Self-Determining AI Agents — это фреймворк на Python, разработанный для упрощения создания автономных AI-агентов. Он включает настраиваемый цикл планирования, в котором агенты создают задачи, планируют стратегии и выполняют действия с помощью интегрированных инструментов. В рамках есть модули постоянной памяти для сохранения контекста, гибкая система планирования задач и хуки для пользовательских инструментов, таких как веб-API или запросы к базам данных. Разработчики могут задавать цели агента через конфигурационные файлы или код, а библиотека управляет итеративным процессом принятия решений. Поддерживается логирование, мониторинг производительности, возможно расширение новыми алгоритмами планирования. Идеально подходит для исследований, автоматизации рабочих процессов и быстрого прототипирования интеллектуальных мультиагентных систем.

Agent-Go предоставляет модульную платформу для построения автономных агентов ИИ на Go. Она интегрирует поставщиков LLM (таких как OpenAI), хранилища векторной памяти для хранения контекста на длительный срок и гибкий движок планирования, разбивающий запросы пользователя на исполняемые шаги. Разработчики определяют и регистрируют пользовательские инструменты (API, базы данных или shell-команды), которые могут вызываться агентами. Менеджер диалогов отслеживает историю общений, а настраиваемый планировщик управляет вызовами инструментов и взаимодействиями с LLM. Это позволяет командам быстро создавать AI-ассистентов, автоматизированные рабочие процессы и ботов для конкретных задач в готовой к производству среде на Go.

Курс Hugging Face Agents — это всеобъемлющий учебный путь, который проводит пользователей через проектирование, реализацию и развертывание автономных AI-агентов. Включает примеры кода для объединения языковых моделей, интеграции внешних API, создания пользовательских подсказок и оценки решений агентов. Участники создают агентов для задач, таких как вопрос-ответ, анализ данных и автоматизация рабочих процессов, приобретая практический опыт работы с Hugging Face Transformers, API агентов и ноутбуками Jupyter для ускорения разработки AI в реальных условиях.

Autogpt — это ориентированный на разработчиков фреймворк на Rust для построения автономных ИИ-агентов. Он предлагает типизированные интерфейсы для API OpenAI, встроенное управление памятью, цепочку контекста и расширяемую поддержку плагинов. Агент может быть настроен для выполнения цепочек подсказок, поддержания состояния беседы и программного выполнения динамических задач. Подходит для внедрения в CLI-инструменты, серверные сервисы или исследовательские прототипы, Autogpt упрощает организацию сложных ИИ-рабочих процессов, используя преимущества производительности и безопасности Rust.

Dino Reinforcement Learning — это полный набор инструментов для обучения AI-агента играть в игру динозавров Chrome с помощью обучения с подкреплением. Интеграция с безголовым Chrome через Selenium обеспечивает захват игровых кадров в реальном времени и их обработку в представления состояний, оптимизированные для входных данных глубоких Q-сетей. В рамках реализованы модули памяти воспроизведения, эвристического исследования epsilon-greedy, моделей сверточных нейронных сетей и циклов обучения с настраиваемыми гиперпараметрами. Пользователи могут отслеживать прогресс обучения через консольные логи и сохранять контрольные точки для последующей оценки. После обучения агент может быть запущен для автономной игры или протестирован против различных архитектур моделей. Модульный дизайн облегчает замену алгоритмов RL, что делает платформу гибкой для экспериментов.

Promptix Python — это фреймворк с открытым исходным кодом для создания автономных AI-агентов на Python. Благодаря простой установке через pip вы можете создать агентов, управляемых любым крупным LLM, зарегистрировать специализированные инструменты, настроить хранилища данных в памяти или на постоянной основе и управлять многошаговыми циклами решений. SDK поддерживает потоковую передачу токенов в реальном времени, обработчики обратных вызовов для логирования или пользовательской обработки, а также встроенные модули памяти для сохранения контекста между взаимодействиями. Разработчики могут использовать эту библиотеку для прототипирования чат-ботов, автоматизаций, конвейеров данных или исследовательских агентов за несколько минут. Модульная структура позволяет менять модели, добавлять собственные инструменты и расширять механизмы хранения памяти, обеспечивая гибкость для широкого спектра сценариев использования AI-агентов.