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.

MCP Browser Agent — это рамочная структура автономных AI-агентов для браузера, использующая большие языковые модели для выполнения навигации по сайтам, скрейпинга данных, обобщения содержимого, взаимодействия с формами и автоматизированных последовательностей задач. В качестве легкого JavaScript-библиотеки он seamlessly интегрируется с API GPT от OpenAI, позволяя разработчикам программировать собственные действия, хранилища памяти и цепочки запросов. Агент может кликать по ссылкам, заполнять формы, извлекать таблицы и по требованию подытоживать содержимое страниц. Поддерживаются асинхронное выполнение, обработка ошибок и сохранение сессий через браузерное хранилище. С помощью настраиваемых интерфейсов и расширяемых модулей действий MCP Browser Agent упрощает создание интеллектуальных помощников для браузера, повышая продуктивность, практичность и сокращая ручной труд в разных веб-приложениях.

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.

AI-Agents обеспечивает гибкую и модульную платформу для создания автономных агентов на базе ИИ. Разработчики могут задавать цели агента, связывать задачи и добавлять модули памяти для хранения и восстановления контекстной информации. Поддерживается интеграция с ведущими LLM через API-ключи, что позволяет агентам генерировать, оценивать и дорабатывать результаты. Возможность настраиваемых инструментов и плагинов позволяет агентам взаимодействовать с внешними сервисами, такими как парсинг веб-страниц, базы данных и системы отчетности. Благодаря ясным абстракциям для планирования, исполнения и обратной связи, AI-Agents ускоряет разработку прототипов и развертывание интеллектуальных автоматизированных рабочих потоков.

Agentfy обеспечивает модульную архитектуру для построения AI-агентов, объединяя LLM, бекенды памяти и интеграции инструментов в единый исполняемый окружение. Разработчики объявляют поведение агента с помощью классов Python, регистрируют инструменты (REST API, базы данных, утилиты) и выбирают хранилища памяти (локальные, Redis, SQL). Framework управляет подсказками, действиями, вызовами инструментов и управлением контекстом для автоматизации задач. Встроенная CLI и поддержка Docker позволяют развернуть агент в один клик в облаке, на периферийных устройствах или на рабочем столе.

AI Agent Example — это демонстрационный репозиторий для разработчиков и исследователей, желающих создавать интеллектуальных агентов на базе крупных языковых моделей (LLM). Проект включает примерный код для планирования агента, хранения памяти и вызова инструментов, показывая, как интегрировать внешние API или пользовательские функции. Он обладает простым интерфейсом диалога, который интерпретирует пользовательские намерения, формулирует планы действий и выполняет задачи, вызывая предопределённые инструменты. Разработчики могут следовать простым шаблонам для расширения агента новыми возможностями, такими как планирование событий, парсинг веб-страниц или автоматическая обработка данных. Благодаря модульной архитектуре этот шаблон ускоряет экспериментирование с ИИ-управляемыми рабочими процессами и персональными цифровыми помощниками, а также предоставляет представление о оркестровке агентов и управлении состоянием.