ANAC-agents — это фреймворк на Python, объединяющий множество реализаций переговорных агентов для конкурса Automated Negotiating Agents (ANAC). Каждый агент в репозитории реализует уникальные стратегии моделирования полезности, создания предложений, тактики уступок и критериев принятия решений, что способствует сравнительным исследованиям и быстрому прототипированию. Пользователи могут определять области переговоров с пользовательскими вопросами и профилями предпочтений, а затем моделировать двусторонние переговоры или соревнования в стиле турнира между агентами. Набор включает скрипты для настройки, метрики оценки и инструменты логирования для анализа динамики переговоров. Исследователи и разработчики могут расширять существующих агентов, тестировать новые алгоритмы или интегрировать внешнее обучение, что ускоряет внедрение инноваций в автоматическое торгование и стратегические решения при неполной информации.

Модульный набор инструментов Besser Agentic Framework предназначен для определения, координации и масштабирования AI-агентов. Он позволяет настроить поведение агента, интегрировать внешние инструменты и API, управлять памятью и состоянием агента, а также контролировать выполнение. Основанный на Python, он поддерживает расширяемые плагины, коллаборацию нескольких агентов и встроенное логирование. Разработчики могут быстро прототипировать и разворачивать агентов для задач извлечения данных, автоматизированных исследований и диалоговых ассистентов — все в рамках одного унифицированного фреймворка.

Chainlit — это открытый асинхронный Python фреймворк, предназначенный для помощи разработчикам в быстром создании и развертывании масштабируемых приложений разговорного ИИ и агентов. Он поддерживает интеграцию с популярными библиотеками и фреймворками Python, чтобы обеспечить бесшовный процесс разработки. С помощью Chainlit пользователи могут создавать готовые к производству чат-приложения, которые могут обрабатывать сложные взаимодействия и сохранять контекст разговора.

ChatGPT OpenAI Smart Speaker — это разработка для создания собственного голосового ИИ-помощника. Работает на таких устройствах, как Raspberry Pi, ПК с Linux, macOS или Windows. Используя стандартные библиотеки Python для распознавания речи и синтеза текста в речь, он слушает команду пробуждения, захватывает ваш вопрос, отправляет его в API ChatGPT от OpenAI и читает ответы вслух в реальном времени. Можно расширять его пользовательскими командами, интегрировать управление умным домом или использовать для учебных демонстраций голосового ИИ.

Cyrano — это open-source фреймворк и CLI на Python для создания AI-агентов, которые управляют большими языковыми моделями и внешними инструментами с помощью запросов на естественном языке. Пользователи могут определять собственные инструменты (функции), настраивать память и лимиты токенов, а также обрабатывать обратные вызовы. Cyrano занимается парсингом JSON-ответов от LLM и последовательным выполнением указанных инструментов. Он подчеркивает простоту, модульность и отсутствие внешних зависимостей, что позволяет разработчикам быстро прототипировать чатботов, создавать автоматизированные рабочие процессы и интегрировать AI-возможности в приложения.

Fast Reinforcement Learning — это специализированная Python-обёртка, предназначенная для ускорения разработки и выполнения агентов обучения с усилением. Она обеспечивает поддержку популярных алгоритмов, таких как PPO, A2C, DDPG и SAC, в сочетании с управлением высокопроизводительными векторизированными средами. Пользователи могут легко настраивать сеть политик, изменять учебные циклы и использовать GPU-ускорение для масштабных экспериментов. Модульная архитектура гарантирует бесшовную интеграцию с окружениями OpenAI Gym, что позволяет исследователям и практикам прототипировать, создавать бенчмарки и развёртывать агентов в различных задачах управления, игр и симуляций.

defaultmodeAGENT — это фреймворк на Python, упрощающий создание интеллектуальных агентов, которые самостоятельно выполняют многозадачные рабочие процессы. В нем реализована стратегия планирования в режиме по умолчанию — адаптивный механизм для определения времени исследования и использования, — а также бесшовная интеграция облачных инструментов и API. Агенты поддерживают диалоговую память, динамическое подсказки и ведение логов для отладки. Основанный на API OpenAI, он позволяет быстро прототипировать помощников для извлечения данных, исследований и автоматизации задач.

