Dino Reinforcement Learning提供一整套工具，用於訓練AI代理通過強化學習遊玩Chrome恐龍遊戲。通過與Selenium的無頭Chrome實例集成，它捕捉實時遊戲畫面並將其處理為優化深度Q網路輸入的狀態表示。該框架包括重播記憶體、epsilon-greedy探索、卷積神經網路模型以及可定制超參數的訓練循環。用戶可以通過控制台日誌監控訓練進展，並保存檢查點以供後續評估。訓練完成後，代理可以自動自主應用或與不同模型架構進行基準測試。模組化設計使得更換RL算法變得簡單，是一個彈性良好的實驗平台。

本訓練營涵蓋從頭到尾的LangChain框架，使你能在Python中建立AI代理人。你將探索提示範本、鏈路組成、代理工具、對話記憶和文件檢索。透過互動式筆記本與詳細練習，你將實作聊天機器人、自動化工作流程、問答系統及客製化代理鏈。結束後，你將了解如何部署與優化LangChain為基礎的代理，以完成多樣任務。

mini-agi旨在通過提供一個最小、模塊化的框架，簡化自主AI代理的創建。它採用Python編寫，利用OpenAI的語言模型來解釋高層級目標，將其分解為子任務，並調度如HTTP請求、文件操作或自定義操作的工具調用。該框架包含記憶存儲，用於跟蹤代理狀態和結果，有成本啟發式的任務分解計劃器模塊，以及按序調用工具的執行器模塊。用戶可以通過配置文件插入自定義工具、定義提示模板和調整規劃深度。mini-agi的輕量架構非常適合用於原型設計，例如進行研究查詢、流程自動化或自主生成代碼。

此存儲庫提供一個完整的星際爭霸II遊戲研究增強學習框架。核心代理使用PPO來學習策略網絡，詮釋來自PySC2環境的觀察數據，並輸出精確的遊戲內動作。開發者可以配置神經網絡層、獎勵塑造與訓練計劃，以優化性能。系統支持多處理技術以高效收集樣本，並包含監控訓練曲線的日誌工具與測試已訓練策略的評估腳本（對完成或內建的AI對手）。程式碼以Python撰寫，利用TensorFlow進行模型定義與優化。用戶可以擴展自定義獎勵函數、狀態前處理或網路架構，以符合特定研究需求。