autogen4j — это легкая библиотека на Java, предназначенная для упрощения создания автономных ИИ-агентов. Она предлагает основные модули для планирования, хранения памяти и выполнения действий, позволяя агентам разбивать высокоуровневые цели на последовательные подзадачи. Фреймворк интегрируется с поставщиками LLM (например, OpenAI, Anthropic) и позволяет регистрировать пользовательские инструменты (HTTP-клиенты, базы данных, работу с файлами). Разработчики определяют агентов с помощью удобного DSL или аннотаций, быстро собирая пайплайны для обогащения данных, автоматической отчётности и чат-ботов. Расширяемая система плагинов обеспечивает гибкость и возможность тонкой настройки поведения в различных приложениях.

CArtAgO (Общая инфраструктура артефактов для открытых окружений агентов) - это лёгкий и расширяемый фреймворк для реализации инфраструктур окружения в системах с несколькими агентами. Он вводит концепцию артефактов — первоклассных объектов, представляющих ресурсы окружения с определёнными операциями, наблюдаемыми свойствами и интерфейсами событий. Разработчики определяют типы артефактов на Java, регистрируют их в классах окружения и предоставляют операции и события для потребления агентами. Агенты взаимодействуют с артефактами с помощью стандартных действий (например, createArtifact, observe), получают асинхронные уведомления о изменениях состояния и координируют свои действия через общие ресурсы. CArtAgO легко интегрируется с платформами, такими как Jason, JaCaMo, JADE и Spring Agent, что позволяет разрабатывать гибридные системы. Фреймворк включает встроенную поддержку документации артефактов, динамической загрузки и мониторинга в реальном времени, ускоряя прототипирование сложных приложений на базе агентов.

CUPCAKE AGI (Композиционный утилитарный пайплайн для креативного, знающего и эволюционирующего автономного общего интеллекта) — это гибкий каркас Python, который упрощает создание автономных агентов путём объединения языковых моделей, памяти и внешних инструментов. Он включает основные модули, такие как планировщик целей, исполнитель моделей и менеджер памяти для сохранения контекста при взаимодействиях. Разработчики могут расширять функциональность через плагины для интеграции API, баз данных или пользовательских комплектов инструментов. CUPCAKE AGI поддерживает как синхронные, так и асинхронные рабочие процессы, что делает его идеальным для исследований, прототипирования и развертывания агентов уровня промышленного использования в различных сферах.

Возникающая коммуникация в агентах — это открытая платформа на PyTorch, предназначенная для исследователей, изучающих, как многопользовательские системы разрабатывают собственные протоколы связи. Библиотека предлагает гибкие реализации совместных задач обучения с подкреплением, включая референциальные игры, комбинированные игры и задачи идентификации объектов. Пользователи определяют архитектуры говорящих и слушающих агентов, задают свойства каналов сообщений, такие как размер словаря и длина последовательности, и выбирают стратегии обучения, такие как градиенты политики или контролируемое обучение. В рамках представлены скрипты для запуска экспериментов, анализа эффективности коммуникации и визуализации возникающих языков. Модульная конструкция обеспечивает лёгкое расширение новыми игровыми средами или пользовательскими функциями потерь. Исследователи могут воспроизводить опубликованные исследования, создавать эталонные модели новых алгоритмов и исследовать композиционность и семантику языков агентов.

Exo — это фреймворк, ориентированный на разработчика, позволяющий создавать агентов, управляемых ИИ, способных общаться с пользователями, вызывать внешние API и сохранять контекст разговора. В основе Exo лежат определения на TypeScript для описания инструментов, слоёв памяти и управления диалогами. Пользователи могут регистрировать собственные действия для задач по извлечению данных, планированию или оркестровке API. Фреймворк автоматически обрабатывает шаблоны подсказок, маршрутизацию сообщений и обработку ошибок. Модуль памяти Exo может сохранять и вытаскивать пользовательскую информацию между сессиями. Разработчики могут развертывать агентов в средах Node.js или без сервера с минимальной настройкой. Exo также поддерживает промежуточное программное обеспечение для логирования, аутентификации и получения метрик. Его модульная архитектура обеспечивает повторное использование компонентов в нескольких агентских системах, ускоряя разработку и уменьшая избыточность.

LifelongAgentBench предназначена для моделирования реальных сценариев постоянного обучения, позволяя разработчикам тестировать AI-агентов на последовательности развивающихся задач. Фреймворк предоставляет API plug-and-play для определения новых сценариев, загрузки наборов данных и настройки политик управления памятью. Встроенные модули оценки считают метрики такие, как перенос вперед, перенос назад, уровень забывания и комбинированная производительность. Пользователи могут запускать базовые реализации или интегрировать проприетарных агентов, чтобы обеспечить сравнение при одинаковых условиях. Результаты экспортируются в стандартизированные отчеты с интерактивными графиками и таблицами. Модульная архитектура поддерживает расширения с кастомными загрузчиками данных, метриками и плагинами визуализации, что позволяет исследователям и инженерам адаптировать платформу под разные области применения.

