negotiation_agent предоставляет модульный набор инструментов для построения автономных ботов переговоров, поддерживаемых моделями типа GPT. Разработчики могут задавать сценарии переговоров, определяя элементы, предпочтения и функции полезности для моделирования целей агента. В набор входит предопределённые шаблоны агентов и возможность интеграции пользовательских стратегий, включая генерацию предложений, оценку встречных предложений, принятие решений и завершение сделок. Управление диалогами осуществляется с помощью стандартизированных протоколов, поддерживаются групповые симуляции для турниров и рассчитываются показатели эффективности, такие как уровень согласия, полезность и показатели справедливости. Открытая архитектура облегчает замену основного бекенда LLM и расширение логики агента через плагины. С помощью negotiation_agent команды могут быстро прототипировать и оценивать автоматизированные решения для ведения переговоров в электронной коммерции, исследованиях и образовательных целях.

TexasHoldemAgent представляет собой модульную среду, основанную на Python, для обучения, оценки и развертывания AI-игрока в Heads-up limit Texas Hold’em. Она интегрирует собственный симуляционный движок с алгоритмами глубокого усиленного обучения, включая DQN, для итеративного улучшения политики. Основные функции включают кодирование состояния руки, определение пространства действий (чего folded, call, raise), формирование вознаграждения и оценку решений в реальном времени. Пользователи могут настраивать параметры обучения, использовать ускорение на CPU/GPU, отслеживать ход тренировки и загружать или сохранять обученные модели. Фреймворк поддерживает пакетное моделирование для тестирования стратегий, генерации метрик эффективности и визуализации коэффициента побед, что позволяет исследователям, разработчикам и любителям покера экспериментировать с AI-стратегиями игры.

AI-агент Azul — специализированное решение для соревнований по настольной игре Azul. Реализованный на Python, он моделирует состояние игры, использует поиск Minimax для детерминированного отсечения вариантов и применяет Монте-Карло Tree Search для исследования вероятностных исходов. Агент использует пользовательские эвристики для оценки позиций на доске, отдавая предпочтение линиям размещения тайлов, приносящим наибольшее количество очков. Поддерживает режим одиночных турниров, пакетное моделирование и логирование результатов для анализа эффективности. Пользователи могут настраивать параметры алгоритма, интегрировать его в собственные игровые окружения и визуализировать деревья решений для понимания выбора ходов.