ASP-DALI предоставляет единую платформу для определения и выполнения логических интеллектуальных агентов. Разработчики пишут правила ASP для описания баз знаний и целей, а конструкции DALI определяют реакции на события и выполнение действий. Во время выполнения решатель ASP вычисляет ответы (answer sets), которые направляют решения агента, позволяя ему планировать, реагировать на входящие события и динамически корректировать убеждения. Среда поддерживает модульные базы знаний, облегчая инкрементальные обновления и четкое разделение декларативных правил и реактивных поведений. ASP-DALI реализован на Prolog с интерфейсами к популярным решателям ASP, что упрощает интеграцию и развертывание в исследовательских и прототипных сценариях.

Репозиторий предлагает пошаговый учебник и эталонную реализацию для создания AI-агента на основе ReAct, использующего DeepSeek для поиска высокоразмерных векторов. В нем описывается настройка среды, установка зависимостей и конфигурация хранилищ векторов для пользовательских данных. Агент использует шаблон ReAct для объединения следов рассуждения с внешним поиском знаний, что создает прозрачные и объяснимые ответы. Пользователи могут расширять систему, добавляя дополнительные загрузчики документов, настраивая шаблоны подсказок или меняя базы данных векторов. Эта гибкая структура позволяет разработчикам и исследователям быстро прототипировать мощных диалоговых агентов, которые рассуждают, ищут и взаимодействуют с разными источниками знаний всего несколькими строками кода на Python.

AI Agents предлагает структурированный набор инструментов для создания автономных агентов с использованием больших языковых моделей. Включает модули для интеграции внешних API, управления диалоговой или долговременной памятью, оркестрации многошаговых рабочих процессов и цепочки вызовов LLM. Фреймворк содержит шаблоны для распространенных типов агентов — извлечение данных, ответы на вопросы и автоматизация задач, — а также позволяет настраивать подсказки, определения инструментов и стратегии памяти. С поддержкой асинхронности, плагинов и модульной архитектурой AI Agents обеспечивает масштабируемые, удобные для поддержки и расширения возможности.

AgentForge предоставляет структурированную среду для определения, объединения и оркестрации отдельных навыков ИИ в целостных автономных агентов. Поддерживает память для сохранения контекста, интеграцию с внешними сервисами через плагины, коммуникацию между несколькими агентами, планирование задач и обработку ошибок. Разработчики могут настраивать собственные обработчики навыков, использовать встроенные модули для понимания естественного языка и интегрироваться с популярными LLM, такими как серия GPT от OpenAI. Модульный дизайн ускоряет циклы разработки, упрощает тестирование и развёртывание чатботов, виртуальных помощников, агентов анализа данных и ботов автоматизации по области.

Fast-LLM-Agent-MCP — легкий, открытый фреймворк на Python для создания ИИ-агентов, сочетающих управление памятью, цепочечное рассуждение и многошаговое планирование. Разработчики могут интегрировать его с OpenAI, Azure OpenAI, локальным Llama и другими моделями для поддержания контекста диалога, генерации структурированных цепочек рассуждений и разбиения сложных задач на подзадачи, которые можно выполнить. Его модульная конструкция позволяет подключать пользовательские инструменты и хранилища памяти, что делает его идеальным для виртуальных помощников, систем поддержки принятия решений и автоматизированных ботов службы поддержки.

GPA-LM — это основанный на Python фреймворк, созданный для упрощения создания и организации AI-агентов, управляемых большими языковыми моделями. В нем есть планировщик, разбивающий инструкции высокого уровня на подзадачи, исполнитель, управляющий вызовами инструментов и взаимодействиями, и модуль памяти, сохраняющий контекст между сессиями. Архитектура плагинов позволяет разработчикам добавлять собственные инструменты, API и логику принятия решений. Поддержка нескольких агентов позволяет координировать роли, распределять задачи и собирать результаты. Интегрируется с популярными LLM, такими как OpenAI GPT, и поддерживает развертывание в различных средах. Фреймворк ускоряет разработку автономных агентов для исследований, автоматизации и прототипирования приложений.

JARVIS-1 представляет собой модульную архитектуру, объединяющую интерфейс на естественном языке, модуль памяти и исполнитель задач на базе плагинов. На базе GPT-index он сохраняет диалоги, восстанавливает контекст и развивается благодаря взаимодействиям с пользователем. Пользователи задают задачи простыми подсказками, а JARVIS-1 управляет планированием задач, выполнением кода, обработкой файлов и веб-браузингом. Его система плагинов обеспечивает пользовательские интеграции с базами данных, электронной почтой, PDF и облачными сервисами. Можно развернуть через Docker или CLI на Linux, macOS и Windows, JARVIS-1 гарантирует офлайн-работу и полный контроль данных, что делает его идеальным для разработчиков, команд DevOps и продвинутых пользователей, ищущих безопасную и расширяемую автоматизацию.

multiagent-env — это открытая библиотека на Python, предназначенная для упрощения создания и оценки сред обучения с несколькими агентами. Пользователи могут определять как кооперативные, так и враждебные сценарии, задавая количество агентов, пространства действий и наблюдений, функции наград и динамику окружающей среды. Она поддерживает визуализацию в реальном времени, настраиваемую визуализацию и легкую интеграцию с RL-фреймворками на базе Python, такими как Stable Baselines и RLlib. Модульный дизайн позволяет быстро прототипировать новые сценарии и легко сравнивать алгоритмы.

Vagent.io предоставляет интуитивно понятный интерфейс для взаимодействия с пользовательскими AI-агентами с помощью голосовых команд. Вместо ввода текста пользователи могут легко общаться со своими AI-агентами с помощью естественной речи. Платформа интегрируется с простыми вебхуками и использует OpenAI для высококачественного распознавания речи и поддержки более 60 языков. Конфиденциальность данных является приоритетом, регистрация не требуется, и все данные хранятся на устройстве пользователя. Vagent.io очень универсален, позволяя пользователям подключаться к различным бэкендам и создавать модульные многопользовательские системы для более сложных задач.

TreeInstruct предоставляет структуру для создания иерархических конвейеров подсказок на основе дерева решений для больших языковых моделей. Пользователи могут определять узлы, отображающие подсказки или вызовы функций, создавать условные ветви на основе вывода модели и выполнять дерево для управления сложными рабочими процессами. Поддерживается интеграция с OpenAI и другими поставщиками LLM, предлагая логирование, обработку ошибок и настраиваемые параметры узлов для прозрачности и гибкости при взаимодействии с несколькими раундами.