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.

Wizard Language — это декларативный предметно-ориентированный язык, основанный на TypeScript, для создания помощников ИИ в виде волшебников. Разработчики определяют шаги, вызванные намерением, подсказки, вызовы инструментов, хранилища памяти и ветвления в кратком DSL. Внутри Wizard Language компилирует эти определения в оркестрированные вызовы LLM, управляя контекстом, асинхронными потоками и обработкой ошибок. Он ускоряет создание прототипов чат-ботов, помощников по извлечению данных и автоматизированных рабочих процессов, сохраняя инженеринг подсказок и управление состоянием в переиспользуемых компонентах.

AskAtlasAI-Agent дает возможность разработчикам развертывать AI-агентов, отвечающих на естественные запросы по любому набору документов в MongoDB Atlas. Он координирует вызовы LLM для внедрения, поиска и генерации ответов, управляет контекстом диалога и предлагает настраиваемые цепочки подсказок. Построен на JavaScript/TypeScript, требует минимальной настройки: соедините свой кластер Atlas, предоставьте учетные данные OpenAI, загрузите или сослаться на документы и начните запросы через простой API. Также поддерживает расширение с пользовательскими функциями ранжирования, бекендами памяти и оркестрацией нескольких моделей.

autogen4j — это легкая библиотека на Java, предназначенная для упрощения создания автономных ИИ-агентов. Она предлагает основные модули для планирования, хранения памяти и выполнения действий, позволяя агентам разбивать высокоуровневые цели на последовательные подзадачи. Фреймворк интегрируется с поставщиками LLM (например, OpenAI, Anthropic) и позволяет регистрировать пользовательские инструменты (HTTP-клиенты, базы данных, работу с файлами). Разработчики определяют агентов с помощью удобного DSL или аннотаций, быстро собирая пайплайны для обогащения данных, автоматической отчётности и чат-ботов. Расширяемая система плагинов обеспечивает гибкость и возможность тонкой настройки поведения в различных приложениях.

Модульный подход фреймворка Controllable RAG позволяет строить системы расширенного поиска с возможностью настройки и соединения компонентов поиска, памяти и стратегий генерации. Разработчики могут подключать различные LLM, векторные базы данных и контроллеры политик для регулировки методов получения и обработки документов перед генерацией. Основанный на Python, он включает инструменты для индексирования, запросов, отслеживания истории диалогов и управление действиями, что делает его идеальным для чат-ботов, помощников по знаниям и исследовательских инструментов.

GenAI Processors обеспечивает набор переиспользуемых и настраиваемых процессоров для построения конвейеров генеративного AI от начала до конца. Разработчики могут загружать документы, разделять их на семантические фрагменты, создавать встраивания, хранить и запрашивать векторы, применять стратегии поиска и динамически формировать подсказки для вызова крупных языковых моделей. Его дизайн «вставляй-и-играй» облегчает расширение пользовательских этапов обработки, бесшовную интеграцию с сервисами Google Cloud или внешними хранилищами векторов, а также управление сложными RAG-пайплайнами для задач таких, как ответы на вопросы, суммирование и поиск знаний.

Janus Pro - это передовой генератор изображений с ИИ, использующий современные модели для создания изображений высокого качества на основе текстовых описаний. Построенный на архитектуре DeepSeek-LLM с 7 миллиардами параметров, Janus Pro предлагает исключительную производительность как в многомодальном понимании, так и в визуальных задачах генерации. Он использует новую автогрессивную структуру и отдельные пути кодирования для обеспечения превосходного качества изображения, детализации и точности. Janus Pro доступен бесплатно и с открытым исходным кодом, он предназначен для удобства использования, позволяя пользователям легко преобразовывать свои креативные идеи в потрясающие визуальные образы.

Mina предоставляет легкую, но мощную основу для построения AI-агентов на Python. Вы можете определять пользовательские инструменты (например, веб-скребки, калькуляторы или подключатели к базам данных), прикреплять буферы памяти для сохранения контекста диалога и управлять последовательностью вызовов LLM для многошагового мышления. На базе популярных API LLM Mina обеспечивает асинхронное выполнение, обработку ошибок и логирование. Ее модульная архитектура облегчает расширение новыми возможностями, а CLI-интерфейс позволяет быстро создавать прототипы и запускать агенты.

MS-Office-AI — это открытый фреймворк на Python, который безупречно интегрирует модели GPT-3/GPT-4 от OpenAI с приложениями Microsoft Office через API COM. Он предоставляет разработчикам и профессионалам набор функций для автоматизации создания контента и анализа данных в Word, Excel и PowerPoint. Простыми вызовами методов вы можете создавать черновики документов, подводить итоги существующих текстов, автоматически генерировать таблицы и диаграммы по запросам на естественном языке и собирать структурированные слайды. Пакет управляет взаимодействиями с API, обработкой ошибок и работой с объектной моделью Office, позволяя сосредоточиться на создании подсказок и рабочих потоках. Будь то подготовка отчетов, анализ наборов данных или создание презентаций — MS-Office-AI ускоряет вашу работу в Office, интегрируя ИИ прямо в привычную среду.

Llama-Agent — инструмент для разработчиков по созданию интеллектуальных ИИ-агентов, основанных на крупных языковых моделях. Он обеспечивает интеграцию инструментов для вызова внешних API или функций, управление памятью для хранения и поиска контекста, а также цепочное планирование мышления для разбиения сложных задач. Агенты могут выполнять действия, взаимодействовать с пользовательскими средами и автоматически адаптироваться через систему плагинов. Как проект с открытым исходным кодом, он легко расширяет основные компоненты, позволяя быстро экспериментировать и разворачивать автоматизированные рабочие процессы в различных областях.

MADDPG-Keras обеспечивает полный каркас для исследований в области обучения с подкреплением с несколькими агентами, реализуя алгоритм MADDPG в Keras. Поддерживаются непрерывные пространства действий, несколько агентов и стандартные среды OpenAI Gym. Исследователи и разработчики могут настраивать архитектуры нейронных сетей, гиперпараметры обучения и функции вознаграждения, после чего запускать эксперименты с встроенным логированием и контрольными точками для ускорения обучения политик и оценки производительности.

MAGAIL реализует расширение генеративного противоборствующего имитационного обучения для мультиагентов, позволяя группам агентов обучаться скоординированному поведению, основываясь на демонстрациях экспертов. Построенный на Python с поддержкой PyTorch (или вариантов TensorFlow), MAGAIL состоит из модулей политики (генератора) и дискриминатора, обучающихся в противоборственном цикле. Агенты генерируют траектории в средах, таких как OpenAI Multi-Agent Particle Environment или PettingZoo, которые дискриминатор использует для оценки подлинности по сравнению с данными экспертов. Через итеративные обновления сети политики сходятся к стратегиям, похожим на стратегии экспертов, без явных функций награды. Модульная архитектура MAGAIL позволяет настраивать архитектуры сетей, загрузку данных экспертов, интеграцию среды и гиперпараметры обучения. Кроме того, встроенное логирование и визуализация с помощью TensorBoard облегчают мониторинг и анализ прогресса обучения и показателей эффективности мультиагентов.