RepoAgent — это рамочный искусственный интеллект, преобразующий любой репозиторий кода в интерактивную базу знаний. Он индексирует исходные файлы, функции, классы и документацию в векторное хранилище, обеспечивая быстрый поиск и контекстные ответы. Разработчики могут задавать вопросы на естественном языке о функциональности, архитектуре или зависимостях кода. Он поддерживает автоматическое суммирование кода, создание документации и тестовых случаев с помощью интеграции с большими языковыми моделями. Кроме того, он анализирует проблемы, пулл-запросы и историю коммитов для предоставления информации о качестве кода и возможных ошибках. Его модульная архитектура позволяет адаптировать процессы поиска, выбор моделей и оформление вывода. Интегрируя напрямую в pipelines CI/CD или IDE, RepoAgent ускоряет разработку, сокращает время обучения и повышает производительность команды.

SmartRAG — это модульная библиотека на Python для рабочих процессов расширенного поиска с использованием больших языковых моделей. Она сочетает загрузку документов, индексирование векторов и современные API LLM для предоставления точных и насыщенных контекстом ответов. Пользователи могут импортировать PDF-файлы, текстовые документы или веб-страницы, индексировать их с помощью популярных хранилищ векторов, таких как FAISS или Chroma, и создавать собственные шаблоны запросов. SmartRAG управляет процессами поиска, сборки подсказок и вызовов LLM, возвращая целостные ответы, основанные на исходных документах. Это ускоряет разработку систем Q&A, чат-ботов и исследовательских ассистентов. Разработчики могут расширять коннекторы, менять поставщиков LLM и оптимизировать стратегии поиска в соответствии с конкретными областями знаний.

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.

CASA разработана как модульная, «подключи и работай» платформа автономии, построенная на экосистеме Robot Operating System (ROS). В ней используется децентрализованная архитектура, где каждый робот работает с локальными планировщиками и узлами деревьев поведения, публикуя обновления состояния мира на общем общем табло. Распределение задач осуществляется с помощью аукционных алгоритмов, которые назначают миссии на основе возможностей и доступности роботов. Уровень связи использует стандартные сообщения ROS по многороботным сетям для синхронизации. Разработчики могут настраивать параметры миссий, интегрировать драйверы датчиков и расширять библиотеки поведения. CASA поддерживает моделирование сценариев, мониторинг в реальном времени и инструменты логирования. Его расширяемый дизайн позволяет исследовательским группам экспериментировать с новыми алгоритмами координации и без проблем развертывать на различных платформах, от наземных БПЛА до воздушных дронов.

Agno AI Agent предназначен для быстрого построения разработчиками автономных агентов, поддерживаемых большими языковыми моделями. В нем есть модульный реестр инструментов, управление памятью, циклы планирования и выполнения, а также беспрепятственная интеграция с внешними API (поиск в интернете, файловые системы, базы данных). Пользователи могут определять собственные интерфейсы инструментов, настраивать личность агента и оркестровать сложные многоэтапные рабочие процессы. Агентов можно планировать задачи, динамично вызывать инструменты и учиться на предыдущих взаимодействиях для повышения эффективности.

ai-agents-trial — это проект с открытым исходным кодом на Python, показывающий, как создавать автономных агентов ИИ с помощью LLMs. Он содержит модульные абстракции для планирования агента, вызова инструментов (веб-поиск, калькуляторы) и управления памятью. Разработчики могут задавать собственные инструменты, цеплять действия в нескольких шагах и сохранять контекст между сессиями. Базовая кодовая база использует API OpenAI и вспомогательные утилиты для организации рабочих процессов, что делает его отличным для быстрого прототипирования чат-ассистентов, исследовательских ботов или автоматизации в конкретных областях. Точки интеграции позволяют расширять функциональность за счет новых коннекторов и источников данных без изменения основной логики.

CrewAI — это модульная Python-рамка для построения полностью автономных ИИ-агентов. Она включает основные компоненты, такие как Оркестратор агента для планирования и принятия решений, слой интеграции инструментов для соединения с внешними API или пользовательскими действиями, а также модуль памяти для хранения и памяти контекста. Разработчики определяют задачи, регистрируют инструменты, конфигурируют системы памяти и запускают агентов, способных планировать мультиступенчатые рабочие процессы, выполнять действия и адаптироваться по результатам. CrewAI отлично подходит для создания интеллектуальных помощников, автоматизированных рабочих процессов и исследовательских прототипов.