GPA-LM — это основанный на Python фреймворк, созданный для упрощения создания и организации AI-агентов, управляемых большими языковыми моделями. В нем есть планировщик, разбивающий инструкции высокого уровня на подзадачи, исполнитель, управляющий вызовами инструментов и взаимодействиями, и модуль памяти, сохраняющий контекст между сессиями. Архитектура плагинов позволяет разработчикам добавлять собственные инструменты, API и логику принятия решений. Поддержка нескольких агентов позволяет координировать роли, распределять задачи и собирать результаты. Интегрируется с популярными LLM, такими как OpenAI GPT, и поддерживает развертывание в различных средах. Фреймворк ускоряет разработку автономных агентов для исследований, автоматизации и прототипирования приложений.

HMAS — это open-source фреймворк на Python, позволяющий разрабатывать иерархические многоагентные системы. Он предлагает абстракции для определения иерархий агентов, протоколов межагентной связи, интеграции среды и встроенных циклов обучения. Исследователи и разработчики могут использовать HMAS для прототипирования сложных взаимодействий агентов, обучения скоординированных политик и оценки производительности в моделируемых средах. Его модульная архитектура облегчает расширение и настройку агентов, сред и стратегий обучения.

HFO_DQN объединяет Python и TensorFlow, чтобы предоставить полный поток для обучения футбольных агентов с помощью Deep Q-Networks. Пользователи могут клонировать репозиторий, установить зависимости, включая симулятор HFO и библиотеки Python, и настроить параметры обучения в YAML-файлах. Этот фреймворк реализует повторный опыт, обновления целевых сетей, ε-жадное исследование и формирование наград, адаптированные для области полуценра. Включает сценарии для обучения агентов, логирование производительности, оценочные матчи и визуализацию результатов. Его модульная структура позволяет интегрировать собственные архитектуры нейронных сетей, альтернативные алгоритмы RL и стратегии координации нескольких агентов. Выходные данные включают обученные модели, метрики производительности и визуализации поведения, способствуя исследованиям в области обучения с подкреплением и многопользовательских систем.

InfantAgent предлагает легкую структуру для проектирования и развертывания интеллектуальных агентов на Python. Интегрируется с популярными LLM (OpenAI, Hugging Face), поддерживает постоянные модули памяти и обеспечивает цепочки пользовательских инструментов. В комплектации — разговорный интерфейс, оркестрация задач и принятие решений на базе правил. Архитектура плагинов позволяет легко расширять функциональность за счет специализированных инструментов и API, что делает его идеальным для прототипирования исследовательских агентов, автоматизации рабочих процессов или внедрения AI-ассистентов в приложения.

LangChain — это open-source фреймворк на Python, предназначенный для ускорения разработки приложений на базе ИИ. Он обеспечивает абстракции для цепочки нескольких вызовов языковых моделей (цепочки), создания агентов, взаимодействующих с внешними инструментами, и управления памятью диалогов. Разработчики могут определять подсказки, парсеры вывода и запускать рабочие процессы «от конца до конца». Интеграции включают векторные хранилища, базы данных, API и платформы хостинга, позволяя создавать боеспособных чат-ботов, системы анализа документов, помощников по коду и пользовательские AI пайплайны.

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.

Фреймворк LLM Maze Agent предоставляет среду на Python для создания умных агентов, умеющих ориентироваться в сеточных лабиринтах с помощью больших языковых моделей. Совмещая модульные интерфейсы окружения с шаблонами подсказок цепочки расуждений и эвристическим планированием, агент по этапам запрашивает данные у LLM для определения направления движения, адаптации к препятствиям и обновления внутреннего состояния. Поддержка моделей OpenAI и Hugging Face с «из коробки» обеспечивает беспрепятственную интеграцию, а конфигурируемая генерация лабиринтов и пошаговая отладка позволяют экспериментировать с разными стратегиями. Исследователи могут настраивать функции вознаграждения, определять собственные пространства наблюдений и визуализировать маршруты агента для анализа процессов рассуждения. Эта архитектура делает LLM Maze Agent универсальным инструментом для оценки планирования с использованием LLM, обучения концепциям ИИ и бенчмаркинга модели на задачах пространственного рассуждения.

