LLM State Machine ist ein Open-Source-Python-Framework, das zum Aufbau von KI-Agenten mit expliziten Zustandsmaschinen entwickelt wurde. Entwickler definieren Zustände als diskrete Schritte—jeder ruft ein großes Sprachmodell oder benutzerdefinierte Logik auf—und Übergänge basierend auf Ausgaben. Dieser Ansatz bietet Klarheit, Wartbarkeit und robuste Fehlerbehandlung für mehrstufige, LLM-gestützte Workflows wie Dokumentenverarbeitung, Konversationsbots oder Automatisierungspipelines.

Modus ist ein entwicklerorientiertes Framework, das die Erstellung von KI-Agenten vereinfacht, indem es Kernkomponenten für die LLM-Integration, den Speicherdienst und die Tool-Orchestrierung bereitstellt. Es unterstützt pluginbasierte Tool-Bibliotheken, die es Agenten ermöglichen, Aufgaben wie Datenabruf, Analyse und Aktionsdurchführung auszuführen. Mit integrierten Speichermodulen können Agenten den Konversationskontext beibehalten und im Laufe der Interaktionen lernen. Seine erweiterbare Architektur beschleunigt die KI-Entwicklung und -Bereitstellung in verschiedenen Anwendungen.

MultiAgent-Systems-StarCraft2-PySC2-Raw bietet ein vollständiges Toolkit zum Entwickeln, Trainieren und Bewerten mehrerer KI-Agenten in StarCraft II. Es stellt Low-Level-Kontrollen für Einheitenbewegung, Zielverfolgung und Fähigkeiten bereit und erlaubt gleichzeitig eine flexible Belohnungs- und Szenarienkonfiguration. Nutzer können eigene neuronale Netzwerkarchitekturen integrieren, Team-Strategien definieren und Metriken aufzeichnen. Basierend auf PySC2 unterstützt es paralleles Training, Checkpointing und Visualisierung, was es ideal für Forschung im Bereich kooperatives und adversariales multi-agenten Reinforcement Learning macht.

Trainable Agents ist als modulare, erweiterbare Toolkits konzipiert, um die schnelle Entwicklung und das Training von KI-Agenten, die auf modernsten großen Sprachmodellen basieren, zu erleichtern. Das Framework abstrahiert Kernkomponenten wie Interaktionsumgebungen, Policy-Interfaces und Feedback-Schleifen, sodass Entwickler Aufgaben definieren, Demonstrationen bereitstellen und Belohnungsfunktionen mühelos implementieren können. Mit integrierter Unterstützung für OpenAI GPT und Anthropic Claude ermöglicht die Bibliothek Erfahrungsspeicherung, Batch-Training und Leistungsbewertung. Trainable Agents beinhaltet außerdem Utilities für Logging, Metrik-Tracking und den Export trainierter Policies für die Bereitstellung. Ob beim Aufbau konversationaler Bots, Automatisierung von Workflows oder Forschung – dieses Framework vereinfacht den gesamten Lebenszyklus vom Prototyp bis zur Produktion in einem einheitlichen Python-Paket.

Coffee-Shop-AI-Agents ist ein Open-Source-Framework zum Erstellen und Bereitstellen spezialisierter KI-Agenten, die Schlüsselaufgaben in Kaffeehäusern automatisieren. Mit LangChain und OpenAI-Modellen bietet das Projekt modulare Agenten, darunter einen Barista-Agenten, der komplexe Getränkebestellungen bearbeitet, Konfigurationsvorschläge macht und die Verfügbarkeit von Zutaten verwaltet. Der Kassierer-Agent verarbeitet Zahlungen, erstellt digitale Belege und verfolgt Verkaufsmetriken. Ein Manager-Agent erstellt Inventarschätzungen, schlägt Nachbestellzeiten vor und analysiert Leistungsdaten. Durch anpassbare Vorgaben und Pipeline-Konfigurationen können Entwickler die Agenten schnell an individuelle Ladenrichtlinien und Menüs anpassen. Das Repository umfasst Einrichtungsskripte, API-Integrationen und Beispiel-Workflows, um realistische Kundengespräche und Betriebsanalysen in einer entwicklerfreundlichen Umgebung zu simulieren.

LLM Agents Example bietet eine praktische Codebasis zum Erstellen von KI-Agenten in Python. Es demonstriert die Registrierung benutzerdefinierter Werkzeuge (Websuche, Mathematischer Solver via WolframAlpha, CSV-Analysator, Python REPL), die Erstellung von Chat- und Retrieval-basierten Agenten sowie die Anbindung an Vektorspeicher für Dokumenten-Fragebeantwortung. Das Repo illustriert Muster zur Pflege des Konversations-gedächtnisses, dynamischen Dispatch von Werkzeugaufrufen und der Verkettung mehrerer LLM-Eingaben zur Lösung komplexer Aufgaben. Nutzer lernen, wie man Drittanbieter-APIs integriert, Arbeitsabläufe von Agenten strukturiert und das Framework mit neuen Funktionalitäten erweitert – ein praktischer Leitfaden für Entwickler-Experimente und Prototyping.

pyafai ist eine Open-Source-Python-Bibliothek, die Entwicklern hilft, autonome KI-Agenten zu entwerfen, zu konfigurieren und auszuführen. Sie bietet pluggable Module für das Speicher-Management zur Kontextwahrung, Tool-Integration für externe API-Aufrufe, Beobachter für die Überwachung der Umgebung, Planer für Entscheidungen und einen Orchestrator zur Ausführung der Agenten-Schleifen. Logging- und Überwachungsfunktionen bieten Einblick in die Leistung und das Verhalten der Agenten. pyafai unterstützt standardmäßig die wichtigsten LLM-Anbieter, ermöglicht die Erstellung benutzerdefinierter Module und reduziert Boilerplate-Code, sodass Teams schnell virtuelle Assistenten, Forschungs-Bots und Automatisierungs-Workflows prototypisieren können, mit vollständiger Kontrolle über jede Komponente.

X AI Agent bietet eine modulare Architektur zum Erstellen intelligenter Agenten. Es unterstützt nahtlose Integration mit externen Tools und APIs, konfigurierbare Speicher-Module und Multi-LLM-Orchestrierung. Entwickler können benutzerdefinierte Fähigkeiten, Tool-Connectoren und Workflows im Code definieren und dann Agenten bereitstellen, die Daten abrufen, Inhalte erzeugen, Prozesse automatisieren und komplexe Dialoge autonom verwalten.

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.

HFO_DQN kombiniert Python und TensorFlow, um eine vollständige Pipeline für das Training von Fußballagenten mithilfe von Deep Q-Networks bereitzustellen. Benutzer können das Repository klonen, Abhängigkeiten einschließlich des HFO-Simulators und Python-Bibliotheken installieren sowie Trainingsparameter in YAML-Dateien konfigurieren. Das Framework implementiert Erfahrungsspeicherung, Zielnetzwerk-Updates, epsilon-greedy Erkundung und Belohnungsformung, die speziell für die Half-Field-Offense-Domäne angepasst sind. Es verfügt über Skripte für das Training von Agenten, Leistungsprotokollierung, Evaluierungsspiele und Ergebnisvisualisierung. Modulare Code-Struktur ermöglicht die Integration eigener neuronaler Netzwerkarchitekturen, alternativer RL-Algorithmen und Multi-Agenten-Koordinationsstrategien. Die Ausgaben umfassen trainierte Modelle, Leistungsmetriken und Verhaltensvisualisierungen, die die Forschung im Bereich Reinforcement Learning und Multi-Agent-Systeme erleichtern.