MONAI, oder Medical Open Network for AI, ist ein Open-Source-Framework, das für Deep Learning in der Gesundheitsbildgebung konzipiert wurde. Es bietet robuste Werkzeuge und Bibliotheken für Fachkräfte im Gesundheitswesen, die es ihnen ermöglichen, KI-gesteuerte Lösungen schnell und effizient zu entwickeln, zu trainieren und bereitzustellen. Seine modulare Architektur sorgt dafür, dass Benutzer ihre Arbeitsabläufe anpassen können, während sie vorhandene Komponenten nutzen, was zu effektiverer Forschung und klinischer Zusammenarbeit führt. Mit MONAI können Entwickler auf verschiedene medizinische Datensätze zugreifen, die Fortschritte in der medizinischen Bildgebungstechnik erleichtern.

Dieses Open-Source-Framework kombiniert die AgentSimJs-Agentenmodellierungsbibliothek mit der 3D-Grafik-Engine von Three.js, um interaktive, browserbasierte Multi-Agenten-Simulationen zu liefern. Benutzer können Agententypen, Verhaltensweisen und Umweltregeln definieren, Kollisionsdetektion und Ereignisverwaltung konfigurieren und Simulationen in Echtzeit mit anpassbaren Rendering-Optionen visualisieren. Die Bibliothek unterstützt dynamische Steuerung, Szenenverwaltung und Leistungstuning, was sie ideal für Forschung, Bildung und Prototypenentwicklung komplexer agentenbasierter Szenarien macht.

MultiAgentPacman bietet eine in Python geschriebene Spielumgebung, in der Benutzer mehrere KI-Agenten im Pacman-Bereich implementieren, visualisieren und benchmarken können. Es unterstützt Adversarial Search-Algorithmen wie Minimax, Expectimax, Alpha-Beta sowie eigene Verstärkungslern- oder heuristische Agenten. Das Framework umfasst eine einfache GUI, Befehlszeilesteuerung und Tools zur Protokollierung von Spieldaten und Leistungsvergleich zwischen Agenten in Wettbewerbs- oder Kooperationsszenarien.

RoboCup Rescue Agent Simulation ist ein Open-Source-Framework, das städtische Katastrophenumgebungen modelliert, in denen mehrere KI-gesteuerte Agenten zusammenarbeiten, um Opfer zu lokalisieren und zu retten. Es bietet Schnittstellen für Navigation, Kartierung, Kommunikation und Sensorschnittstellen. Benutzer können individuelle Agentenstrategien skripten, Batch-Experimente durchführen und die Leistungskennzahlen der Agenten visualisieren. Die Plattform unterstützt Szenarienkonfiguration, Protokollierung und Ergebnisauswertung, um die Forschung in Multi-Agenten-Systemen und Katastrophenreaktionsalgorithmen zu beschleunigen.

Der Basierte OnChain Agent ist ein Open-Source-Framework, das entwickelt wurde, um autonome KI-Agenten auf Ethereum-ähnlichen Blockchains zu deployen. Es verbindet sich mit Blockchain-Knoten über Web3 und nutzt OpenAI GPT-Modelle, um On-Chain-Ereignisse wie Token-Transfers oder Protokoll- oder Log-Daten zu interpretieren. Der Agent kann natürliche Sprachprompt oder vordefinierte Strategien verarbeiten, um zu entscheiden, wann Transaktionen ausgeführt, Smart-Contract-Funktionen aufgerufen oder auf Governance-Vorschläge reagiert wird. Entwickler können Module für benutzerdefinierte Ereignis-Listener erweitern, Off-Chain-Datenfeeds integrieren und private Schlüssel sicher verwalten. Diese Lösung ermöglicht automatisierte DeFi-Operationen wie Liquiditätsbereitstellung, Arbitrage-Handel und Portfolio-Rebalancing mit minimalem manuellen Eingriff.

BeeAI Framework Py Starter ist ein Open-Source-Python-Projekt, das den Einstieg in die Erstellung von KI-Agenten ermöglicht. Es umfasst Kerndienste für die Agenten-Orchestrierung, ein Pluginsystem zur Erweiterung der Funktionalität und Adapter für die Anbindung an beliebte LLM-APIs. Entwickler können Aufgaben definieren, Konversationsspeicher verwalten und externe Tools über einfache Konfigurationsdateien integrieren. Das Framework legt Wert auf Modularität und Benutzerfreundlichkeit und ermöglicht schnelle Prototypenentwicklung von Chatbots, automatisierten Assistenten und Datenverarbeitungs-Agenten ohne Boilerplate-Code.

