Dieses Repository bietet ein End-to-End-Verstärkungslernframework für die Forschung im StarCraft II Gameplay. Der Kernagent verwendet Proximal Policy Optimization (PPO), um Policies-Netzwerke zu erlernen, die Beobachtungsdaten aus der PySC2-Umgebung interpretieren und präzise Spielaktionen ausführen. Entwickler können neuronale Netzwerkschichten, Belohnungsformung und Trainingspläne konfigurieren, um die Leistung zu optimieren. Das System unterstützt Mehrprozessverarbeitung für effiziente Beispelsammlung, Protokollierungstools zur Überwachung der Trainingskurven und Evaluierungsskripte zum Testen trainierter Policies gegen skriptgesteuerte oder integrierte KI-Gegner. Der Code ist in Python geschrieben und nutzt TensorFlow für Modelldefinition und Optimierung. Nutzer können Komponenten wie maßgeschneiderte Belohnungsfunktionen, Zustandsvorverarbeitung oder Netzwerkarchitekturen erweitern, um spezifische Forschungsziele zu verfolgen.

Wizard Language ist eine deklarative domänenspezifische Sprache auf Basis von TypeScript zur Erstellung von KI-Assistenten als Wizards. Entwickler definieren intent-gesteuerte Schritte, Prompts, Tool-Aufrufe, Speichersysteme und Verzweigungslogik in einer knappen DSL. Im Hintergrund übersetzt Wizard Language diese Definitionen in orchestrierte LLM-Aufrufe, verwaltet Kontext, asynchrone Abläufe und Fehlerbehandlung. Es beschleunigt das Prototyping von Chatbots, Datenabruf-Assistenten und automatisierten Workflows, indem es Prompt-Engineering und Zustandsverwaltung in wiederverwendbare Komponenten abstrahiert.

AskAtlasAI-Agent befähigt Entwickler, KI-Agenten bereitzustellen, die natürliche Sprachabfragen gegen beliebige Dokumentensätze in MongoDB Atlas beantworten. Es steuert die LLM-Aufrufe für Einbettung, Suche und Antwortgenerierung, verwaltet den Gesprächskontext und bietet konfigurierbare Prompt-Ketten. Basierend auf JavaScript/TypeScript erfordert es minimalen Aufwand: Verbinden Sie Ihren Atlas-Cluster, stellen Sie OpenAI-Zugangsdaten bereit, ingest oder verweisen Sie auf Ihre Dokumente und starten Sie die Abfrage über eine einfache API. Es unterstützt auch Erweiterungen mit benutzerdefinierten Ranking-Funktionen, Speicher-Backends und Multi-Model-Orchestrierung.

autogen4j ist eine leichte Java-Bibliothek, die die Komplexität beim Aufbau autonomer KI-Agenten abstrahiert. Es bietet Kernmodule für Planung, Speichersicherung und Aktionsausführung, sodass Agenten hochstufige Ziele in sequenzielle Unteraufgaben zerlegen können. Das Framework integriert sich mit LLM-Anbietern (z.B. OpenAI, Anthropic) und erlaubt die Registrierung benutzerdefinierter Tools (HTTP-Clients, Datenbank-Connectoren, Dateiein- und -ausgabe). Entwickler definieren Agenten durch eine fließende DSL oder Annotations, um Pipelines für Datenanreicherung, automatisierte Berichte und Chatbots schnell zusammenzustellen. Ein erweiterbares Plugin-System sorgt für Flexibilität und ermöglicht feinabgestimmtes Verhalten in verschiedenen Anwendungen.

Das Controllable RAG Agent-Framework bietet einen modularen Ansatz zum Aufbau von Retrieval-Augmented Generation-Systemen. Es ermöglicht die Konfiguration und Verkettung von Abrufkomponenten, Speichermodulen und Generierungsstrategien. Entwickler können verschiedene LLMs, Vektordatenbanken und Richtliniencontroller anpassen, um zu steuern, wie Dokumente vor der Generierung abgerufen und verarbeitet werden. Basierend auf Python umfasst es Dienstprogramme für Indexierung, Abfragen, Verfolgung der Gesprächshistorie und kontrollierte Ablaufsteuerung, was es ideal für Chatbots, Wissensassistenten und Forschungstools macht.

GenAI Processors stellt eine Bibliothek wiederverwendbarer, konfigurierbarer Prozessoren bereit, um End-to-End generative KI-Workflows aufzubauen. Entwickler können Dokumente aufnehmen, sie in semantische Fragmente zerlegen, Einbettungen generieren, Vektoren speichern und abfragen, Retrieval-Strategien anwenden und Prompt-Vorlagen für große Sprachmodelle dynamisch erstellen. Das Plug-and-Play-Design ermöglicht die einfache Erweiterung eigener Verarbeitungsschritte, nahtlose Integration mit Google Cloud-Diensten oder externen Vektor-Speichern sowie die Steuerung komplexer RAG-Pipelines für Aufgaben wie Fragebeantwortung, Zusammenfassung und Wissensabfrage.

