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.

Meta-Agent-with-More-Agents — это расширяемая open-source архитектура метаагента, позволяющая нескольким специализированным подагентам взаимодействовать для выполнения сложных задач. Utilizes LangChain для оркестровки агентов и API OpenAI для обработки естественного языка. Разработчики могут создавать пользовательские агенты для задач извлечения данных, анализа чувств, принятия решений или генерации контента. Мета-агент координирует разбиение задачи, отправляет цели подходящим агентам, собирает их выходные данные и итеративно уточняет результаты через циклы обратной связи. Модульная архитектура поддерживает параллельную обработку, ведение журналов и обработку ошибок. Идеально подходит для автоматизации многозадачных процессов, исследовательских пайплайнов и систем поддержки решений, она упрощает создание надежных распределенных ИИ-систем, абстрагируя коммуникацию между агентами и управление жизненным циклом.

MIU CS589 API AI-агентов обеспечивает стандартизированный интерфейс для создания пользовательских AI-агентов. Разработчики могут определять поведения агентов, интегрировать внешние инструменты или сервисы и управлять потоковыми или пакетными ответами через HTTP-эндпоинты. Фреймворк обрабатывает аутентификацию, маршрутизацию запросов, обработку ошибок и ведение журналов. Полностью расширяем — пользователи могут регистрировать новые инструменты, настраивать память агента и параметры LLM. Подходит для экспериментов, демонстраций и производственных прототипов, упрощает оркестровку многоинструментных решений и ускоряет разработку AI-агентов без привязки к монолитной платформе.

Модульная архитектура LLM предназначена для упрощения создания настраиваемых приложений на базе LLM посредством композиционной, модульной конструкции. Она предоставляет основные компоненты, такие как модули памяти для хранения состояния сеанса, интерфейсы инструментов для вызовов внешних API, менеджеры подсказок для шаблонного или динамического генерации подсказок и движки оркестровки для управления рабочим процессом агента. Вы можете настраивать пайплайны, соединяющие эти модули, что позволяет реализовать сложные сценарии, такие как многошаговое рассуждение, ответы, учитывающие контекст, и интеграцию данных. Эта платформа поддерживает несколько бэкэндов LLM, позволяя переключаться или смешивать модели, а также предлагает точки расширения для добавления новых модулей или собственной логики. Такая архитектура ускоряет разработку за счет повторного использования компонентов и обеспечивает прозрачность и контроль над поведением агента.

MultiAgentes использует модульную архитектуру для определения окружений и агентов, поддерживая синхронные и асинхронные взаимодействия между агентами. Включает базовые классы для окружений и агентов, предопределённые сценарии совместных и соревновательных задач, инструменты для настройки функций вознаграждения и API для обмена сообщениями и совместного использования наблюдений. Инструменты визуализации обеспечивают мониторинг поведения агентов в реальном времени, при этом модули логирования записывают метрики производительности для анализа. Фреймворк легко интегрируется с совместимыми с Gym библиотеками RL, позволяя обучать агентов с помощью существующих алгоритмов. MultiAgentes спроектирован с расчётом на расширяемость, позволяя разработчикам добавлять новые шаблоны окружений, типы агентов и протоколы связи для удовлетворения потребностей различных исследований и образовательных целей.

Notte — это ориентированный на разработчика фреймворк на Python, предназначенный для оркестровки ИИ-агентов, управляемых большими языковыми моделями. Он предоставляет встроенные модули памяти для хранения и получения контекста диалогов, гибкую интеграцию инструментов для внешних API или пользовательских функций и движок планирования, который последовательным образом структурирует задачи. С помощью Notte вы можете быстро создавать прототипы диалоговых ассистентов, ботов анализа данных или автоматизированных рабочих процессов, а также пользоваться преимуществами расширяемости с открытым исходным кодом и поддержки кроссплатформенных решений.

rag-services — это расширяемая платформа, разбивающая пайплайны RAG на отдельные микросервисы. Предоставляет сервис хранения документов, сервис индексирования векторов, сервис embedding, несколько сервисов inference LLM и оркестратор для координации рабочих процессов. Каждый компонент предоставляет REST API, позволяющее сочетать базы данных и поставщиков моделей. Поддержка Docker и Docker Compose позволяет развертывать локально или в кластерах Kubernetes. Фреймворк обеспечивает масштабируемые и отказоустойчивые решения RAG для чатботов, баз знаний и автоматизированных вопросов и ответов.

