Acme — это фреймворк на базе Python, упрощающий разработку и оценку агентов обучения с подкреплением. Он включает коллекцию заранее созданных реализаций агентов (например, DQN, PPO, SAC), оболочки для среды, буферы повтора и движки для распределённого выполнения. Исследователи могут комбинировать компоненты для прототипирования новых алгоритмов, контролировать метрики обучения с помощью встроенного логирования и использовать масштабируемые распределённые пайплайны для масштабных экспериментов. Acme интегрируется с TensorFlow и JAX, поддерживает пользовательские среды через интерфейсы OpenAI Gym и включает утилиты для создания контрольных точек, оценки и настройки гиперпараметров.

Agents with ADK — это открытая платформа на Python, предназначенная для упрощения создания интеллектуальных агентов, управляемых большими языковыми моделями. В нее входят модульные шаблоны агентов, встроенные модули памяти, интерфейсы выполнения инструментов и возможности координации нескольких агентов. Разработчики могут быстро интегрировать пользовательские функции или внешние API, настраивать цепочки планирования и логического вывода, а также следить за взаимодействиями агентов. Эта платформа поддерживает интеграцию с популярными поставщиками LLM и включает системы ведения журналов, повторных попыток и расширяемости для промышленного использования.

ChainStream — это跨平台的推理框架，可以实时传输大型语言模型的部分输出。它将LLM推理拆分为子模型链，实现增量式Token传递并降低感知延迟。开发者可以用简单的C++ API将ChainStream集成到应用中，选择偏好的后端如ONNX Runtime或TFLite，并自定义管道阶段。它支持安卓、iOS、Windows、Linux 和 macOS ，实现真正的在设备上进行AI驱动的聊天、翻译和助手功能，无需服务器依赖。

ClassiCore-Public предоставляет комплексную среду для создания, оптимизации и развертывания моделей классификации. В нем есть интуитивный конструктор пайплайнов, который обрабатывает загрузку исходных данных, очистку и создание признаков. Встроенное хранилище моделей включает алгоритмы, такие как случайные леса, SVM и архитектуры глубокого обучения. Автоматическая настройка гиперпараметров использует байесовскую оптимизацию для нахождения лучших настроек. Обученные модели можно развернуть как RESTful API или микросервисы с панелями мониторинга для отслеживания показателей в реальном времени. Расширяемые плагины позволяют добавлять собственную предобработку, визуализацию или новые целевые платформы, делая ClassiCore-Public идеальным для промышленных задач по классификации.

Council предоставляет структурированную среду для проектирования ИИ-агентов, определяя роли, связывая задания в цепочки и интегрируя внешние инструменты или API. Пользователи могут настраивать хранилища памяти, управлять состоянием агентов и реализовывать сложные пайплайны рассуждений. Архитектура плагинов Council обеспечивает бесшовную интеграцию с NLP-сервисами, источниками данных и сторонними инструментами, что позволяет быстро прототипировать и развертывать системы с несколькими агентами, координирующими выполнение сложных задач надежно.

Flat AI — это минималистский фреймворк на Python от MindsDB, предназначенный для быстрого внедрения возможностей ИИ в продукты. Поддерживает чат, поиск документов, QA, суммирование текста и многое другое через единый интерфейс. Разработчики могут подключаться к OpenAI, Hugging Face, Anthropic и другим LLM, а также к популярным хранилищам векторов без управления инфраструктурой. Flat AI по умолчанию управляет шаблонами подсказок, пакетной обработкой, кэшированием, обработкой ошибок, мультиарендностью и мониторингом, обеспечивая масштабируемое и безопасное внедрение функций ИИ в веб-приложения, аналитические инструменты и автоматические процессы.

Hugging Face предоставляет комплексную экосистему для машинного обучения (ML), включая библиотеки моделей, наборы данных и инструменты для обучения и развертывания моделей. Его основное внимание сосредоточено на демократизации ИИ с помощью удобных интерфейсов и ресурсов для практиков, исследователей и разработчиков. С такими функциями, как библиотека Transformers, Hugging Face ускоряет рабочий процесс создания, дообучения и развертывания моделей ML, позволяя пользователям легко и эффективно использовать последние достижения в области технологий ИИ.

Multiagent-Prediction-Reward — это исследовательский каркас, объединяющий предсказательные модели и механизмы распределения наград для многог агентного обучения с усилением. В его состав входят оболочки окружения, нейронные модули для прогнозирования действий сверстников и настраиваемая логика маршрутизации наград, адаптирующаяся к результатам работы агентов. Репозиторий содержит конфигурационные файлы, образцовые скрипты и панели оценки для проведения экспериментов по совместным задачам. Пользователи могут расширять код для тестирования новых функций наград, интеграции новых окружений и сравнения с существующими алгоритмами RL для множественных агентов.