LLM State Machine — это открытый исходный код Python-фреймворка, предназначенного для построения агентов ИИ с использованием явных машин состояний. Разработчики определяют состояния как дискретные шаги — каждый вызывающий большую языковую модель или пользовательскую логику — и переходы на основе результатов. Такой подход обеспечивает ясность, удобство сопровождения и надежную обработку ошибок для многоследовательных рабочих процессов на базе LLM, таких как обработка документов, разговорные боты и автоматизированные конвейеры.

MARO (Multi-Agent Resource Optimization) — это фреймворк на Python, предназначенный для поддержки разработки и оценки агентов обучения с подкреплением с несколькими агентами в сценариях цепей поставок, логистики и управления ресурсами. Включает шаблоны для управления запасами, планирования грузовиков, кросс-докинга, аренды контейнеров и прочего. MARO предлагает унифицированный API агентов, встроенные трекеры для ведения экспериментов, возможности параллельного моделирования для масштабных тренировок и инструменты визуализации для анализа эффективности. Платформа модульная, расширяемая, интегрируется с популярными RL-библиотеками, обеспечивая воспроизводимость исследований и быструю прототипирование решений на базе ИИ.

Matcha Agent обеспечивает гибкую основу для создания автономных агентов на Python. Разработчики могут настраивать агентов с помощью пользовательских наборов инструментов (API, скрипты, базы данных), управлять диалоговой памятью и оркестрировать многошаговые рабочие процессы на различных LLM (OpenAI, локальные модели и т.д.). Архитектура на основе плагинов обеспечивает простое расширение, отладку и мониторинг поведения агента. Будь то автоматизация исследовательских задач, анализ данных или поддержка клиентов, Matcha Agent упрощает полный цикл разработки и развертывания агентов.

MGym — это специальная среда для создания и управления мультиагентными средами обучения с подкреплением (MARL) на Python. Она позволяет пользователям определять сложные сценарии с несколькими агентами, каждый из которых имеет настраиваемые наблюдения, действия, функции вознаграждения и правила взаимодействия. MGym поддерживает синхронный и асинхронный режимы выполнения, предоставляя моделирование агентов как в параллельном, так и в пошаговом режимах. Благодаря API, аналогичному Gym, MGym легко интегрируется с популярными библиотеками RL, такими как Stable Baselines, RLlib и PyTorch. Включает модули для оценки окружающей среды, визуализации результатов и анализа производительности, что способствует системной оценке алгоритмов MARL. Его модульная архитектура позволяет быстро прототипировать совместные, конкурирующие или смешанные задания, что помогает исследователям и разработчикам ускорить эксперименты и исследования в области MARL.

Многоагентный помощник ИИ — это модульная платформа на Python, которая управляет несколькими GPT-агентами, назначенными на разные роли, такие как планирование, исследования, анализ и выполнение. Система поддерживает передачу сообщений между агентами, хранение памяти и интеграцию с внешними инструментами и API, позволяя разлагать сложные задачи и совместно решать проблемы. Разработчики могут настраивать поведение агентов, добавлять новые инструменты и конфигурировать рабочие процессы через простые файлы настроек. Используя распределенный вывод логики между специализированными агентами, платформа ускоряет автоматические исследования, анализ данных, принятие решений и автоматизацию задач. В репозитории есть примеры реализации и шаблоны, что позволяет быстро создавать прототипы интеллектуальных помощников и цифровых работников, способных управлять рабочими процессами от начала до конца в бизнесе, образовании и исследованиях.

Nuzon-AI предоставляет фреймворк для агента на базе Python, который позволяет определять задачи, управлять диалоговой памятью и расширять возможности через плагины. Поддерживается интеграция с крупными LLM (OpenAI, локальные модели), что позволяет агентам выполнять веб-взаимодействия, анализ данных и автоматизированные рабочие процессы. Архитектура включает реестр навыков, систему вызова инструментов и слой оркестрации нескольких агентов, позволяя создавать комбинации для поддержки клиентов, исследовательской помощи и личной продуктивности. С помощью конфигурационных файлов можно настроить поведение каждого агента, политику хранения памяти и ведение логов для отладки или аудита.