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.

Multi-Agent-LLM предназначен для упрощения оркестрации нескольких ИИ-агентов на базе больших языковых моделей. Пользователи могут определять отдельных агентов с уникальными персонажами, хранилищем памяти и встроенными внешними инструментами или API. Централизованный AgentManager управляет циклами коммуникации, позволяя агентам обмениваться сообщениями в общей среде и совместно достигать сложных целей. Фреймворк поддерживает замену провайдеров LLM (например, OpenAI, Hugging Face), гибкие шаблоны запросов, истории разговоров и пошаговые контексты инструментов. Разработчикам доступны встроенные утилиты для логирования, обработки ошибок и динамического создания агентов, что позволяет масштабировать автоматизацию многоступенчатых рабочих процессов, исследовательских задач и пайплайнов принятия решений.

Multi-Agent Coordination предоставляет легкий API для определения ИИ-агентов, регистрации их у центрального координатора и назначения задач для совместного решения. Он управляет маршрутизацией сообщений, контролем конкуренции и агрегированием результатов. Разработчики могут подключать собственные поведения агентов, расширять каналы связи и отслеживать взаимодействия через встроенное журналирование и хуки. Этот фреймворк упрощает создание распределенных рабочих процессов ИИ, где каждый агент специализируется на подзадаче, а координатор обеспечивает слажную работу.

Многоагентное визуальное отслеживание реализует распределенную систему, состоящую из интеллектуальных агентов, которые обмениваются информацией для повышения точности и устойчивости отслеживания объектов в видео. Агенты используют сверточные нейронные сети для обнаружения, делятся наблюдениями для обработки заслонок, корректируют параметры отслеживания с помощью обучения с подкреплением. Совместимо с популярными наборами данных видео, поддерживает обучение и прогнозирование в реальном времени. Пользователи легко интегрируют его в существующие пайплайны и расширяют поведение агентов под индивидуальные задачи.

OmniMind0 — это полнофункционочный фреймворк AI на базе агентов, написанный на Python, который позволяет создавать и управлять несколькими автономными агентами. Каждый агент может быть настроен для выполнения конкретных задач — таких как получение данных, составление резюме или принятие решений — при этом состояние делится через расширяемые системы памяти, такие как Redis или JSON-файлы. Встроенная архитектура плагинов позволяет расширять функциональность с помощью внешних API или собственных команд. Поддерживаются модели OpenAI, Azure и Hugging Face, доступна настройка через CLI, REST API или Docker для гибкой интеграции в рабочие процессы.

OpenAgent предоставляет комплексную платформу для разработки автономных ИИ-агентов, которые могут понимать задачи, планировать многошаговые действия и взаимодействовать с внешними службами. Интеграция с LLM, такими как OpenAI и Anthropic, позволяет осуществлять рассуждения и принятие решений на естественном языке. Платформа включает систему плагинов для выполнения HTTP-запросов, работы с файлами и пользовательских функций Python. Модули управления памятью позволяют сохранять и извлекать контекстную информацию между сессиями. Разработчики могут расширять функциональность через плагины, настраивать передачу данных в реальном времени и использовать встроенные инструменты логгирования и оценки для мониторинга работы агента. OpenAgent упрощает управление сложными рабочими потоками, ускоряет прототипирование интеллектуальных помощников и обеспечивает модульную архитектуру для масштабируемых приложений ИИ.

OpenAI Agents предоставляет модульную среду для определения, выполнения и управления автономными AI-агентами на базе языковых моделей OpenAI. Разработчики могут конфигурировать агентов с хранилищами памяти, регистрировать пользовательские инструменты или плагины, координировать работу нескольких агентов и отслеживать выполнение с помощью встроенного логгирования. Фреймворк управляет вызовами API, управлением контекстом и асинхронным планированием задач, позволяя быстро создавать прототипы сложных рабочих процессов на базе ИИ и приложений, таких как извлечение данных, автоматизация поддержки клиентов, генерация кода, исследовательская деятельность.

simple_rl — это минималистичная библиотека Python, предназначенная для упрощения исследований и обучения в области усиленного обучения. Она обеспечивает единый API для определения сред и агентов, с встроенной поддержкой популярных парадигм RL, включая Q-обучение, методы Монте-Карло и динамическое программирование, такие как итерации стоимости и политики. В рамках включены образцы сред, такие как GridWorld, MountainCar и Multi-Armed Bandits, что облегчает практические эксперименты. Пользователи могут расширять базовые классы для создания собственных сред или агентов, а вспомогательные функции обеспечивают логирование, отслеживание производительности и оценку политики. Легкая архитектура и ясный код делают его идеальным для быстрого прототипирования, обучения основам RL и сравнения новых алгоритмов в воспроизводимой и легко понимаемой среде.

