Фреймворк YGO-Agent позволяет исследователям и энтузиастам создавать ИИ-ботов, которые играют в Yu-Gi-Oh, используя обучение с подкреплением. Он оборачивает симулятор YGOPRO в совместимую с OpenAI Gym среду, определяя состояния, такие как рука, поле и показатели жизни, а также действия, включая призыв, активацию заклинаний/ловушек и атаки. Вознаграждения основаны на исходе победы/проигрыша, нанесённом уроне и ходе игры. Архитектура агента реализована на PyTorch с использованием DQN, с возможностью настройки кастомных сетевых архитектур, повторной обучения опыта и ε-жадной стратегии исследования. Модули логирования регистрируют кривые обучения, коэффициенты выигрыша и подробные логовые записи ходов для анализа. Рамочное решение модульное, что позволяет пользователям заменять или расширять компоненты, такие как функции награды или пространство действий.

MIDCA — это модульная когнитивная архитектура, предназначенная для поддержки полного когнитивного цикла умных агентов. Она обрабатывает сенсорные входные данные с помощью модуля восприятия, интерпретирует их для генерации и приоритезации целей, использует планировщик для создания последовательностей действий, осуществляет выполнение и оценивает результаты через метакогнитивный слой. Концепция двойного цикла разделяет быстрые реактивные ответы и более медленное рассуждение, что даёт агентам возможность динамического адаптирования. Расширяемая структура и открытый исходный код делают MIDCA идеальной платформой для исследователей и разработчиков, изучающих автономное принятие решений, обучение и саморефлексию в ИИ.