Acme — это фреймворк на базе Python, упрощающий разработку и оценку агентов обучения с подкреплением. Он включает коллекцию заранее созданных реализаций агентов (например, DQN, PPO, SAC), оболочки для среды, буферы повтора и движки для распределённого выполнения. Исследователи могут комбинировать компоненты для прототипирования новых алгоритмов, контролировать метрики обучения с помощью встроенного логирования и использовать масштабируемые распределённые пайплайны для масштабных экспериментов. Acme интегрируется с TensorFlow и JAX, поддерживает пользовательские среды через интерфейсы OpenAI Gym и включает утилиты для создания контрольных точек, оценки и настройки гиперпараметров.

Agent-Squad — это модульная платформа на Python, которая дает командам возможность проектировать, развертывать и запускать системы с несколькими агентами для выполнения сложных задач. В основе Agent-Squad позволяет определять разные профили агентов — такие как сборщики данных, резюмирующие, кодеры и валидаторы — которые общаются через определенные каналы и делятся памятью. Разделяя высокоуровневые цели на подтasks, рамки управляют параллальной обработкой, используют LLM вместе с внешними API, базами данных или пользовательскими инструментами. Разработчики могут задавать рабочие процессы в JSON или коде, следить за взаимодействиями агентов и динамически адаптировать стратегии с помощью встроенных журналов и средств оценки.

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.

Autonomais — модульная структура ИИ-агентов, предназначенная для полной автономии в планировании и выполнении задач. Она использует крупные языковые модели для генерации планов, управляет действиями через настраиваемый конвейер и хранит контекст в модулях памяти для согласованного многозначного рассуждения. Разработчики могут подключать внешние инструменты, такие как веб-скрейперы, базы данных и API, определять собственные обработчики действий и настраивать поведение агента с помощью конфигурируемых навыков. Эта платформа поддерживает логирование, обработку ошибок и пошаговую отладку, обеспечивая надежную автоматизацию задач исследований, анализа данных и веб-взаимодействий. Благодаря расширяемой архитектуре на базе плагинов, Autonomais быстро развивает специализированных агентов, способных принимать сложные решения и использовать инструменты динамически.

SDK Swarms упрощает создание, настройку и выполнение систем с несколькими агентами, использующими большие языковые модели. Разработчики определяют агентов с разными ролями — исследователь, синтезатор, критик — и объединяют их в стаи (swarms), обменивающиеся сообщениями через общую шину. SDK занимается планированием, сохранением контекста и хранением памяти, что позволяет решать задачи итеративно. Поддерживая OpenAI, Anthropic и другие поставщики LLM, он предоставляет гибкие интеграции. Инструменты для логирования, сбора результатов и оценки эффективности помогают прототипировать и запускать AI-рабочие процессы для мозговых штурмов, генерации контента, суммирования и поддержки принятия решений.

Среда совместного поиска обеспечивает гибкую, совместимую с gym многопользовательскую среду обучения с подкреплением, предназначенную для задач совместного поиска как на дискретных сетках, так и в непрерывных пространствах. Агентов можно управлять при частичном наблюдении и обмениваться информацией в соответствии с настраиваемыми топологиями связи. Фреймворк поддерживает предопределенные сценарии, такие как поиск и спасение, отслеживание целей в динамике и совместное картографирование, предлагает API для определения пользовательских сценариев и структур наград. Интегрируется с популярными RL-библиотеками, такими как Stable Baselines3 и Ray RLlib, включает средства журналирования для анализа производительности и встроенные инструменты визуализации для мониторинга в реальном времени. Исследователи могут изменять размеры сеток, число агентов, диапазон сенсоров и механизмы обмена наградами для оценки стратегий координации и эффективной проверки новых алгоритмов.

Multi-Agent-LLM предназначен для упрощения оркестрации нескольких ИИ-агентов на базе больших языковых моделей. Пользователи могут определять отдельных агентов с уникальными персонажами, хранилищем памяти и встроенными внешними инструментами или API. Централизованный AgentManager управляет циклами коммуникации, позволяя агентам обмениваться сообщениями в общей среде и совместно достигать сложных целей. Фреймворк поддерживает замену провайдеров LLM (например, OpenAI, Hugging Face), гибкие шаблоны запросов, истории разговоров и пошаговые контексты инструментов. Разработчикам доступны встроенные утилиты для логирования, обработки ошибок и динамического создания агентов, что позволяет масштабировать автоматизацию многоступенчатых рабочих процессов, исследовательских задач и пайплайнов принятия решений.

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.

DeepMind MAS Environment — это библиотека на Python, предоставляющая стандартизированный интерфейс для построения и моделирования задач обучения с множеством агентов. Позволяет настраивать число агентов, определять пространства наблюдений и действий, а также кастомизировать структуры наград. Фреймворк поддерживает каналы коммуникации между агентами, ведение логов производительности и функции отображения. Исследователи могут легко интегрировать DeepMind MAS Environment с популярными библиотеками RL, такими как TensorFlow и PyTorch, для бенчмаркинга новых алгоритмов, тестирования протоколов связи и анализа дискретных и непрерывных управляемых систем.

openai-agents-python — это полнофункционательный пакет Python, предназначенный для помощи разработчикам в создании полностью автономных AI-агентов. Он предоставляет абстракции для планирования агента, интеграции инструментов, состояний памяти и циклов выполнения. Пользователи могут регистрировать пользовательские инструменты, задавать цели агенту и позволять фреймворку координировать пошаговое рассуждение. В библиотеку также входят утилиты для тестирования и логирования действий агента, что облегчает итерацию поведения и устранение ошибок в сложных многопроходных задачах.

NeuralABM — это open-source библиотека на Python, использующая PyTorch для интеграции нейронных сетей в агентное моделирование. Пользователи могут задавать архитектуру агентов в виде нейронных модулей, определять динамику среды и обучать поведение агентов с помощью обратного распространения ошибок на этапах симуляции. Фреймворк поддерживает пользовательские сигналы вознаграждения, обучение по куррикулуму и синхронное или асинхронное обновление, что позволяет исследовать возникающие феномены. В комплект входят утилиты для логирования, визуализации и экспорта наборов данных, что позволяет исследователям и разработчикам анализировать производительность агентов, отлаживать модели и оптимизировать дизайн симуляций. NeuralABM упрощает сочетание обучения с подкреплением и ABM для приложений в области социальных наук, экономики, робототехники и AI-управляемого поведения NPC в играх. Он предоставляет модульные компоненты для настройки среды, поддерживает взаимодействие нескольких агентов и позволяет внедрять внешние датасеты или API для реальных симуляций. Открытая архитектура способствует воспроизводимости и совместной работе благодаря ясной конфигурации экспериментов и интеграции систем контроля версий.