузовиков, кросс-докинга, аренды контейнеров и прочего. MARO предлагает унифицированный API агентов, встроенные трекеры для ведения экспериментов, возможности параллельного моделирования для масштабных тренировок и инструменты визуализации для анализа эффективности. Платформа модульная, расширяемая, интегрируется с популярными RL-библиотеками, обеспечивая воспроизводимость исследований и быструю прототипирование решений на базе ИИ.

Matcha Agent обеспечивает гибкую основу для создания автономных агентов на Python. Разработчики могут настраивать агентов с помощью пользовательских наборов инструментов (API, скрипты, базы данных), управлять диалоговой памятью и оркестрировать многошаговые рабочие процессы на различных LLM (OpenAI, локальные модели и т.д.). Архитектура на основе плагинов обеспечивает простое расширение, отладку и мониторинг поведения агента. Будь то автоматизация исследовательских задач, анализ данных или поддержка клиентов, Matcha Agent упрощает полный цикл разработки и развертывания агентов.

MIU CS589 API AI-агентов обеспечивает стандартизированный интерфейс для создания пользовательских AI-агентов. Разработчики могут определять поведения агентов, интегрировать внешние инструменты или сервисы и управлять потоковыми или пакетными ответами через HTTP-эндпоинты. Фреймворк обрабатывает аутентификацию, маршрутизацию запросов, обработку ошибок и ведение журналов. Полностью расширяем — пользователи могут регистрировать новые инструменты, настраивать память агента и параметры LLM. Подходит для экспериментов, демонстраций и производственных прототипов, упрощает оркестровку многоинструментных решений и ускоряет разработку AI-агентов без привязки к монолитной платформе.

Многоагентный помощник ИИ — это модульная платформа на Python, которая управляет несколькими GPT-агентами, назначенными на разные роли, такие как планирование, исследования, анализ и выполнение. Система поддерживает передачу сообщений между агентами, хранение памяти и интеграцию с внешними инструментами и API, позволяя разлагать сложные задачи и совместно решать проблемы. Разработчики могут настраивать поведение агентов, добавлять новые инструменты и конфигурировать рабочие процессы через простые файлы настроек. Используя распределенный вывод логики между специализированными агентами, платформа ускоряет автоматические исследования, анализ данных, принятие решений и автоматизацию задач. В репозитории есть примеры реализации и шаблоны, что позволяет быстро создавать прототипы интеллектуальных помощников и цифровых работников, способных управлять рабочими процессами от начала до конца в бизнесе, образовании и исследованиях.

Nuzon-AI предоставляет фреймворк для агента на базе Python, который позволяет определять задачи, управлять диалоговой памятью и расширять возможности через плагины. Поддерживается интеграция с крупными LLM (OpenAI, локальные модели), что позволяет агентам выполнять веб-взаимодействия, анализ данных и автоматизированные рабочие процессы. Архитектура включает реестр навыков, систему вызова инструментов и слой оркестрации нескольких агентов, позволяя создавать комбинации для поддержки клиентов, исследовательской помощи и личной продуктивности. С помощью конфигурационных файлов можно настроить поведение каждого агента, политику хранения памяти и ведение логов для отладки или аудита.

Notte — это ориентированный на разработчика фреймворк на Python, предназначенный для оркестровки ИИ-агентов, управляемых большими языковыми моделями. Он предоставляет встроенные модули памяти для хранения и получения контекста диалогов, гибкую интеграцию инструментов для внешних API или пользовательских функций и движок планирования, который последовательным образом структурирует задачи. С помощью Notte вы можете быстро создавать прототипы диалоговых ассистентов, ботов анализа данных или автоматизированных рабочих процессов, а также пользоваться преимуществами расширяемости с открытым исходным кодом и поддержки кроссплатформенных решений.