AI-Creator обеспечивает гибкую архитектуру для создания AI-агентов, способных выполнять задачи, взаимодействовать на естественном языке и использовать внешние инструменты. Включает модули для управления подсказками, цепочечного рассуждения, памяти сессий и настраиваемых конвейеров. Разработчики могут определять поведение агента через простые JSON или конфигурации кода, интегрировать API и базы данных как инструменты, а также развёртывать агентов как веб-сервисы или CLI-приложения. Платформа поддерживает расширяемость и модульность, что делает её идеальной для прототипирования чат-ботов, виртуальных помощников и специализированных цифровых работников.

AI-агенты для Камень-Ножницы-Бумага — это проект с открытым исходным кодом на Python, показывающий, как строить, обучать и оценивать различные стратегии AI — случайную игру, распознавание правил и обучение с подкреплением (Q-learning) — в классической игре. Он включает модульные классы агентов, настраиваемый механизм игры, логирование эффективности и утилиты визуализации. Пользователи легко могут менять агентов, регулировать параметры обучения и исследовать поведение ИИ в соревновательных сценариях.

CrewAI-Learning — это библиотека с открытым исходным кодом, предназначенная для упрощения проектов по обучению с несколькими агентами с усилением. Она предлагает каркасы окружений, модульное определение агентов, настраиваемые функции вознаграждения и набор встроенных алгоритмов, таких как DQN, PPO и A3C, адаптированных для совместных задач. Пользователи могут определять сценарии, управлять циклами обучения, вести журнал метрик и визуализировать результаты. Фреймворк поддерживает динамическую настройку команд агентов и стратегий обмена вознаграждениями, что облегчает прототипирование, оценку и оптимизацию решений ИИ для сотрудничества в различных областях.

JaCaMo предоставляет единое окружение для разработки и запуска многоагентных систем (MAS), объединяя три основных компонента: язык программирования агентов Jason для агентов на базе BDI, CArtAgO для моделирования окружающей среды с помощью артефактов и Moise для задания организационных структур и ролей. Разработчики могут писать планы агентов, определять артефакты с операциями и организовывать группы агентов в рамках нормативных структур. Платформа включает инструменты для симуляции, отладки и визуализации взаимодействий MAS. Благодаря поддержке распределённого выполнения, репозиториям артефактов и гибкому обмену сообщениями, JaCaMo позволяет быстро создавать прототипы и проводить исследования в областях, таких как ройоподобный интеллект, коллаборативная робототехника и распределённое принятие решений. Его модульная архитектура обеспечивает масштабируемость и расширяемость для академических и промышленных проектов.

LangChain — это модульная платформа, которая помогает разработчикам создавать сложные AI-приложения, связывая большие языковые модели с внешними источниками данных и инструментами. Она предоставляет абстракции цепочек для последовательных вызовов LLM, координацию агентов для рабочих процессов принятия решений, модули памяти для сохранения контекста и интеграцию с загрузчиками документов, хранилищами векторов и API-инструментами. Поддержка нескольких провайдеров и SDK на Python и JavaScript ускоряет прототипирование и развертывание чатботов, QA-систем и персонализированных помощников.

LLM to MCP Integration Engine — это open-source рамочная платформа, предназначенная для интеграции больших языковых моделей (LLMs) с различными платформами обмена сообщениями (MCP). Она предоставляет адаптеры для API LLM таких как OpenAI и Anthropic, а также соединители для чатов на Slack, Discord и Telegram. Движок управляет состоянием сессии, обогащает контекст и маршрутизирует сообщения в двух направлениях. Его плагиновая архитектура позволяет разработчикам расширять поддержку новых провайдеров и настраивать бизнес-логику, ускоряя развертывание AI-агентов в производственных средах.

LLMWare выступает в качестве полного инструментария для создания AI-агентов на базе больших языковых моделей. Он позволяет определять переиспользуемые цепочки, интегрировать внешние инструменты через простые интерфейсы, управлять состояниями памяти и координировать многошаговые рассуждения между языковыми моделями и downstream-сервисами. С помощью LLMWare разработчики могут подключать различные бэкенды моделей, настраивать логику решения агента и добавлять пользовательские наборы инструментов для задач таких как веб-поиск, запросы к базам данных или вызовы API. Его модульная архитектура обеспечивает быстрое создание автономных агентов, чатботов или исследовательских помощников с встроенным логированием, обработкой ошибок и адаптерами для развертывания в разработке и на производстве.

