GenAI Job Agents — это фреймворк на базе Python, упрощающий создание и управление агентами задач на базе ИИ. Разработчики могут задавать пользовательские типы задач и поведения агентов с помощью простых конфигурационных файлов или классов Python. Система без швов интегрируется с OpenAI для выводов на базе LLM и с LangChain для цепочечного вызова. Задачи могут помещаться в очередь, выполняться параллельно и контролироваться с помощью встроенного логирования и механизмов обработки ошибок. Агенты могут обрабатывать динамический ввод, автоматически повторять неудачные задачи и выдавать структурированные результаты для дальнейшей обработки. Благодаря модульной архитектуре, расширяемым плагинам и понятным API, GenAI Job Agents дает командам возможность автоматизировать повторяющиеся задачи, оркестрировать сложные рабочие процессы и масштабировать ИИ-операции в производственной среде.

HMAS — это open-source фреймворк на Python, позволяющий разрабатывать иерархические многоагентные системы. Он предлагает абстракции для определения иерархий агентов, протоколов межагентной связи, интеграции среды и встроенных циклов обучения. Исследователи и разработчики могут использовать HMAS для прототипирования сложных взаимодействий агентов, обучения скоординированных политик и оценки производительности в моделируемых средах. Его модульная архитектура облегчает расширение и настройку агентов, сред и стратегий обучения.

HFO_DQN объединяет Python и TensorFlow, чтобы предоставить полный поток для обучения футбольных агентов с помощью Deep Q-Networks. Пользователи могут клонировать репозиторий, установить зависимости, включая симулятор HFO и библиотеки Python, и настроить параметры обучения в YAML-файлах. Этот фреймворк реализует повторный опыт, обновления целевых сетей, ε-жадное исследование и формирование наград, адаптированные для области полуценра. Включает сценарии для обучения агентов, логирование производительности, оценочные матчи и визуализацию результатов. Его модульная структура позволяет интегрировать собственные архитектуры нейронных сетей, альтернативные алгоритмы RL и стратегии координации нескольких агентов. Выходные данные включают обученные модели, метрики производительности и визуализации поведения, способствуя исследованиям в области обучения с подкреплением и многопользовательских систем.

InfantAgent предлагает легкую структуру для проектирования и развертывания интеллектуальных агентов на Python. Интегрируется с популярными LLM (OpenAI, Hugging Face), поддерживает постоянные модули памяти и обеспечивает цепочки пользовательских инструментов. В комплектации — разговорный интерфейс, оркестрация задач и принятие решений на базе правил. Архитектура плагинов позволяет легко расширять функциональность за счет специализированных инструментов и API, что делает его идеальным для прототипирования исследовательских агентов, автоматизации рабочих процессов или внедрения AI-ассистентов в приложения.

LangChain — это open-source фреймворк на Python, предназначенный для ускорения разработки приложений на базе ИИ. Он обеспечивает абстракции для цепочки нескольких вызовов языковых моделей (цепочки), создания агентов, взаимодействующих с внешними инструментами, и управления памятью диалогов. Разработчики могут определять подсказки, парсеры вывода и запускать рабочие процессы «от конца до конца». Интеграции включают векторные хранилища, базы данных, API и платформы хостинга, позволяя создавать боеспособных чат-ботов, системы анализа документов, помощников по коду и пользовательские AI пайплайны.

LLM State Machine — это открытый исходный код Python-фреймворка, предназначенного для построения агентов ИИ с использованием явных машин состояний. Разработчики определяют состояния как дискретные шаги — каждый вызывающий большую языковую модель или пользовательскую логику — и переходы на основе результатов. Такой подход обеспечивает ясность, удобство сопровождения и надежную обработку ошибок для многоследовательных рабочих процессов на базе LLM, таких как обработка документов, разговорные боты и автоматизированные конвейеры.

MARO (Multi-Agent Resource Optimization) — это фреймворк на Python, предназначенный для поддержки разработки и оценки агентов обучения с подкреплением с несколькими агентами в сценариях цепей поставок, логистики и управления ресурсами. Включает шаблоны для управления запасами, планирования грузовиков, кросс-докинга, аренды контейнеров и прочего. MARO предлагает унифицированный API агентов, встроенные трекеры для ведения экспериментов, возможности параллельного моделирования для масштабных тренировок и инструменты визуализации для анализа эффективности. Платформа модульная, расширяемая, интегрируется с популярными RL-библиотеками, обеспечивая воспроизводимость исследований и быструю прототипирование решений на базе ИИ.