PyGame Learning Environment (PLE) — это открытый фреймворк на Python, разработанный для упрощения разработки, тестирования и бенчмаркинга агентов обучения с подкреплением в пользовательских игровых сценариях. Он предоставляет коллекцию легких игр на базе Pygame с встроенной поддержкой наблюдений агентом, дискретных и непрерывных пространств действий, формирования наград и визуализации окружения. PLE обладает удобным API, совместимым с обертками OpenAI Gym, что обеспечивает бесшовную интеграцию с популярными RL-библиотеками, такими как Stable Baselines и TensorForce. Исследователи и разработчики могут настраивать параметры игр, реализовывать новые игры и использовать векторизированные окружения для ускоренного обучения. Благодаря активному сообществу и обширной документации, PLE служит универсальной платформой для академических исследований, образования и прототипирования реальных RL-приложений.

RL Shooter — это фреймворк на Python, который интегрирует ViZDoom с API OpenAI Gym для создания гибкой среды обучения с укрепленным обучением для игр FPS. Пользователи могут определять пользовательские сценарии, карты и структуры вознаграждений для обучения агентов навигации, обнаружения целей и стрельбы. Благодаря настраиваемым кадрам наблюдения, пространствам действий и системам логирования, он поддерживает популярные библиотеки глубокого обучения с укрепленным обучением, такие как Stable Baselines и RLlib, обеспечивая отслеживание производительности и воспроизводимость экспериментов.

Агент голосового AI Samantha — полностью модульная, открытая платформа голосового помощника, разработанная на Python. Использует модель GPT-4 от OpenAI для управления диалогом с учетом контекста, Whisper для точной транскрипции голосов в текст и ElevenLabs или Microsoft TTS для реалистичного вывода текста в речь. Встроенная поддержка постоянного слушания, настраиваемых хуков навыков, API-интеграций и триггеров по событию позволяют создавать индивидуальные голосовые сценарии, автоматизировать задачи и разворачивать на настольных или серверных системах без значительных лицензионных ограничений.

Simple-Agent — это открытый исходный код, написанный на Python и использующий API OpenAI для создания модульных диалоговых агентов. Он позволяет разработчикам определять функции инструментов для вызова агентом, сохранять контекст памяти между взаимодействиями и настраивать поведение агента через модули навыков. Фреймворк управляет маршрутизацией запросов, планированием действий и выполнением инструментов, чтобы вы могли сосредоточиться на доменной логике. Встроенные журналирование и обработка ошибок ускоряют разработку чатботов, автоматизированных помощников и инструментов поддержки решений, основанных на ИИ. Обеспечивает легкую интеграцию с пользовательскими API и источниками данных, поддерживает асинхронные вызовы инструментов и имеет простую конфигурацию. Используйте его для прототипирования агентов для поддержки клиентов, анализа данных, автоматизации и многого другого. Модульная архитектура облегчает добавление новых возможностей без изменения основной логики. Поддерживается сообществом и документацией, Simple-Agent подходит как для начинающих, так и для опытных разработчиков для быстрого размещения интеллектуальных агентов.

SmolAgents Dynamic Tools расширяет открытый исходный код фреймворка Python SmolAgents, чтобы дать агентам на базе LLM возможность динамически вызывать инструменты. Агенты могут беспрепятственно использовать множество предварительно созданных инструментов — таких как веб-поиск через SerpAPI, математические калькуляторы, получение даты и времени, операции с файловой системой и обработчики пользовательских HTTP-запросов — в зависимости от пользовательских намерений и цепочек размышлений. Разработчики могут регистрировать дополнительные инструменты или настраивать существующие, что позволяет агентам заниматься получением данных, созданием контента, вычислениями и интеграцией внешних API в едином интерфейсе. Оценивая доступность инструментов во время выполнения, SmolAgents Dynamic Tools оптимизирует рабочие процессы, уменьшая жестко прописанную логику и повышая модульность в различных сценариях, таких как исследовательская помощь, автоматическая генерация отчетов и расширение чат-ботов.