SonAgent — расширяемый open-source фреймворк, предназначенный для построения, организации и запуска AI-агентов на Python. Он предоставляет основные модули для хранения памяти, интерфейсов инструментов, логики планирования и асинхронной обработки событий. Разработчики могут регистрировать собственные инструменты, интегрировать языковые модели, управлять долговременной памятью агента и координировать несколько агентов для выполнения сложных задач. Модульный дизайн SonAgent ускоряет разработку разговорных ботов, автоматизаций рабочих процессов и распределенных систем агентов.

EspressoAI предоставляет разработчикам структурированную среду для проектирования, настройки и развертывания AI-агентов, основанных на крупных языковых моделях. Он поддерживает регистрацию и вызов инструментов из рабочих процессов агента, управляет диалоговым контекстом с помощью встроенных модулей памяти и позволяет цепочку подсказок для многоступеночного рассуждения. Разработчики могут интегрировать внешние API, собственные плагины и условную логику для настройки поведения агента. Модульная архитектура обеспечивает расширяемость, позволяя командам заменять компоненты, добавлять новые возможности или адаптироваться к собственным LLM без переписывания основной логики.

Huginn — универс framework автоматизации с открытым исходным кодом, который позволяет пользователям создавать агентов для мониторинга, сбора и обработки данных из различных источников, таких как веб-сайты, API, социальные сети и электронная почта. Каждый агент можно настроить так, чтобы он срабатывал при определённых событиях, преобразовывал данные и передавал их другим агентам или внешним сервисам. Встроенные планирование, ведение журнала и богатая библиотека типов агентов — такие как RSSAgent, EmailAgent, WebhookAgent и DataOutputAgent — позволяют реализовать сложные рабочие процессы и условную логику. В системе поддерживаются Linux, macOS, Windows и Docker, а также расширение через пользовательский Ruby-код или Docker-контейнеры для специализированных задач и интеграций.

Llama-Agent — инструмент для разработчиков по созданию интеллектуальных ИИ-агентов, основанных на крупных языковых моделях. Он обеспечивает интеграцию инструментов для вызова внешних API или функций, управление памятью для хранения и поиска контекста, а также цепочное планирование мышления для разбиения сложных задач. Агенты могут выполнять действия, взаимодействовать с пользовательскими средами и автоматически адаптироваться через систему плагинов. Как проект с открытым исходным кодом, он легко расширяет основные компоненты, позволяя быстро экспериментировать и разворачивать автоматизированные рабочие процессы в различных областях.

Query-Bot интегрирует загрузку документов, сегментацию текста и векторные вставки для создания поискового индекса из PDF, текстовых файлов и документов Word. Используя LangChain и GPT-3.5 Turbo от OpenAI, он обрабатывает пользовательские запросы, извлекая релевантные части документов и генерируя краткие ответы. Интерфейс на базе Streamlit позволяет пользователям загружать файлы, отслеживать историю разговоров и настраивать параметры. Его можно развернуть локально или в облачных средах, предлагая расширяемую платформу для пользовательских агентов и баз знаний.

FastAPI Agents обеспечивает мощный слой сервиса для разработки агентов на базе LLM, используя веб-фреймворк FastAPI. Он позволяет определить поведение агента с помощью цепочек LangChain, инструментов и систем памяти. Каждый агент может быть представлен как стандартный REST-эндпоинт, поддерживающий асинхронные запросы, потоковые ответы и настраиваемые полезные нагрузки. Интеграция с векторными хранилищами позволяет реализовать расширенное восстановление данных для приложений, основанных на знаниях. Встроенные журналирование, механизмы мониторинга и поддержка Docker позволяют контейнеризовать развертывания. Можно легко расширять агентов новыми инструментами, промежуточным программным обеспечением и аутентификацией. FastAPI Agents ускоряет коммерческую готовность решений на базе ИИ, обеспечивая безопасность, масштабируемость и удобство поддержки.

