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。

Wizard Language 是一種建立於 TypeScript 上的宣告式領域專用語言，用於撰寫作為向導的 AI 助手。開發者在簡潔的 DSL 中定義意圖驅動的步驟、提示、工具調用、記憶存儲與分支邏輯。底層則將這些定義編譯為協調的 LLM 呼叫，管理語境、非同步流程與錯誤處理。它能加速聊天機器人、資料檢索助手和自動化流程的原型設計，並將提示工程與狀態管理抽象成可重用的元件。

AskAtlasAI-Agent使開發者能夠部署能回應任何存儲在MongoDB Atlas中的文件集的自然語言查詢的AI代理。它協調LLM調用進行嵌入、搜尋與回應生成，管理對話上下文，並提供可配置的提示鏈。基於JavaScript/TypeScript，需求極少：連接您的Atlas叢集，提供OpenAI的認證，導入或引用您的文件，並用簡單的API開始查詢。它也支援擴展自訂排序功能、記憶體後端和多模型協調。

autogen4j 是一個輕量級的 Java 函式庫，旨在抽象建立自主 AI 代理的複雜性。它提供核心模組用於規劃、記憶體存儲與行動執行，使代理能將高層次的目標拆解成連續的子任務。該框架與 LLM 提供者（如 OpenAI、Anthropic）整合，並允許註冊自訂工具（HTTP 客戶端、資料庫連接器、檔案輸入輸出）。開發者透過流暢的 DSL 或註解來定義代理，快速組裝資料豐富、自動化報告與對話機器人的流程。一個可擴展的插件系統確保靈活性，實現多樣應用的微調行為。

可控RAG框架提供一個模組化的方法來建構檢索增強生成系統。它允許配置和串聯檢索組件、記憶模塊以及生成策略。開發者可插入不同的大型語言模型（LLM）、向量資料庫和策略控制器，以調整文檔在生成前的提取和處理方式。基於Python，包含索引、查詢、對話歷史追蹤和行動控制流程等工具，適用於聊天機器人、知識助手及研究工具。

GenAI Processors 提供一套可重複使用且可配置的處理器庫，用於建立端到端的生成式 AI 工作流程。開發者可以引入文件、將其分割成語意區塊、生成嵌入、存取和查詢向量、應用抽取策略，並動態構建提示詞以呼叫大型語言模型。其即插即用設計方便擴充自訂處理步驟，無縫整合 Google Cloud 服務或外部向量存儲，並協調複雜的 RAG 管道，適用於問答、摘要及知識檢索等任務。

Janus Pro是一個尖端的AI圖像生成器，使用先進的模型從文本描述生成高品質圖像。基於擁有70億參數的DeepSeek-LLM架構，Janus Pro在多模態理解和視覺生成任務中提供卓越的性能。它利用新穎的自回歸框架和獨立編碼通道，提供更優越的圖像質量、細節和準確性。Janus Pro免費且開放源碼，旨在易於使用，使用戶能夠輕鬆地將創意想法轉換為驚人的視覺效果。

Mina 提供一個輕量且強大的基礎，用於在 Python 中構建 AI 代理。你可以定義自訂工具（例如網頁爬蟲、計算器或資料庫連接器）、附加記憶體緩衝器以維持對話上下文，並編排多步推理的語言模型呼叫序列。基於常用 LLM API，Mina 支援非同步執行、錯誤處理和日誌記錄。其模組化設計使加入新能力變得容易，而 CLI 介面則支援快速原型和代理驅動應用的部署。

MS-Office-AI是一個開源的Python框架，能透過COM API無縫整合OpenAI的GPT-3/GPT-4模型與Microsoft Office應用程式。它提供開發者與高階使用者一套函式，來自動化在Word、Excel與PowerPoint中建立內容與數據分析。只需簡單呼叫方法，即可產生完整的文檔草稿、整理現有文字的重點、根據自然語言查詢自動建立表格與圖表，以及組合結構化的投影片。此套件處理API通訊、錯誤管理與Office物件模型互動，使您可專注於撰寫提示與工作流程。無論是撰寫報告、分析資料集或建構簡報，MS-Office-AI都能快速提升您的Office生產力，將AI直接融入熟悉的環境中。

Llama-Agent 是一個以開發者為中心的工具包，用於創建由大語言模型驅動的智能 AI 代理。它提供工具整合以調用外部 API 或函數、記憶管理以儲存與檢索上下文，以及思維鏈規劃來拆解複雜任務。代理能執行動作、與自訂環境互動，並透過插件系統調整。作為一個開源專案，支持方便擴展核心元件，能在各個領域快速實驗與部署自動化工作流程。

MADDPG-Keras 通過在 Keras 中實現 MADDPG 算法，為多智能體強化學習研究提供完整框架。它支持連續動作空間、多個智能體和標準的 OpenAI Gym 環境。研究人員和開發者可以配置神經網絡結構、訓練超參數和獎勵函數，並通過內建的日誌和模型檢查點加速策略學習與基準測試。

MAGAIL實現了一個多代理擴展的生成對抗模仿學習，使多組代理能從專家示範中學習協調行為。基於Python並支援PyTorch（或TensorFlow變體），MAGAIL由策略（生成器）和判別器模組組成，透過對抗迴圈聯合訓練。代理在如OpenAI多代理粒子環境或PettingZoo等環境中產生軌跡，判別器用來評估軌跡的真實性與專家數據的對應性。透過反覆更新，政策網路逐步收斂到類似專家的策略，且無需明確的獎勵函數。MAGAIL的模組化設計允許自訂網路架構、專家資料輸入、環境整合與訓練超參數。此外，內建的日誌記錄與TensorBoard可視化便於監控和分析多代理學習的進展與性能基準。