Многопроцессорная система рекомендаций для торговых центров — это платформа, основанная на ИИ и архитектуре мультиагентов, предназначенная для улучшения опыта покупок. В нее входят агенты покупок, которые следят за взаимодействиями посетителей; агенты предпочтений, анализирующие прошлые и текущие данные; и агенты рекомендаций, которые создают индивидуальные предложения по продуктам и акциям. Агенты обмениваются сообщениями через специальный протокол, чтобы обновлять пользовательские модели, делиться инсайтами и динамически корректировать рекомендации. Система поддерживает интеграцию с CMS и POS для получения данных о наличии товаров и продажах в реальном времени. Ее модульная структура позволяет разработчикам настраивать поведение агентов, интегрировать новые источники данных и развертывать систему на различных платформах. Идеально подходит для крупных розничных предприятий, повышая удовлетворенность клиентов и увеличивая продажи благодаря точечным, контекстно-зависимым рекомендациям.

Duet GPT — это открытая платформа на Python для организации диалогов между двумя моделями GPT. Вы задаёте разные роли агентов, настраиваемые системными подсказками, а фреймворк автоматически управляет очередностью, передачей сообщений и историей диалога. Такая кооперативная структура ускоряет решение сложных задач, поддерживая сравнительное рассуждение, циклы критики и итеративное улучшение через обмены. Благодаря бесшовной интеграции с API OpenAI, простоте настройки и встроенному журналу, она идеально подходит для исследований, прототипирования и рабочих производственных процессов в области программной помощи, поддержки принятия решений и креативной генерации идей. Разработчики могут расширять основные классы, интегрировать новые сервисы LLM, настраивать логику итератора и экспортировать транскрипты в формате JSON или Markdown для последующего анализа.

Модуль Java Action Linearprogram предоставляет специализированное действие, позволяющее агентам моделировать и решать задачи линейной оптимизации. Пользователи могут конфигурировать коэффициенты цели, добавлять равенства и неравенства, выбирать методы решения и запускать решатель в цикле рассуждения агента. После выполнения действие возвращает оптимальные значения переменных и результат цели, которые агенты могут использовать для последующего планирования или выполнения. Этот компонент plug-and-play скрывает сложность решателя, сохраняя полный контроль над определением задач через Java-интерфейсы.