AI-Agents предоставляет модульный набор инструментов для создания автономных AI-агентов, способных планировать, выполнять и самостоятельно контролировать задачи. Встроенная поддержка позволяет интегрировать инструменты — такие как поиск в интернете, обработка данных и пользовательские API — и включает компонент памяти для сохранения и вызова контекста. Благодаря системе плагинов, агенты могут динамически загружать новые возможности, а асинхронное выполнение обеспечивает эффективность работы с несколькими шагами. Фреймворк использует LangChain для продвинутого логического рассуждения и облегчает развертывание в средах Python на macOS, Windows или Linux.

Advanced_RAG предоставляет модульную цепочку для задач генерации с дополнением поиска, включая загрузчики документов, конструкторы векторных индексов и менеджеры цепочек. Пользователи могут настраивать различные базы данных векторов (FAISS, Pinecone), изменять стратегии поиска (по сходству, гибридный), интегрировать любые LLM для получения контекстных ответов. Также поддерживаются метрики оценки и ведение логов для оптимизации производительности. Разработан для масштабируемости и расширяемости в производственной среде.

Agent Adapters разработан для предоставления разработчикам согласованного интерфейса для подключения AI-агентов к внешним службам и фреймворкам. Благодаря модульной архитектуре он включает предварительно созданные адаптеры для HTTP API, платформ обмена сообщениями, таких как Slack и Teams, и пользовательских конечных точек инструментов. Каждый адаптер занимается парсингом запросов, отображением ответов, обработкой ошибок и имеет опциональные хуки для логирования или мониторинга. Разработчики также могут регистрировать собственные адаптеры, реализуя заданный интерфейс и настраивая параметры адаптера в настройках агента. Такой подход снижает количество повторяющегося кода, обеспечивает единообразное выполнение рабочих процессов и ускоряет развертывание агентов в разных средах без переписывания логики интеграции.

Agentle предоставляет структурированную среду для разработчиков для построения пользовательских AI-агентов с минимальным количеством шаблонного кода. Он поддерживает определение рабочих процессов в виде последовательности задач, беспрепятственную интеграцию с внешними API и инструментами, управление разговорной памятью для сохранения контекста и встроенное ведение журналов для отслеживаемости. Библиотека также предоставляет хуки для расширения функциональности, координацию нескольких агентов для сложных конвейеров и единый интерфейс для локального запуска или развертывания через HTTP API.

AgentMesh предоставляет модульную инфраструктуру, позволяющую разработчикам создавать сети AI-агентов, каждый из которых сосредоточен на конкретной задаче или области. Агенты могут обнаруживаться и регистрироваться динамически во время выполнения, обмениваться сообщениями асинхронно и следовать настраиваемым правилам маршрутизации. Фреймворк управляет повторными попытками, резервными копиями и восстановлением ошибок, поддерживая многогранные конвейеры для обработки данных, поддержки принятия решений или диалоговых приложений. Легко интегрируется с существующими моделями LLM и пользовательскими моделями через простой интерфейс плагинов.

AgentUniverse предоставляет унифицированный SDK на Python для проектирования, оркестровки и запуска автономных AI-агентов. Разработчики могут определять поведение агентов, интегрировать внешние инструменты или API, поддерживать разговорную память и сочленять многошаговые задачи. Поддержка LangChain, пользовательских плагинов инструментов и настраиваемых сред выполнения ускоряет разработку и развертывание агентов. Встроенный мониторинг и журналирование обеспечивают работу в реальном времени, а модульная архитектура облегчит расширение новыми возможностями или моделями AI.

Crayon позволяет разработчикам создавать автономных AI-агентов в JavaScript/Node.js, которые могут вызывать внешние API, поддерживать историю разговоров, планировать многошаговые задачи и управлять асинхронными процессами. В ядре реализован цикл планирования-исполнения, разбивающий общие цели на конкретные действия, интегрирующийся с пользовательскими наборами инструментов и использующий модули памяти для хранения и вспоминания информации между сессиями. Фреймворк поддерживает несколько бекендов памяти, интеграцию инструментов через плагины и расширенную систему логирования для отладки. Разработчики могут конфигурировать поведение агента через подсказки и пайплайны на базе YAML, что позволяет автоматизировать сложные рабочие процессы, такие как сбор данных, формирование отчетов и интерактивные чат-боты. Архитектура Crayon поощряет расширяемость, позволяя командам интегрировать специализированные инструменты и адаптировать агентов под уникальные бизнес-требования.