AI-Agents предлагает модульную архитектуру для определения и запуска Python-агентов ИИ. Разработчики могут настраивать поведение агентов, интегрировать внешние API или инструменты и управлять памятью агентов в разных сессиях. Он использует популярные LLM, поддерживает совместную работу нескольких агентов и расширяется при помощи плагинов для сложных рабочих потоков, таких как анализ данных, автоматизированная поддержка и персональные ассистенты.

CArtAgO (Общая инфраструктура артефактов для открытых окружений агентов) - это лёгкий и расширяемый фреймворк для реализации инфраструктур окружения в системах с несколькими агентами. Он вводит концепцию артефактов — первоклассных объектов, представляющих ресурсы окружения с определёнными операциями, наблюдаемыми свойствами и интерфейсами событий. Разработчики определяют типы артефактов на Java, регистрируют их в классах окружения и предоставляют операции и события для потребления агентами. Агенты взаимодействуют с артефактами с помощью стандартных действий (например, createArtifact, observe), получают асинхронные уведомления о изменениях состояния и координируют свои действия через общие ресурсы. CArtAgO легко интегрируется с платформами, такими как Jason, JaCaMo, JADE и Spring Agent, что позволяет разрабатывать гибридные системы. Фреймворк включает встроенную поддержку документации артефактов, динамической загрузки и мониторинга в реальном времени, ускоряя прототипирование сложных приложений на базе агентов.

Multi-Agent — это набор инструментов для разработчиков, который помогает создавать и управлять несколькими параллельно работающими агентами ИИ. Каждый агент хранит собственную память, настройки подсказок и очередь сообщений. Вы можете определять пользовательское поведение, настраивать каналы связи между агентами и автоматически делегировать задачи в зависимости от ролей агентов. Он использует API Chat OpenAI для понимания и генерации языка и предоставляет модульные компоненты для оркестрации рабочих процессов, логгирования и обработки ошибок. Это позволяет создавать специализированных агентов, таких как научные ассистенты, обработчики данных или боты поддержки клиентов, которые совместно работают над сложными задачами.

OpenAI Agents MCP Server предоставляет прочную основу для развертывания и управления автономными агентами на базе моделей OpenAI. Он предлагает гибкий RESTful API для создания, настройки и управления агентами, позволяя разработчикам оркестровать многошаговые задачи, координировать взаимодействия между агентами и сохранять постоянную память между сессиями. Фреймворк поддерживает плагинообразные интеграции инструментов, расширенное логирование диалогов и настраиваемые стратегии планирования. Абстрагируя инфраструктурные аспекты, MCP Server упрощает разработку, ускоряет прототипирование и обеспечивает масштабируемость развертываний в продакшене — для чат-ассистентов, автоматизации рабочих процессов и цифровых работников на базе ИИ.

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.

CommNet — это библиотека ориентированная на исследования, реализующая архитектуру CommNet, позволяющую нескольким агентам делиться скрытыми состояниями на каждом шаге времени и обучаться координировать действия в кооперативных средах. Включает определения моделей PyTorch, скрипты обучения и оценки, оболочки среды для OpenAI Gym и утилиты для настройки каналов связи, количества агентов и глубины сети. Исследователи и разработчики могут использовать CommNet для прототипирования и бенчмаркинга стратегий межагентской коммуникации в задачах навигации, преследования–уклонения и сбора ресурсов.

ePH-MAPF обеспечивает эффективный процесс вычисления путей без столкновений для десятков и сотен агентов на сеточных картах. Использует приоритетные эвристики, техники инкрементального поиска и настраиваемые метрики стоимости (Манхэттен, Евклид), чтобы сбалансировать скорость и качество решения. Пользователи могут выбрать разные эвристические функции, интегрировать библиотеку в системы на Python и тестировать производительность на стандартных сценариях MAPF. Код модульный и хорошо документирован, что позволяет исследователям и разработчикам расширять его для динамических препятствий или специализированных сред.