Janus Pro ist ein hochmoderner KI-Bilderzeuger, der fortschrittliche Modelle zur Erstellung hochwertiger Bilder aus Textbeschreibungen verwendet. Aufgebaut auf der DeepSeek-LLM-Architektur mit 7 Milliarden Parametern bietet Janus Pro außergewöhnliche Leistung sowohl in multimodalen Verständnis- als auch visuellen Generierungsaufgaben. Es nutzt ein neuartiges autoregressives Framework und separate Kodierungspfade, um überlegene Bildqualität, Detailgenauigkeit und Präzision zu liefern. Janus Pro ist kostenlos und Open Source und wurde benutzerfreundlich gestaltet, damit die Benutzer ihre kreativen Ideen mühelos in beeindruckende visuelle Darstellungen umsetzen können.

Mina bietet eine leichte, aber leistungsstarke Grundlage für den Bau von KI-Agenten in Python. Sie können benutzerdefinierte Werkzeuge (wie Web-Scraper, Rechner oder Datenbankverbindungen) definieren, Speicherpuffer hinzufügen, um den Gesprächskontext zu bewahren, und Sequenzen von Aufrufen an Sprachmodelle für mehrstufiges Denken orchestrieren. Basierend auf gängigen LLM-APIs kümmert sich Mina um asynchrone Ausführung, Fehlerbehandlung und Protokollierung. Dank seines modularen Designs ist es einfach, neue Funktionen hinzuzufügen, während die CLI-Schnittstelle eine schnelle Prototypentwicklung und Bereitstellung von agentengetriebenen Anwendungen ermöglicht.

MS-Office-AI ist ein Open-Source-Python-Framework, das nahtlos die GPT-3/GPT-4-Modelle von OpenAI mit Microsoft Office-Anwendungen über die COM API integriert. Es bietet Entwicklern und Power-Usern eine Sammlung von Funktionen, um die Inhaltserstellung und Datenanalyse in Word, Excel und PowerPoint zu automatisieren. Mit einfachen Methodenaufrufen können vollständige Dokumententexte generiert, Schlüsselpunkte aus bestehenden Texten zusammengefasst, Tabellen und Diagramme basierend auf natürlicher Sprache erstellt und strukturierte Folien zusammengestellt werden. Das Paket kümmert sich um API-Kommunikation, Fehlerbehandlung und Office-Objektmodell-Interaktionen, sodass Sie sich auf die Erstellung von Aufforderungen und Workflows konzentrieren können. Ob Sie Berichte entwerfen, Datensätze analysieren oder Präsentationen erstellen möchten – MS-Office-AI beschleunigt Ihre Office-Arbeit, indem es KI direkt in Ihre vertrauten Arbeitsumgebungen integriert.

Llama-Agent ist ein entwicklerorientiertes Toolkit zum Erstellen intelligenter KI-Agenten, die von großen Sprachmodellen betrieben werden. Es bietet Werkzeugintegration zur Anbindung an externe APIs oder Funktionen, Speicherverwaltung zum Speichern und Abrufen von Kontexten und Gedankenkettenplanung, um komplexe Aufgaben zu zerlegen. Agenten können Aktionen ausführen, mit benutzerdefinierten Umgebungen interagieren und sich durch ein Plugin-System anpassen. Als Open-Source-Projekt unterstützt es die einfache Erweiterung der Kernkomponenten, was schnelle Experimente und den Einsatz automatisierter Arbeitsabläufe in verschiedenen Domänen ermöglicht.

MADDPG-Keras liefert einen vollständigen Rahmen für die Forschung im Multi-Agenten-Verstärkungslernen, indem es den MADDPG-Algorithmus in Keras implementiert. Es unterstützt kontinuierliche Aktionsräume, mehrere Agenten und Standardumgebungen von OpenAI Gym. Forscher und Entwickler können neuronale Netzarchitekturen, Trainings-Hyperparameter und Belohnungsfunktionen konfigurieren und Experimente mit eingebautem Logging und Modell-Checkpointing starten, um das Lernen und Benchmarking von Multi-Agenten-Politiken zu beschleunigen.

MAGAIL implementiert eine Multi-Agenten-Erweiterung des Generativen Adversarial Imitation Learning, die Gruppen von Agenten befähigt, koordinierte Verhaltensweisen aus Experten-Demonstrationen zu erlernen. In Python gebaut mit Unterstützung für PyTorch (oder TensorFlow-Varianten), besteht MAGAIL aus Policy (Generator) und Diskriminator-Modulen, die in einer adversarialen Schleife trainiert werden. Agenten erzeugen Trajektorien in Umgebungen wie OpenAI Multi-Agent Particle Environment oder PettingZoo, die vom Diskriminator zur Bewertung der Authentizität mit den Experten-Daten verwendet werden. Durch iterative Aktualisierungen konvergieren Policy-Netzwerke zu strategieähnlichen Verhaltensweisen, ohne explizite Belohnungsfunktionen. Das modulare Design von MAGAIL erlaubt die Anpassung von Netzwerkarchitekturen, die Ingestion von Experten-Daten, die Environment-Integration und Hyperparameter-Optimierung. Zudem erleichtern integriertes Logging und TensorBoard-Visualisierung die Überwachung und Analyse des Lernfortschritts sowie Leistungsbenchmarks.