MARL-DPP — это открытый исходный код, позволяющий организовать многоагентное обучение с подкреплением (MARL) с принудительным разнообразием через детерминантные точечные процессы (DPP). Традиционные подходы MARL часто сталкиваются с сходимостью политик к похожему поведению; MARL-DPP решает эту проблему, внедряя меры на базе DPP, чтобы поощрять агентов сохранять разнообразное распределение действий. Набор инструментов предоставляет модульный код для включения DPP в цели обучения, выбор политик и управление исследованием. В комплект входит готовое интегрирование с стандартными средами OpenAI Gym и Multi-Agent Particle Environment (MPE), а также утилиты для управления гиперпараметрами, журналирования и визуализации метрик разнообразия. Исследователи могут оценить влияние ограничений на разнообразие на кооперативные задачи, ресурсо-распределение и соревновательные игры. Расширяемый дизайн поддерживает пользовательские среды и продвинутые алгоритмы, способствуя исследованию новых вариантов MARL-DPP.

Многоагентная среда для дронов — это Python-пакет, предлагающий настраиваемую симуляцию для роев UAV, основанную на OpenAI Gym и PyBullet. Пользователи задают несколько агентов, моделирующих кинематические и динамические характеристики, для выполнения кооперативных задач, таких как ф formation flying , слежение за целью и обход препятствий. Среда поддерживает модульную настройку задач, реалистичное обнаружение столкновений и моделирование сенсоров, а также возможность создавать пользовательские функции награды и децентрализованные политики. Разработчики могут интегрировать собственные алгоритмы обучения с подкреплением, оценивать их эффективность в различных сценариях и визуализировать траектории и показатели работы агентов в реальном времени. Благодаря открытой архитектуре она стимулирует вклад сообщества, что делает её подходящей для исследований, обучения и прототипирования сложных систем управления множеством агентов.

JADE — это фреймворк агентов на базе Java, позволяющий разработчикам создавать, развертывать и управлять несколькими автономными программными агентами в распределенных средах. Каждый агент работает внутри контейнера, общается через стандартный язык коммуникации агентов FIPA (ACL) и может регистрировать услуги в Службе каталогов для обнаружения. Агенты выполняют предопределенные поведения или динамические задачи и могут мигрировать между контейнерами с помощью удаленного вызова методов (RMI). JADE поддерживает определения онтологий для структурированного содержания сообщений и предоставляет графические инструменты для мониторинга состояний агентов и обмена сообщениями. Его модульная архитектура позволяет интеграцию с внешними службами, базами данных и REST-интерфейсами, что делает его подходящим для разработки моделирований, IoT-организаций, систем переговоров и многого другого. Расширяемость и соответствие отраслевым стандартам ускоряют внедрение сложных многоагентных систем.

Multiagent-Prediction-Reward — это исследовательский каркас, объединяющий предсказательные модели и механизмы распределения наград для многог агентного обучения с усилением. В его состав входят оболочки окружения, нейронные модули для прогнозирования действий сверстников и настраиваемая логика маршрутизации наград, адаптирующаяся к результатам работы агентов. Репозиторий содержит конфигурационные файлы, образцовые скрипты и панели оценки для проведения экспериментов по совместным задачам. Пользователи могут расширять код для тестирования новых функций наград, интеграции новых окружений и сравнения с существующими алгоритмами RL для множественных агентов.

Multiagent_system предлагает полноценный набор инструментов для построения и управления средами с несколькими агентами. Пользователи могут задавать собственные сценарии моделирования, описывать поведение агентов и использовать предустановленные алгоритмы, такие как DQN, PPO и MADDPG. Фреймворк поддерживает синхронное и асинхронное обучение, позволяя агентам взаимодействовать одновременно или по очереди. Встроенные модули коммуникации облегчают обмен сообщениями между агентами для кооперативных стратегий. Конфигурация экспериментов упрощена с помощью YAML-файлов, а результаты автоматически сохраняются в формате CSV или в TensorBoard. Скрипты визуализации помогают интерпретировать траектории агентов, динамику наград и схемы коммуникации. Разработан для исследовательских и производственных задач, Multiagent_system легко масштабируется от одиночных прототипов до распределенного обучения на GPU-кластеров.

Prediction Market Agent Tooling обеспечивает модульную архитектуру для создания автономных торговых агентов на рынках предсказаний. Предлагает подключение к основным платформам, таким как Augur и Polymarket, библиотеку переиспользуемых шаблонов стратегий, потоки данных в реальном времени, надежный движок бэктестинга и встроенную аналитику. Пользователи могут быстро прототипировать алгоритмы, моделировать исторические условия рынка и запускать живых агентов с помощью инструментов мониторинга, что делает его идеальным для исследователей и количественных трейдеров.