Cerebellum bietet eine modulare Plattform, auf der Entwickler Agenten mithilfe deklarativer Pläne definieren, die aus sequenziellen Schritten oder Tool-Aufrufen bestehen. Jeder Plan kann eingebaute oder benutzerdefinierte Tools aufrufen – wie API-Connectoren, Retriever oder Datenprozessoren – über eine einheitliche Schnittstelle. Speichermodule ermöglichen es Agenten, Informationen über Sitzungen hinweg zu speichern, abzurufen und zu vergessen, was kontextbewusste und zustandsabhängige Interaktionen ermöglicht. Es integriert sich mit beliebten LLMs (OpenAI, Hugging Face), unterstützt die Registrierung eigener Tools und verfügt über eine ereignisgesteuerte Ausführungsmaschine für Echtzeitsteuerung. Mit Logging, Fehlerbehandlung und Plugin-Hooks erhöht Cerebellum die Produktivität und erleichtert die schnelle Entwicklung von Agenten für Automatisierung, virtuelle Assistenten und Forschungsanwendungen.

Der RAG-basierte intelligente Konversations-KI-Agent kombiniert eine vektorbasierte Speicherabfrageschicht mit Google’s Gemini LLM via LangChain, um kontextreiche, konversationelle Wissensextraktion zu ermöglichen. Nutzer inserieren und indexieren Dokumente—PDFs, Webseiten oder Datenbanken—in eine Vektor-Datenbank. Bei einer Anfrage ruft der Agent die relevantesten Passagen ab, speist sie in eine Eingabeschablone ein und generiert prägnante, genaue Antworten. Modulare Komponenten erlauben die Anpassung von Datenquellen, Vektorspeichern, Prompt-Engineering und LLM-Backends. Dieses Open-Source-Framework vereinfacht die Entwicklung domänenspezifischer Q&A-Bots, Wissens-Explorer und Forschungsassistenten und liefert skalierbare, Echtzeit-Einblicke aus großen Dokumentensammlungen.

Trinity-RFT (Retrieval Fine-Tuning) ist ein einheitliches Open-Source-Framework, das darauf ausgelegt ist, die Genauigkeit und Effizienz von Modellen durch die Kombination von Retrieval- und Feinabstimmungs-Workflows zu verbessern. Benutzer können einen Korpus vorbereiten, einen Retrieval-Index erstellen und den abgerufenen Kontext direkt in Trainingsschleifen einspeisen. Es unterstützt multimodale Retrievals für Text, Bilder und Video, integriert sich mit beliebten Vektor-Speichern und bietet Bewertungsmetriken sowie Deployment-Skripte für schnelle Prototypenentwicklung und Produktionsbereitstellung.

Autonome Wirtschaftsaspekte (AEA) von Fetch.ai ist ein vielseitiges Framework, das Entwicklern die Gestaltung, Implementierung und Koordination autonomer Software-Agenten ermöglicht, die miteinander, mit externen Umgebungen und digitalen Ledgern interagieren können. Durch eine Plugin-basierte Architektur bietet AEA vorgefertigte Module für Kommunikationsprotokolle, kryptografische Ledger-APIs, dezentrale Identität und anpassbare Entscheidungsfähigkeiten. Agenten können innerhalb dezentraler Marktplätze entdecken und Transaktionen durchführen, zielgerichtete Verhaltensweisen zeigen und sich durch Echtzeitdatenfeeds anpassen. Das Framework unterstützt Simulationstools zum Testen und Debuggen von Multi-Agenten-Szenarien sowie den Einsatz auf lebenden Blockchains oder Peer-to-Peer-Netzwerken. Mit integrierter Interoperabilität und Agent-zu-Agent-Nachrichtenaustausch rationalisiert AEA die Entwicklung komplexer autonomer wirtschaftlicher Anwendungen wie Energieträgerehandel, Lieferkettenoptimierung und intelligente IoT-Koordination.

AI-Agentic Machine Translation ist ein Open-Source-Framework, das für Forschung und Entwicklung im Bereich maschineller Übersetzungen entwickelt wurde. Es orchestriert drei Kern-Agents – einen Generator, einen Evaluator und einen Refiner – die gemeinsam Übersetzungen produzieren, bewerten und verbessern. Das System basiert auf PyTorch und Transformer-Modellen, unterstützt überwachte Vortrainings, Reinforcement-Learning-Optimierung und konfigurierbare Agenten-Policies. Nutzer können auf Standard-Datensätzen benchmarken, BLEU-Scores verfolgen und die Pipeline mit eigenen Agents oder Reward-Funktionen erweitern, um die Zusammenarbeit von Agenten bei Übersetzungsaufgaben zu erforschen.

RAGENT wurde entwickelt, um autonome KI-Agenten zu erstellen, die mit verschiedenen Tools und Datenquellen interagieren können. Im Hintergrund verwendet es retrieval-augmented generation, um relevanten Kontext aus lokalen Dateien oder externen Quellen abzurufen und dann Antworten über OpenAI-Modelle zu erstellen. Entwickler können Tools für Websuche, Browser-Automatisierung mit Selenium, Datei lesen/schreiben, Code-Ausführung in sicheren Sandboxes und OCR für die Texterkennung in Bildern integrieren. Das Framework verwaltet den Gesprächsspeicher, orchestriert Tools und unterstützt benutzerdefinierte Prompt-Vorlagen. Mit RAGENT können Teams schnell intelligente Agenten für Dokumenten-Q&A, Forschungsautomatisierung, Inhaltszusammenfassung und End-to-End-Workflow-Automatisierung innerhalb einer Python-Umgebung prototypisieren.