Многоагентный помощник ИИ — это модульная платформа на Python, которая управляет несколькими GPT-агентами, назначенными на разные роли, такие как планирование, исследования, анализ и выполнение. Система поддерживает передачу сообщений между агентами, хранение памяти и интеграцию с внешними инструментами и API, позволяя разлагать сложные задачи и совместно решать проблемы. Разработчики могут настраивать поведение агентов, добавлять новые инструменты и конфигурировать рабочие процессы через простые файлы настроек. Используя распределенный вывод логики между специализированными агентами, платформа ускоряет автоматические исследования, анализ данных, принятие решений и автоматизацию задач. В репозитории есть примеры реализации и шаблоны, что позволяет быстро создавать прототипы интеллектуальных помощников и цифровых работников, способных управлять рабочими процессами от начала до конца в бизнесе, образовании и исследованиях.

Nuzon-AI предоставляет фреймворк для агента на базе Python, который позволяет определять задачи, управлять диалоговой памятью и расширять возможности через плагины. Поддерживается интеграция с крупными LLM (OpenAI, локальные модели), что позволяет агентам выполнять веб-взаимодействия, анализ данных и автоматизированные рабочие процессы. Архитектура включает реестр навыков, систему вызова инструментов и слой оркестрации нескольких агентов, позволяя создавать комбинации для поддержки клиентов, исследовательской помощи и личной продуктивности. С помощью конфигурационных файлов можно настроить поведение каждого агента, политику хранения памяти и ведение логов для отладки или аудита.

Simple-Agent — это открытый исходный код, написанный на Python и использующий API OpenAI для создания модульных диалоговых агентов. Он позволяет разработчикам определять функции инструментов для вызова агентом, сохранять контекст памяти между взаимодействиями и настраивать поведение агента через модули навыков. Фреймворк управляет маршрутизацией запросов, планированием действий и выполнением инструментов, чтобы вы могли сосредоточиться на доменной логике. Встроенные журналирование и обработка ошибок ускоряют разработку чатботов, автоматизированных помощников и инструментов поддержки решений, основанных на ИИ. Обеспечивает легкую интеграцию с пользовательскими API и источниками данных, поддерживает асинхронные вызовы инструментов и имеет простую конфигурацию. Используйте его для прототипирования агентов для поддержки клиентов, анализа данных, автоматизации и многого другого. Модульная архитектура облегчает добавление новых возможностей без изменения основной логики. Поддерживается сообществом и документацией, Simple-Agent подходит как для начинающих, так и для опытных разработчиков для быстрого размещения интеллектуальных агентов.

CopilotKit — это open-source фреймворк на Python, предназначенный для разработчиков, создающих настраиваемых AI-агентов. Он предлагает модульную архитектуру, которая позволяет регистрировать и конфигурировать инструменты — такие как доступ к файловой системе, веб-поиск, Python REPL и SQL-коннекторы — и подключать их к агентам, использующим любые поддерживаемые LLM. Встроенные модули памяти позволяют сохранять состояние диалогов, а LangGraph помогает определять структурированные цепочки размышлений для сложных задач. Агенты могут быть развернуты в скриптах, веб-сервисах или CLI-приложениях и масштабироваться к различным облачным провайдерам. CopilotKit бесшовно работает с моделями OpenAI, Azure OpenAI и Anthropic, расширяя автоматизированные рабочие процессы, чат-боты и боты для анализа данных.

MACL — это модульный фреймворк на Python, предназначенный для упрощения создания и оркестрации нескольких ИИ-агентов. Позволяет определять отдельных агентов с индивидуальными навыками, настраивать каналы связи и планировать задачи в сети агентов. Агенты могут обмениваться сообщениями, договариваться о ответственности и динамически адаптироваться на основе общих данных. Встроенная поддержка популярных LLM и система плагинов для расширяемости позволяют MACL обеспечивать масштабируемые и удобные в обслуживании рабочие процессы ИИ в таких областях, как автоматизация клиентского сервиса, аналитика данных и симуляционные среды.

