Coaty — это open-source-инструментарий, написанный на TypeScript, для разработки совместных децентрализованных IoT-приложений с использованием программных агентов. Он обеспечивает среду выполнения контейнера, в которой размещаются экземпляры агентов, сервис обнаружения и регистр для динамического поиска ресурсов, а также уровни pub/sub для распространения событий. Встроенные адаптеры хранения синхронизируют состояние между устройствами, при этом гибкая модель данных позволяет расширять и делиться объектами домена. Coaty поддерживает протоколы передачи, такие как MQTT и WebSocket, обеспечивая надежную быстрое взаимодействие между предельными, облачными и fog-средами без единой точки отказа.

Inngest AgentKit представляет собой полноценную платформу для разработки AI-агентов в среде Node.js. Он использует событийную архитектуру Inngest для вызова рабочих процессов агента на основе внешних событий, таких как HTTP-запросы, запланированные задания или webhooks. В комплект входит утилиты шаблонного рендеринга для создания динамических ответов, встроенное управление состоянием для сохранения контекста в сессиях, а также бесшовная интеграция с внешними API и языковыми моделями. Агенты могут стримить частичные ответы в реальном времени, управлять сложной логикой и оркестровать многоступенчатые процессы с обработкой ошибок и повторными попытками. Адаптируя инфраструктуру и рабочие процессы, AgentKit позволяет разработчикам сосредоточиться на создании интеллекта, сокращая шаблонный код и ускоряя внедрение диалоговых ассистентов, потоков обработки данных и автоматизированных ботов.

AI Agent FletUI предоставляет модульную структуру пользовательского интерфейса для создания умных чат-приложений с поддержкой больших языковых моделей (LLMs). В неё входят виджеты чата, панели интеграции инструментов, хранилища памяти и обработчики событий, которые бесшовно подключаются к любому поставщику LLM. Пользователи могут определять собственные инструменты, постоянно управлять контекстом сессии и отображать расширенные сообщения. Библиотека скрывает сложности разметки UI в Flet и упрощает вызов инструментов, что обеспечивает быстрое прототипирование и развертывание помощников на базе LLM.

ManasAI — это основанный на Python фреймворк, позволяющий создавать автономных AI-агентов с встроенным состоянием и модульной архитектурой. Он предоставляет основные абстракции для рассуждения агентом, краткосрочной и долгосрочной памяти, интеграции внешних инструментов и API, обработки событий на основе сообщений и оркестрации mehrere агентов. Агентов можно настраивать для управления контекстом, выполнения задач, обработки повторных попыток и сбора обратной связи. Его расширяемая архитектура позволяет разработчикам адаптировать бэкенды памяти, инструменты и оркестраторы под конкретные рабочие процессы, что делает его идеальным для прототипирования чат-ботов, цифровых работников и автоматизированных пайплайнов, требующих устойчивого контекста и сложных взаимодействий.

Этот опенсорсный фреймворк объединяет библиотеку моделирования агентов AgentSimJs с 3D-графическим движком Three.js для обеспечения интерактивных, основанных в браузере многопользовательских симуляций. Пользователи могут определять типы агентов, поведения и правила окружения, настраивать обнаружение столкновений и обработку событий, а также визуализировать симуляции в реальном времени с настраиваемыми параметрами рендеринга. Библиотека поддерживает динамическое управление, управление сценой и оптимизацию производительности, что делает ее идеальной для исследований, обучения и прототипирования сложных сценариев на основе агентов.

multiagent-golang обеспечивает структурированный подход к созданию систем с несколькими агентами на Go. Вводится абстракция агента, где каждый агент может оснащаться различными датчиками для восприятия окружения и исполнительными механизмами для действий. Агенты работают параллельно с помощью горутин и общаются через выделенные каналы сообщений. Также реализован слой моделирования окружения для обработки событий, управления жизненным циклом агентов и отслеживания изменений состояния. Разработчики могут легко расширять или настраивать поведения агентов, задавать параметры моделирования и интегрировать дополнительные модули для логирования или аналитики. Это ускоряет создание масштабируемых и параллельных симуляций для исследований и прототипирования.

OpenAgentSpec определяет комплексный набор схем JSON, API-интерфейсов и руководств по протоколам для ИИ-агентов. В него входит регистрация агентов, объявление возможностей, форматы сообщений, обработка событий, управление памятью и механизмы расширения. Следуя спецификации, организации могут создавать агентов, которые надежно взаимодействуют друг с другом и с хост-средами, снижая затраты на интеграцию и способствуя формированию многоразовой экосистемы совместимых компонентов ИИ.

Образец AgentForce Custom Client предоставляет кодовую базу, использующую JavaScript/TypeScript и API Salesforce для аутентификации в организации Salesforce, управления чат-сессиями AgentForce, отправки и получения сообщений, а также настройки компонентов интерфейса пользователя. В нем демонстрируется подписка на события, интеграция собственной бизнес-логики и стилизация с помощью Lightning Web Components. Разработчики могут использовать данный шаблон для быстрого построения интеллектуальных агентов, настройки потоков сообщений, интеграции внешних систем и расширения фреймворка для удовлетворения уникальных бизнес-процессов и требований брендинга организации.

Протокол UIM определяет стандартную схему JSON, через которую агенты ИИ могут описывать элементы интерфейса пользователя, поведения и события. Он охватывает компоненты, такие как кнопки, поля ввода, формы, таблицы, деревья и графики, а также поддерживает хуки событий для взаимодействий пользователя. Отрисовщики фронтенда используют сообщения UIM для построения и обновления интерфейсов в реальном времени без ручного программирования UI. Оболочки сообщений с версией обеспечивают обратную совместимость. Используя протокол UIM, команды могут быстрее развивать разговорные ассистенты и информационные панели, поддерживать последовательные UX-структуры по каналам и разделять логику принятия решений ИИ и слой презентации.

ASP-DALI предоставляет единую платформу для определения и выполнения логических интеллектуальных агентов. Разработчики пишут правила ASP для описания баз знаний и целей, а конструкции DALI определяют реакции на события и выполнение действий. Во время выполнения решатель ASP вычисляет ответы (answer sets), которые направляют решения агента, позволяя ему планировать, реагировать на входящие события и динамически корректировать убеждения. Среда поддерживает модульные базы знаний, облегчая инкрементальные обновления и четкое разделение декларативных правил и реактивных поведений. ASP-DALI реализован на Prolog с интерфейсами к популярным решателям ASP, что упрощает интеграцию и развертывание в исследовательских и прототипных сценариях.