Dieses Repository liefert einen anpassbaren Multi-Agenten-Rahmen, der ein Taxi-Callcenter simuliert. Es definiert verschiedene KI-Agenten: CustomerAgent für Fahranfragen, DispatchAgent zur Fahrerwahl basierend auf Nähe, DriverAgent zur Bestätigung von Zuweisungen und Statusaktualisierungen sowie NotificationAgent für Rechnungsstellung und Mitteilungen. Die Agenten interagieren über eine Orchestrator-Schleife mit OpenAI GPT-Aufrufen und Gedächtnis, was asynchrone Dialoge, Fehlerbehandlung und Protokollierung ermöglicht. Entwickler können Agentenprompt anpassen, Echtzeitsysteme integrieren und KI-gesteuerte Kunden- sowie Einsatz-Workflows leicht prototypisieren.

Das LLM Agents Simulation Framework ermöglicht das Design, die Ausführung und Analyse simuliertes Umgebungen, in denen autonome Agenten durch große Sprachmodelle interagieren. Benutzer können mehrere Agenteninstanzen registrieren, anpassbare Prompts und Rollen zuweisen und Kommunikationskanäle wie Nachrichtenübermittlung oder geteilten Zustand festlegen. Das Framework steuert die Simulationszyklen, sammelt Protokolle und berechnet Metriken wie Turn-Taking-Häufigkeit, Antwortlatenz und Erfolgsraten. Es unterstützt nahtlose Integration mit OpenAI, Hugging Face und lokalen LLMs. Forscher können komplexe Szenarien erstellen – Verhandlung, Ressourcenallokation oder kollaboratives Problemlösen – um emergentes Verhalten zu beobachten. Eine erweiterbare Plugin-Architektur ermöglicht das Hinzufügen neuer Verhaltensweisen, Umweltbeschränkungen oder Visualisierungsmodule, um reproduzierbare Experimente zu fördern.

AgenticIR (Agentic Information Retrieval) bietet ein modulares Framework, in dem auf LLM basierende Agenten autonom IR-Workflows planen und ausführen. Es ermöglicht die Definition von Agentenrollen — wie Abfragegenerator, Dokumentenretriever und Zusammenfasser —, die in anpassbaren Sequenzen laufen. Agenten können Rohtext abrufen, Abfragen anhand Zwischenresultaten verfeinern und extrahierte Passagen zu prägnanten Zusammenfassungen zusammenführen. Das Framework unterstützt Multi-Schritte-Pipelines, einschließlich iterativer Websuche, API-basierter Dateneingabe und lokaler Dokumentenparsing. Entwickler können Agentenparameter anpassen, verschiedene LLMs integrieren und Verhaltensrichtlinien feintunen. AgenticIR bietet außerdem Protokollierung, Fehlerbehandlung und parallele Agentenausführung, um die groß angelegte Informationsbeschaffung zu beschleunigen. Mit minimalem Codeaufwand können Forscher und Entwickler autonome Abfragesysteme prototypisieren und bereitstellen.

AgentFarm bietet einen umfassenden Rahmen zur Koordination vielfältiger KI-Agenten in einem einheitlichen System. Nutzer können spezialisierte Agentenverhaltensweisen in Python skripten, Rollen (Manager, Worker, Analizator) zuweisen und Aufgabenwarteschlangen für parallele Verarbeitung erstellen. Es integriert sich nahtlos mit führenden LLM-Diensten (OpenAI, Azure OpenAI), ermöglicht dynamisches Prompt-Routing und Modellauswahl. Das integrierte Dashboard überwacht den Agentenstatus, protokolliert Interaktionen und visualisiert die Leistungsfähigkeit der Arbeitsabläufe. Mit modularen Plug-ins für benutzerdefinierte APIs können Entwickler die Funktionalität erweitern, Fehlerbehandlung automatisieren und die Ressourcennutzung überwachen. Ideal für die Bereitstellung mehrstufiger Pipelines verbessert AgentFarm Zuverlässigkeit, Skalierbarkeit und Wartbarkeit in KI-gesteuerter Automatisierung.

AI-Creator bietet eine flexible Architektur zur Erstellung von KI-Agenten, die Aufgaben ausführen, über natürliche Sprache interagieren und externe Tools nutzen können. Es umfasst Module für Prompt-Management, Chain-of-Thought-Reasoning, Sitzungsmerkmale und anpassbare Pipelines. Entwickler können Agentenverhalten durch einfache JSON- oder Code-Konfigurationen definieren, APIs und Datenbanken als Tools integrieren und Agenten als Webdienste oder CLI-Anwendungen bereitstellen. Das Framework unterstützt Erweiterbarkeit und Modularität, was es ideal für die Prototypenentwicklung von Chatbots, virtuellen Assistenten und spezialisierten digitalen Arbeitern macht.

Flocking Multi-Agent bietet eine modulare Bibliothek zur Simulation autonomen Agenten, die Schwarmintelligenz zeigen. Sie kodiert Kernsteuerungsverhalten – Kohäsion, Trennung und Ausrichtung – sowie Hindernisvermeidung und dynamische Zielverfolgung. Mit Python und Pygame für Visualisierung erlaubt das Framework die Anpassung von Parametern wie Nachbarschaftsradius, Höchstgeschwindigkeit und Wendekraft. Es unterstützt Erweiterungen durch benutzerdefinierte Verhaltensfunktionen und Integrationsschnittstellen für Robotik oder Spiel-Engines. Ideal für Experimente in KI, Robotik, Spieldesign und akademischer Forschung zeigt es, wie einfache lokale Regeln zu komplexen globalen Formationen führen.