Vanilla Agents — это лёгкий фреймворк на базе PyTorch, предоставляющий модульные и расширяемые реализации основных агентов обучения с подкреплением. Он поддерживает алгоритмы DQN, Double DQN, PPO и A2C, с подключаемыми обёртками окружений, совместимыми с OpenAI Gym. Пользователи могут настраивать гиперпараметры, регистрировать метрики обучения, сохранять контрольные точки и визуализировать кривые обучения. Код организован ясно, что делает его идеальным для прототипирования, образовательных целей и бенчмаркинга новых идей в RL.

Agent Script обеспечивает декларативный слой сценариев поверх крупных языковых моделей, позволяя писать YAML или JSON-скрипты, определяющие рабочие процессы агента, вызовы инструментов и использование памяти. Можно подключать OpenAI, локальные LLM или другие провайдеры, подключать внешние API в качестве инструментов и настраивать хранилища памяти для долгосрочного хранения. Фреймворк управляет управлением контекстом, асинхронным выполнением и подробным логированием по умолчанию. С минимальным количеством кода можно прототипировать чат-боты, RPA-процессы, агенты по извлечению данных или пользовательские циклы управления, что облегчает разработку, тестирование и развертывание автоматизаций на базе ИИ.

Minimalist Agent предоставляет базовую структуру для создания AI-агентов на Python. Он использует классы агентов LangChain и API OpenAI для выполнения многошагового мышления, динамического выбора инструментов и исполнения функций. Вы можете клонировать репозиторий, настроить ключ API OpenAI, определить собственные инструменты или конечные точки и запускать CLI-скрипт для взаимодействия с агентом. Проект ориентирован на ясность и расширяемость, что облегчает изучение, изменение и расширение поведения основных агентов для экспериментов или обучения.

Embedded BDI предоставляет полноценный движок жизненного цикла BDI: моделирует убеждения агента о его окружении, управляет развивающимися желаниями или целями, выбирает намерения из библиотеки планов и выполняет поведение в реальном времени. В рамках включены модули для хранения базы убеждений, определения библиотеки планов, триггеров событий и управления параллельностью, предназначенные для микроконтроллеров с ограниченной памятью. Простым API разработчики могут аннотировать убеждения, задавать желания и реализовывать планы в коде. Планировщик управляет приоритетным выполнением намерений и интегрируется с аппаратными интерфейсами для датчиков, приводов и сетевого соединения, что делает его идеальным для автономных IoT-устройств, мобильных роботов и промышленных контроллеров.

На практике LlamaSim позволяет определить несколько AI-агентов с помощью модели Llama, настроить сценарии взаимодействия и запускать контролируемые симуляции. Вы можете настроить личность агентов, логику принятия решений и каналы связи с помощью простых API на Python. Фреймворк автоматически управляет созданием подсказок, разбором ответов и отслеживанием состояния диалога. Он регистрирует все взаимодействия и предоставляет встроенные метрики оценки, такие как когерентность ответов, уровень завершения задач и задержка. Благодаря плагинам, можно интегрировать внешние источники данных, добавлять пользовательские функции оценки или расширять возможности агентов. Легкий ядроLlamaSim подходит для локальной разработки, CI/CD и облачных развертываний, что обеспечивает воспроизводимость исследований и проверку прототипов.

MASlite предоставляет понятный API для создания классов агентов, регистрации поведения и обработки событийной обмена сообщениями между агентами. В него входит планировщик для управления задачами агентов, моделирование окружения для симуляции взаимодействий и система плагинов для расширения основных возможностей. Разработчики могут быстро создавать прототипы сценариев с несколькими агентами на Python, определяя методы жизненного цикла, подключая агентов через каналы и запуская симуляции в безголовом режиме или с использованием инструментов визуализации.

SelfDrivingCarSimulator — это легкий фреймворк на Python, основанный на Pygame, предоставляющий 2D-окружение для обучения агентов автономных транспортных средств с использованием усиленного обучения. Он поддерживает настроенные макеты трасс, конфигурируемые модели датчиков (например, имитацию LiDAR и камеры), визуализацию в реальном времени и сбор данных для анализа производительности. Разработчики могут интегрировать свои алгоритмы RL, регулировать параметры физики и мониторить такие показатели, как скорость, частота столкновений и функции награждения, для быстрого итеративного развития исследований и образовательных проектов по автопилотированию.

DocumentAI-Backend — это легкий бекенд-фреймворк, автоматизирующий извлечение текста, полей форм и структурированных данных из документов. Он обеспечивает REST API для загрузки PDF и изображений, обработки через Google Document AI с резервным OCR и возвращает разобранные результаты в формате JSON. Созданный на Python, FastAPI и Docker, он обеспечивает быструю интеграцию, масштабируемость и возможность настройки с помощью конфигурируемых пайплайнов и промежуточного ПО.