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.

Esquilax — это легкий фреймворк на TypeScript, предназначенный для создания и оркестрации сложных рабочих процессов с ИИ-агентами. Он предоставляет разработчикам очевидный API для декларативного определения агентов, назначения модулей памяти и интеграции пользовательских действий через плагины, такие как вызовы API или запросы к базе данных. Встроенная поддержка обработки контекста и координации нескольких агентов помогает упростить создание чатботов, цифровых ассистентов и автоматических процессов. Архитектура на основе событий позволяет динамически связывать задачи и запускать их, а инструменты логирования и отладки дают полный контроль над взаимодействиями агентов. Благодаря абстракции рутинного кода, Esquilax ускоряет прототипирование масштабируемых AI-приложений.

Journalizr - это цифровое приложение для ведения дневника, которое упрощает процесс ведения дневника с помощью ведущей в мире транскрипции голоса и внимательных подсказок. Оно разработано с акцентом на доступности и направлено на людей с дислексией и СДВГ, предоставляя легкий и увлекательный способ формирования привычки ведения дневника. Оно полностью бесплатное, без ограничений по использованию, и обеспечивает удобный опыт, оставляя только основные функции для ведения дневника. Journalizr стремится постоянно расти и улучшаться, обеспечивая пользователей лучшими возможными инструментами для ведения дневника.

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.

RL Shooter — это фреймворк на Python, который интегрирует ViZDoom с API OpenAI Gym для создания гибкой среды обучения с укрепленным обучением для игр FPS. Пользователи могут определять пользовательские сценарии, карты и структуры вознаграждений для обучения агентов навигации, обнаружения целей и стрельбы. Благодаря настраиваемым кадрам наблюдения, пространствам действий и системам логирования, он поддерживает популярные библиотеки глубокого обучения с укрепленным обучением, такие как Stable Baselines и RLlib, обеспечивая отслеживание производительности и воспроизводимость экспериментов.

Super-Agent-Party позволяет разработчикам определить объект Party, где отдельные AI-агенты выполняют различные роли, такие как планирование, исследование, составление черновика и рецензирование. Каждый агент можно настроить с помощью пользовательских подсказок, инструментов и параметров модели. Фреймворк управляет маршрутизацией сообщений и разделённым контекстом, позволяя агентам в реальном времени работать вместе над подзадачами. Поддерживается интеграция плагинов для сторонних сервисов, гибкие стратегии оркестровки и процедуры обработки ошибок. С интуитивным API пользователи могут динамически добавлять или удалять агентов, связывать рабочие процессы и визуализировать взаимодействия агентов. Построен на Node.js и совместим с основными облачными провайдерами, Super-Agent-Party упрощает разработку масштабируемых и поддерживаемых систем с несколькими агентами для автоматизации, генерации контента, анализа данных и других задач.

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.

LiteMultiAgent предоставляет модульный SDK для создания и запуска нескольких AI-агентов параллельно или последовательно, каждый с уникальными ролями и обязанностями. В него встроены хранилища памяти, обмен сообщениями, адаптеры плагинов и циклы выполнения для управления сложной коммуникацией между агентами. Пользователи могут настраивать поведение агентов, интегрировать внешние инструменты или API и контролировать диалоги через логи. Легкий дизайн фреймворка и управление зависимостями делают его идеальным для быстрого прототипирования и развертывания совместных рабочих процессов AI в производстве.

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.

Agent-Oriented Architecture (AOA) — это мощный фреймворк, предоставляющий разработчикам инструменты для построения и обслуживания интеллектуальных мульти-агентных систем. Агенты инкапсулируют состояние, поведение и паттерны взаимодействия, общаясь через асинхронную шину сообщений. В AOA есть модули для регистрации, обнаружения и сопоставления агентов, что обеспечивает динамическую композицию служб. Моделирование поведения поддерживает конечные автоматы, планирование, ориентированное на цели, и триггеры по событиям. Фреймворк управляет событиями жизненного цикла агентов: созданием, приостановкой, миграцией и завершением. Встроенные средства мониторинга и логирования облегчают настройку производительности и отладку. Универсальный транспортный слой поддерживает TCP, HTTP и пользовательские протоколы, что делает его пригодным для локальных, облачных и периферийных развертываний. Интеграция с популярными библиотеками обеспечивает беспрепятственную обработку данных и интеграцию AI-моделей.

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.