AutoDRIVE Cooperative MARL — это открытая платформа для обучения и развертывания совместных политик обучения с подкреплением для автономных заданий. Она интегрируется с реалистичными симуляторами для моделирования дорожных сценариев, таких как перекрестки, автопоезда на шоссе и сценарии слияния. В рамках реализовано централизованное обучение с децентрализованным выполнением, что позволяет транспортным средствам обучаться объединённым политикам для повышения эффективности и безопасности дорожного движения. Пользователи могут настраивать параметры среды, выбирать алгоритмы MARL, визуализировать прогресс обучения и оценивать координацию агентов.

Пример LLM Agents предоставляет практическую базу кода для создания AI-агентов на Python. Демонстрирует регистрацию пользовательских инструментов (поиск в сети, математический решатель через WolframAlpha, CSV-анализатор, Python REPL), создание чат- и поисковых агентов, а также подключение к векторным хранилищам для ответов на вопросы по документам. Репозиторий иллюстрирует шаблоны для сохранения памяти диалогов, динамической маршрутизации вызовов инструментов и цепочки нескольких подсказок LLM для решения сложных задач. Пользователи учатся интегрировать сторонние API, структурировать рабочие процессы агентов и расширять рамки новыми возможностями, — практическое руководство для разработчиков-экспериментов и прототипирования.

Система новостей Reddit использует модульный обработчик данных Multi-Channel Pipeline (MCP) и оркестратор рабочих процессов Agent Development Kit (ADK). После настройки она непрерывно следит за выбранными субреддитами, применяет модули анализа настроений, классификации тем и генерации резюме, затем маршрутизирует результаты по электронной почте, в мессенджеры или на панель управления. Разработчики могут расширять конвейеры с помощью пользовательских процессоров, добавлять новые каналы доставки и настраивать поведение агентов для целенаправленной курирования новостей и автоматической отчетности.

Starclouds предоставляет комплексную платформу для любителей науки о данных, чтобы учиться, создавать и делиться проектами. С облачной средой пользователи могут анализировать данные, обучать модели и без усилий сотрудничать. Платформа также предлагает обширную коллекцию наборов данных и форумы для обсуждений, что делает её универсальным решением для всех видов деятельности в области науки о данных.

AI-Agents предоставляет гибкую архитектуру агента, которая оркестрирует планировщики языковых моделей, модули постоянной памяти и подключаемые наборы инструментов. Разработчики определяют инструменты для HTTP-запросов, операций с файлами и собственной логики, затем настраивают планировщик LLM для выбора вызываемого инструмента. Память сохраняет контекст и историю диалогов. Фреймворк управляет асинхронным выполнением, восстановлением ошибок и логированием, что позволяет быстро прототипировать интеллектуальных помощников, аналитиков данных или ботов автоматизации без переписывания основной логики оркестрации.

AgenticIR (Agentic Information Retrieval) обеспечивает модульную структуру, в которой агентов с LLM планируют и выполняют рабочие процессы IR автономно. Можно задавать роли агентов — такие как генерирующий запрос, извлекающий документы и создающий резюме — в настраиваемых последовательностях. Агенты могут получать сырой текст, уточнять запросы на основе промежуточных результатов и объединять извлеченные фрагменты в краткие сводки. Платформа поддерживает многошаговые процессы, включающие итеративный поиск в сети, загрузку данных через API и обработку локальных документов. Разработчики могут настраивать параметры агентов, подключать разные LLM и тонко настраивать политики поведения. AgenticIR также обеспечивает логирование, обработку ошибок и параллельное выполнение агентов для ускорения масштабных задач по сбору информации. При минимальной настройке кода исследователи и инженеры могут прототипировать и запускать автономные системы поиска.

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.

Этот проект показывает полностью функционирующего AI-агента поддержки, использующего фреймворк Autogen и интерфейс на базе Streamlit. Он маршрутизирует запросы пользователя через настраиваемую цепочку агента, сохраняет контекст диалога и генерирует точные, учитывающие контекст ответы. Разработчики могут легко клонировать репозиторий, установить ключ API OpenAI и запустить веб-интерфейс для тестирования или расширения возможностей бота. В коде ясно обозначены точки конфигурации для разработки подсказок, обработки ответов и интеграции с внешними сервисами — это универсальная отправная точка для создания чат-ботов поддержки, автоматизации helpdesk или внутренних Q&A помощников.