В основе RxAgent-Zoo лежит реактивная RL-структура, которая рассматривает события данных из окружающей среды, буферы повторного воспроизведения и циклы обучения как наблюдаемые потоки. Пользователи могут цепочками операторов предобрабатывать наблюдения, обновлять сети и асинхронно регистрировать метрики. Библиотека поддерживает параллельную работу с окружающими средами, настраиваемые планировщики и интеграцию с популярными бенчмарками Gym и Atari. API "подключи и используй" позволяет бесшовно заменять компоненты агента, что способствует воспроизводимости, быстрому экспериментированию и масштабируемым рабочим потокам обучения.

TorchVision — это пакет в PyTorch, созданный для упрощения процесса разработки приложений компьютерного зрения. Он предлагает коллекцию популярных наборов данных, таких как ImageNet и COCO, а также различные предобученные модели, которые можно легко интегрировать в проекты. Также включены преобразования для предварительной обработки и увеличения изображений, что упрощает подготовку данных для обучения моделей глубокого обучения. Предоставляя эти ресурсы, TorchVision позволяет разработчикам сосредоточиться на архитектуре модели и обучении, без необходимости создавать каждый компонент с нуля.

MAGAIL реализует расширение генеративного противоборствующего имитационного обучения для мультиагентов, позволяя группам агентов обучаться скоординированному поведению, основываясь на демонстрациях экспертов. Построенный на Python с поддержкой PyTorch (или вариантов TensorFlow), MAGAIL состоит из модулей политики (генератора) и дискриминатора, обучающихся в противоборственном цикле. Агенты генерируют траектории в средах, таких как OpenAI Multi-Agent Particle Environment или PettingZoo, которые дискриминатор использует для оценки подлинности по сравнению с данными экспертов. Через итеративные обновления сети политики сходятся к стратегиям, похожим на стратегии экспертов, без явных функций награды. Модульная архитектура MAGAIL позволяет настраивать архитектуры сетей, загрузку данных экспертов, интеграцию среды и гиперпараметры обучения. Кроме того, встроенное логирование и визуализация с помощью TensorBoard облегчают мониторинг и анализ прогресса обучения и показателей эффективности мультиагентов.

PromptMage - это Python-рамка, которая стремится оптимизировать разработку сложных многопользовательских приложений с использованием крупных языковых моделей (LLM). Она предлагает множество функций, включая игровую площадку для подсказок, встроенный контроль версий и автоматически сгенерированное API. Идеально подходит как для небольших команд, так и для крупных предприятий, PromptMage повышает производительность и способствует эффективному тестированию и разработке подсказок. Его можно развернуть локально или на сервере, что делает его доступным и управляемым для самых разных пользователей.

Arcade — это ориентированный на разработчиков фреймворк, упрощающий создание агентов ИИ благодаря целостному SDK и командной строке. Используя знакомый синтаксис JS/TS, вы можете определять рабочие процессы, включающие вызовы крупномасштабных языковых моделей, внешние API-эндпоинты и собственную логику. Arcade автоматически управляет памятью диалогов, группировкой контекста и обработкой ошибок. Оснащён функциями, такими как подключаемые модели, вызовы инструментов и локальная тестовая среда, вы можете быстро итератировать. Независимо от того, автоматизируете ли поддержку клиентов, генерируете отчёты или оркеструете сложные цепи данных, Arcade оптимизирует процесс и предоставляет средства для внедрения в продуктив.

Self-Determining AI Agents — это фреймворк на Python, разработанный для упрощения создания автономных AI-агентов. Он включает настраиваемый цикл планирования, в котором агенты создают задачи, планируют стратегии и выполняют действия с помощью интегрированных инструментов. В рамках есть модули постоянной памяти для сохранения контекста, гибкая система планирования задач и хуки для пользовательских инструментов, таких как веб-API или запросы к базам данных. Разработчики могут задавать цели агента через конфигурационные файлы или код, а библиотека управляет итеративным процессом принятия решений. Поддерживается логирование, мониторинг производительности, возможно расширение новыми алгоритмами планирования. Идеально подходит для исследований, автоматизации рабочих процессов и быстрого прототипирования интеллектуальных мультиагентных систем.

Простейшее самостоятельное обучение предлагает разработчикам очень простой способ создавать и обучать агентов обучения с усилением на Python. Фреймворк абстрагирует основные компоненты RL, такие как оболочки окружений, модули политик и буферы опыта в лаконичные интерфейсы. Пользователи могут быстро инициализировать окружения, определять пользовательские политики с помощью знакомых бэкендов PyTorch или TensorFlow, запускать обучающие циклы с встроенным логированием и сохранением контрольных точек. Библиотека поддерживает on-policy и off-policy алгоритмы, что позволяет гибко экспериментировать с Q-обучением, градиентами политики и методами актор-критик. Снижая объем шаблонного кода, простое самообучение позволяет специалистам, педагогам и исследователям быстро прототипировать алгоритмы, проверять гипотезы и визуализировать эффективность агентов с минимальной настройкой. Его модульная структура облегчает интеграцию с существующими ML-стеками и пользовательскими окружениями.