Dino Reinforcement Learning — это полный набор инструментов для обучения AI-агента играть в игру динозавров Chrome с помощью обучения с подкреплением. Интеграция с безголовым Chrome через Selenium обеспечивает захват игровых кадров в реальном времени и их обработку в представления состояний, оптимизированные для входных данных глубоких Q-сетей. В рамках реализованы модули памяти воспроизведения, эвристического исследования epsilon-greedy, моделей сверточных нейронных сетей и циклов обучения с настраиваемыми гиперпараметрами. Пользователи могут отслеживать прогресс обучения через консольные логи и сохранять контрольные точки для последующей оценки. После обучения агент может быть запущен для автономной игры или протестирован против различных архитектур моделей. Модульный дизайн облегчает замену алгоритмов RL, что делает платформу гибкой для экспериментов.

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.