Thufir — это open-source-фреймворк на Python, предназначенный для упрощения создания автономных AI-агентов, способных планировать и выполнять сложные задачи. В его ядре находится движок планирования, который разбивает высокоуровневые цели на конкретные действия, модуль памяти для хранения и извлечения контекстной информации за сессии, и интерфейс инструментов, который позволяет агентам взаимодействовать с внешними API, базами данных или средами выполнения кода. Разработчики могут использовать модульные компоненты Thufir для настройки поведения агентов, определения пользовательских инструментов, управления состоянием агента и оркестрации многопроцессных рабочих процессов. Абстрагируя низкоуровневую инфраструктуру, Thufir ускоряет разработку и развертывание интеллектуальных агентов для приложений, таких как виртуальные помощники, автоматизация процессов, научные исследования и цифровые работники.

agent-steps — это рамка оркестровки шагов Python, предназначенная для упрощения разработки AI-агентов за счет разбиения сложных задач на дискретные, повторно используемые шаги. Каждый шаг инкапсулирует определенное действие — вызов языковой модели, выполнение преобразований данных или внешних API — и может передавать контекст последующим шагам. Библиотека поддерживает синхронное и асинхронное выполнение, позволяя создавать масштабируемые конвейеры. Встроенные инструменты ведения журналов и отладки обеспечивают прозрачность исполнения шагов, а модульная архитектура способствует удобству сопровождения. Пользователи могут определять собственные типы шагов, объединять их в рабочие процессы и легко интегрировать в существующие приложения на Python. agent-steps подходит для построения чат-ботов, автоматизированных потоков данных, систем поддержки решений и других многоступенчатых решений на базе AI.

ANAC-agents — это фреймворк на Python, объединяющий множество реализаций переговорных агентов для конкурса Automated Negotiating Agents (ANAC). Каждый агент в репозитории реализует уникальные стратегии моделирования полезности, создания предложений, тактики уступок и критериев принятия решений, что способствует сравнительным исследованиям и быстрому прототипированию. Пользователи могут определять области переговоров с пользовательскими вопросами и профилями предпочтений, а затем моделировать двусторонние переговоры или соревнования в стиле турнира между агентами. Набор включает скрипты для настройки, метрики оценки и инструменты логирования для анализа динамики переговоров. Исследователи и разработчики могут расширять существующих агентов, тестировать новые алгоритмы или интегрировать внешнее обучение, что ускоряет внедрение инноваций в автоматическое торгование и стратегические решения при неполной информации.

Chainlit — это открытый асинхронный Python фреймворк, предназначенный для помощи разработчикам в быстром создании и развертывании масштабируемых приложений разговорного ИИ и агентов. Он поддерживает интеграцию с популярными библиотеками и фреймворками Python, чтобы обеспечить бесшовный процесс разработки. С помощью Chainlit пользователи могут создавать готовые к производству чат-приложения, которые могут обрабатывать сложные взаимодействия и сохранять контекст разговора.

CodeFuse-muAgent — это рамочная платформа с открытым исходным кодом на Python, которая оркеструет нескольких автономных ИИ-агентов для совместного решения сложных задач. Разработчики определяют отдельные агенты со специализированными навыками - такими как обработка данных, понимание естественного языка или взаимодействие с внешними API - и настраивают протоколы связи для динамической делегации задач. Фреймворк обеспечивает централизованное управление памятью, логирование и мониторинг, оставаясь модель-агностичным и поддерживая интеграцию с популярными LLM и пользовательскими моделями ИИ. Используя CodeFuse-muAgent, команды могут создавать модульные рабочие процессы ИИ, автоматизировать многоступенчатые процессы и масштабировать развертывания в различных средах. Гибкие файлы конфигурации и расширяемые API позволяют быстро создавать прототипы, тестировать и дорабатывать системы, что делает его подходящим для использования в службах поддержки клиентов, цепочках генерации контента, исследовательских помощниках и других случаях.

CUPCAKE AGI (Композиционный утилитарный пайплайн для креативного, знающего и эволюционирующего автономного общего интеллекта) — это гибкий каркас Python, который упрощает создание автономных агентов путём объединения языковых моделей, памяти и внешних инструментов. Он включает основные модули, такие как планировщик целей, исполнитель моделей и менеджер памяти для сохранения контекста при взаимодействиях. Разработчики могут расширять функциональность через плагины для интеграции API, баз данных или пользовательских комплектов инструментов. CUPCAKE AGI поддерживает как синхронные, так и асинхронные рабочие процессы, что делает его идеальным для исследований, прототипирования и развертывания агентов уровня промышленного использования в различных сферах.

Fast Reinforcement Learning — это специализированная Python-обёртка, предназначенная для ускорения разработки и выполнения агентов обучения с усилением. Она обеспечивает поддержку популярных алгоритмов, таких как PPO, A2C, DDPG и SAC, в сочетании с управлением высокопроизводительными векторизированными средами. Пользователи могут легко настраивать сеть политик, изменять учебные циклы и использовать GPU-ускорение для масштабных экспериментов. Модульная архитектура гарантирует бесшовную интеграцию с окружениями OpenAI Gym, что позволяет исследователям и практикам прототипировать, создавать бенчмарки и развёртывать агентов в различных задачах управления, игр и симуляций.