GenerativeAgentsCN — это открытая китайская адаптация рамочной системы Stanford для генеративных агентов, предназначенная для моделирования реалистичных цифровых персонажей. Объединяя большие языковые модели с модулем долговременной памяти, рефлексивными процедурами и логикой планирования, она управляет агентами, воспринимающими контекст, вспоминающими прошлые взаимодействия и самостоятельно выбирающими дальнейшие действия. Инструментарий включает готовые к использованию блокноты Jupyter, модульные компоненты Python и обширную китайскую документацию, которая помогает пользователям создавать среды, определять характеристики агентов и настраивать параметры памяти. Используйте его для исследования поведения игровых NPC на базе ИИ, прототипирования чат-ботов поддержки клиентов или проведения академических исследований когнитивных процессов агентов. Гибкие API позволяют расширять алгоритмы памяти, интегрировать собственные LLM и визуализировать взаимодействия агентов в реальном времени.

Poke-Env предназначен для упрощения создания и оценки AI-агентов для боёв Pokémon Showdown через всесторонний интерфейс на Python. Он управляет коммуникацией с сервером Pokémon Showdown, парсит данные игрового состояния и управляет действиями по раунду через архитектуру, основанную на событиях. Пользователи могут расширять базовые классы игроков для реализации индивидуальных стратегий с использованием обучения с подкреплением или эвристических алгоритмов. В рамках этого фреймворка встроена поддержка симуляций боёв, параллельных матчей и детального логирования действий, наград и результатов для воспроизводимых исследований. А abstraction'я низкоуровневых сетевых и парсинговых задач позволяет AI-исследователям и разработчикам сосредоточиться на проектировании алгоритмов, настройке производительности и сравнительном бенчмаркинге стратегий боя.

Масштабируемый MADDPG — это исследовательская рамка для многопрограммного обучения с усилением, обеспечивающая масштабируемую реализацию алгоритма MADDPG. В ней используются центральные критики в процессе обучения и независимые актеры при выполнении для стабильности и эффективности. Библиотека включает Python-скрипты для определения пользовательских окружений, настройки архитектур сетей и гиперпараметров. Пользователи могут обучать множество агентов параллельно, отслеживать метрики и визуализировать кривые обучения. Он интегрируется с окружениями, похожими на OpenAI Gym, и поддерживает ускорение с помощью GPU через TensorFlow. Благодаря модульной структуре, масштабируемый MADDPG обеспечивает гибкие эксперименты в кооперативных, соревновательных или смешанных задачах, облегчая быстрое прототипирование и бенчмаркинг.

Spider Clients — легкие SDK, специфичные для языка, которые взаимодействуют с сервером оркестрации Spider для координации задач AI-агентов. Используя HTTP-запросы, клиенты позволяют пользователям открывать интерактивные сессии, отправлять многоступенчатые цепочки, регистрировать пользовательские инструменты и получать потоковые ответы AI в реальном времени. Они автоматически обрабатывают аутентификацию, сериализацию шаблонов подсказок и восстановление после ошибок, обеспечивая единый API для Node.js и Python. Разработчики могут настроить политики повторных попыток, журналировать метаданные и интегрировать пользовательские промежуточные слои. CLI-клиент поддерживает быстрые тесты и прототипирование рабочих процессов через терминал. Совместно эти клиенты ускоряют разработку AI-усиленных агентов, скрывая низкоуровневые детали сети и протоколов, позволяя сосредоточиться на дизайне подсказок и логике оркестрации.

TinyAgent предоставляет легкий каркас для организации сложных задач с помощью моделей GPT от OpenAI. Разработчики устанавливают его через pip, настраивают API-ключ, определяют инструменты или плагины и используют память для поддержки многошаговых диалогов. TinyAgent поддерживает цепочку задач, интеграцию внешних API и сохранение памяти пользователя или системы. Его простое Python API позволяет быстро прототипировать автономные рабочие процессы анализа данных, чат-ботов, ассистентов по генерации кода и любые другие сценарии с интеллектуальным агентом, обладающим состоянием. Библиотека полностью открытая, расширяемая и платформонезависимая.

AmongA и исследования мультиагентных AI-систем. Через простое API Python пользователи могут запускать любое число AI-агентов, каждый со своими персоналиями, подсказками и буферами памяти. Агенты участвуют в настраиваемых циклах бесед, поддерживая дебаты, мозговое штурм, принятие решений или симуляции игр. Фреймворк бесшовно интегрируется с основными API LLM (например, OpenAI, Anthropic), позволяя обмениваться сообщениями и хранить транскрипты. Разработчики могут расширять поведение, настраивая роли агентов, управляя очередностью и подключая внешние источники данных. AmongAIs также предлагает утилиты для анализа настроений, оценки по баллах и воспроизведения сессий. Идеально подходит для команд, исследующих возникающее взаимодействие, совместную генерацию идей и тестирование координации цифровых работников в исследовательских и производственных средах.

AI-агент Pentago Swap реализует интеллектуального противника для игры Pentago Swap, применяя алгоритм Monte Carlo Tree Search (MCTS) для исследования и оценки потенциальных игровых состояний. На каждом ходе агент моделирует множество вариантов, оценивает полученные позиции и выбирает ходы, максимизирующие вероятность победы. Поддерживаются настройка параметров поиска, таких как число симуляций, коэффициент исследования и политика моделирования, что позволяет пользователю оптимизировать производительность. Агент включает интерфейс командной строки для матчей один на один, обучение с использованием самоигр для генерации учебных данных, а также API на Python для интеграции в более крупные игровые среды или турниры. Благодаря модульной архитектуре облегчает расширение с использованием альтернативных эвристик или нейросетевых оценщиков для продвинутых исследований и разработки.