Базовый OnChain агент — это открытая платформа, предназначенная для развертывания автономных ИИ-агентов на блокчейнах, аналогичных Ethereum. Он подключается к узлам блокчейна через Web3 и использует модели GPT от OpenAI для интерпретации событий в цепочке, таких как переводы токенов или протокольные логи. Агент может обрабатывать запросы на естественном языке или предопределённые стратегии, чтобы решать, когда выполнять транзакции, вызывать функции смарт-контрактов или реагировать на предложения по управлению. Разработчики могут расширять модули для пользовательских слушателей событий, интегрировать внешние источники данных и безопасно управлять приватными ключами. Эта система позволяет автоматизировать операции DeFi, включая обеспечение ликвидности, арбитражную торговлю и ребалансировку портфеля с минимальным вмешательством человека.

В основе своей DAGent представляет рабочие процессы агента в виде ориентированного ациклического графа узлов, где каждый узел может инкапсулировать вызов LLM, пользовательскую функцию или внешний инструмент. Разработчики явно определяют зависимости задач, позволяя выполнять их параллельно и с условной логикой, в то время как фреймворк управляет расписанием, передачей данных и восстановлением после ошибок. DAGent также предоставляет встроенные инструменты визуализации для инспекции структуры и потока выполнения DAG, что повышает отладку и контроль. Благодаря расширяемым типам узлов, поддержке плагинов и бесшовной интеграции с популярными провайдерами LLM, DAGent помогает командам создавать сложные многоступенчатые приложения ИИ, такие как пайплайны данных, разговорные агенты и автоматизированные исследовательские помощники с минимальным количеством шаблонного кода. Его ориентированность на модульность и прозрачность делает его идеальным для масштабируемой оркестровки агентов как в экспериментальных, так и в производственных условиях.

Devon предоставляет комплекс инструментов для определения, оркестровки и выполнения автономных агентов внутри Python-приложений. Пользователи могут определять цели агента, задавать вызываемые задачи и связывать действия на основе условий. Благодаря интеграции с языковыми моделями типа GPT и локальными векторными хранилищами, агенты поглощают и интерпретируют входные данные пользователей, извлекают контекстуальные знания и разрабатывают планы. Фреймворк поддерживает долговременную память благодаря модульным бекэндам хранения, позволяя агентам вспомнить прошлые взаимодействия. Встроенные компоненты мониторинга и логирования обеспечивают отслеживание в реальном времени, а CLI и SDK ускоряют разработку и развёртывание. Подходит для автоматизации поддержки клиентов, аналитики данных и рутинных бизнес-процессов, Devon ускоряет создание масштабируемых цифровых работников.

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.

Venus — это библиотека с открытым исходным кодом для Python, которая позволяет разработчикам легко проектировать, настраивать и запускать интеллектуальных ИИ-агентов. Она обеспечивает встроенное управление диалогами, варианты хранения постоянной памяти и гибкую систему плагинов для интеграции внешних инструментов и API. Пользователи могут определять пользовательские рабочие процессы, связывать несколько вызовов LLM и добавлять интерфейсы вызова функций для выполнения задач, таких как получение данных, веб-скрапинг или запросы к базам данных. Venus поддерживает синхронное и асинхронное выполнение, ведение журналов, обработку ошибок и мониторинг активности агентов. Абстрагируясь от низкоуровневых взаимодействий API, Venus обеспечивает быстрое прототипирование и развертывание чатботов, виртуальных помощников и автоматизированных рабочих процессов с полным контролем за поведением агентов и использованием ресурсов.

A-Mem разработан для беспрепятственной интеграции с фреймворками ИИ на Python, предоставляя три различных модуля памяти: эпизодическую для контекста каждого эпизода, краткосрочную для действий, совершенных недавно, и долгосрочную для накопления знаний с течением времени. Разработчики могут настраивать емкость памяти, политики удержания и бекенды сериализации, такие как хранение в памяти или Redis. Библиотека включает эффективные алгоритмы индексирования для поиска релевантных воспоминаний по сходству и окнам контекста. Вставляя обработчики памяти A-Mem в цикл восприятия-действия агента, пользователи могут сохранять наблюдения, действия и результаты, а также выполнять запросы к прошлым опыту для влияния на текущие решения. Такая модульная конструкция поддерживает быструю экспериментальную работу в обучении с подкреплением, диалоговом ИИ, навигации роботов и других задач, требующих осведомленности о контексте и временного мышления.