LeanAgent — это фреймворк на базе Python, созданный для упрощения разработки автономных агентов ИИ. Он включает встроенные модули планирования, использующие крупные языковые модели для принятия решений, расширяемый слой интеграции инструментов для вызова внешних API или пользовательских сценариев и систему управления памятью, которая сохраняет контекст между взаимодействиями. Разработчики могут настраивать рабочие процессы агентов, подключать собственные инструменты, быстро отлаживать и запускать готовых к производству агентов для различных областей.

Lluminy — это инструмент на базе ИИ, разработанный для автоматизации создания комментариев к коду, в частности docstring'ов, для проектов Python. Путем прямой интеграции с вашей учетной записью GitHub, он позволяет вам выбирать репозитории и генерировать полную документацию всего за несколько минут. Lluminy гарантирует, что исходный код останется неизменным и может обрабатывать несколько файлов или всю кодовую базу. Этот инструмент идеален для ускорения внедрения разработчиков, улучшения обслуживания кодовой базы и повышения командного сотрудничества.

Multi-Agents System from Scratch предоставляет полный набор модулей на Python для построения, настройки и оценки мультиагентных сред с нуля. Пользователи могут определять модели мира, создавать классы агентов с уникальными сенсорными входами и возможностями действий, а также настраивать гибкие протоколы коммуникации для сотрудничества или конкуренции. Фреймворк поддерживает динамическое распределение задач, модули стратегического планирования и отслеживание производительности в реальном времени. Его модульная архитектура позволяет легко интегрировать пользовательские алгоритмы, функции вознаграждения и механизмы обучения. Встроенные инструменты визуализации и логирования позволяют разработчикам контролировать взаимодействия агентов и диагностировать паттерны поведения. Разработан с учетом расширяемости и ясности, система подходит как исследователям в области распределенного ИИ, так и педагогам, обучающим моделированию на базе агентов.

Этот проект с открытым исходным кодом представляет собой полный фреймворк обучения с подкреплением для нескольких агентов на базе PyTorch и Unity ML-Agents. Включает децентрализованные алгоритмы DDPG, обертки окружения и тренировочные скрипты. Пользователи могут настраивать политики агентов, критические сети, буферы повторных данных и параллельных рабочих. Встроены хуки для логирования и мониторинга с помощью TensorBoard, а модульная структура позволяет легко внедрять пользовательские функции награды и параметры окружения. В репозитории есть примерные сцены Unity с демонстрациями задач совместной навигации, что делает его идеально подходящим для расширения и бенчмаркинга сценариев с множеством агентов в симуляциях.

Neon Azure AI Agent — это демонстрационный проект с открытым исходным кодом, показывающий, как создавать помощника для работы с базой данных на базе ИИ с использованием Azure OpenAI и Neon Postgres. Агент анализирует ввод на естественном языке, генерирует оптимизированные SQL-запросы, выполняет их на безсерверной инстанции Postgres и возвращает форматированные результаты. Разработчики могут использовать этот репозиторий для быстрого прототипирования разговорных приложений, изучения интегрированных рабочих процессов Azure AI и Neon DB, а также расширения агента с помощью пользовательских функций или источников данных для адаптированных решений.

OpenRepoWiki - это платформа, которая берет содержимое репозитория GitHub и преобразует его в страницу в стиле Википедии. Это позволяет более плавно перемещаться по содержимому, структуре и взносам проекта и лучше их понимать. Это полезный инструмент для разработчиков и команд, которые хотят представить свои проекты более организованно, или для любого, кто хочет всесторонне задокументировать свой код. Платформа поддерживает простую интеграцию и предоставляет интуитивно понятный интерфейс для преобразования и управления репозиториями.

Swarm Simulator предоставляет настраиваемую среду для экспериментов с множеством агентов в реальном времени. Пользователи могут изменять ключевые параметры поведения — согласование, сплочение, разделение — и наблюдать за возникающей динамикой на визуальном холсте. Поддерживаются интерактивные ползунки UI, динамическое изменение количества агентов и экспорт данных для анализа. Идеально подходит для учебных демонстраций, прототипирования исследований или любительского изучения принципов роевого интеллекта.

SwiftSora - это генератор видео и изображений с открытым исходным кодом, который использует мощную модель Sora от OpenAI для преобразования текстового ввода в высококачественный визуальный контент. С его простым в использовании интерфейсом, SwiftSora делает создание контента легким и эффективным, предоставляя мощный инструмент для маркетинга, образования и креативных проектов. Пользователи могут развернуть проект на Vercel всего одним нажатием кнопки, что делает его доступным для всех, кто хочет улучшить процесс создания контента, не обладая обширными техническими навыками.