GenerativeAgentsCN — это открытая китайская адаптация рамочной системы Stanford для генеративных агентов, предназначенная для моделирования реалистичных цифровых персонажей. Объединяя большие языковые модели с модулем долговременной памяти, рефлексивными процедурами и логикой планирования, она управляет агентами, воспринимающими контекст, вспоминающими прошлые взаимодействия и самостоятельно выбирающими дальнейшие действия. Инструментарий включает готовые к использованию блокноты Jupyter, модульные компоненты Python и обширную китайскую документацию, которая помогает пользователям создавать среды, определять характеристики агентов и настраивать параметры памяти. Используйте его для исследования поведения игровых NPC на базе ИИ, прототипирования чат-ботов поддержки клиентов или проведения академических исследований когнитивных процессов агентов. Гибкие API позволяют расширять алгоритмы памяти, интегрировать собственные LLM и визуализировать взаимодействия агентов в реальном времени.

Проект mario-ai предлагает комплексную цепочку для разработки AI-агентов для освоения Super Mario Bros., с помощью нейроэволюции. Интегрируя реализацию NEAT на Python с окружением OpenAI Gym SuperMario, он позволяет пользователям задавать собственные критерии оценки, уровни мутаций и топологии сети. В процессе обучения фреймворк оценивает поколения нейронных сетей, отбирает наиболее эффективные гены и предоставляет визуализацию как игрового процесса, так и эволюции сети в реальном времени. Кроме того, он поддерживает сохранение и загрузку обученных моделей, экспорт лучших геномов и создание детальных журналов производительности. Исследователи, преподаватели и любители могут расширять код для других игровых сред, экспериментировать с эволюционными стратегиями и сравнивать прогресс обучения ИИ на разных уровнях.

MultiAgentPuzzleSolver предоставляет модульную среду, где независимые агенты ИИ работают совместно для решения таких задач, как скользящие плитки, Кубик Рубика и логические сетки. Агенты делятся информацией о состоянии, договариваются о подзадачах и используют различные эвристики для более эффективного исследования пространства решений, чем одиночные подходы. Разработчики могут добавлять новые поведения агентов, настраивать протоколы коммуникации и расширять определения головоломок. В рамках фреймворка есть инструменты для визуализации взаимодействий агентов в реальном времени, сбора метрик и автоматизации экспериментов. Поддерживаются Python 3.8+, стандартные библиотеки и популярные ML-инструменты для беспрепятственной интеграции в исследовательские проекты.

MultiAgentModel предоставляет единый API для определения пользовательских окружений и классов агентов для сценариев с множеством агентов. Разработчики могут задавать пространства наблюдения и действий, структуры награды и каналы связи. Встроенная поддержка популярных RL-алгоритмов, таких как PPO, DQN и A2C, позволяет тренировать модели с минимальной настройкой. Инструменты визуализации в реальном времени помогают отслеживать взаимодействия агентов и показатели их эффективности. Модульная архитектура обеспечивает легкую интеграцию новых алгоритмов и пользовательских модулей. Также включает гибкую систему конфигурации для настройки гиперпараметров, утилиты логирования для отслеживания экспериментов и совместимость с OpenAI Gym для бесшовной портативности. Пользователи могут совместно работать над общими окружениями и воспроизводить зафиксированные сессии для анализа.

AgentSimJS предназначена для упрощения создания и выполнения моделей на основе агентов масштабируемых систем на JavaScript. Благодаря своей модульной архитектуре разработчики могут определять агентов с настраиваемыми состояниями, датчиками, функциями принятия решений и актуаторами, а затем интегрировать их в динамические окружения, параметризованные глобальными переменными. Фреймворк управляет симуляциями с дискретными временными шагами, обрабатывает обмен сообщениями между агентами и записывает данные взаимодействий для анализа. Модули визуализации поддерживают отображение в реальном времени с использованием HTML5 Canvas или внешних библиотек, а плагины позволяют интегрировать с статистическими инструментами. AgentSimJS работает как в современных браузерах, так и в Node.js, делая его пригодным для интерактивных веб-приложений, научных исследований, образовательных средств и быстрого прототипирования ройной интеллигентности, динамики толпы или распределенного ИИ.