CommNet ist eine forschungsorientierte Bibliothek, die die CommNet-Architektur implementiert und es mehreren Agenten erlaubt, Hidden-States bei jedem Zeitschritt zu teilen und Aktionen in kooperativen Umgebungen zu koordinieren. Es beinhaltet PyTorch-Modell-Definitionen, Trainings- und Evaluierungsskripte, Umgebungswrapper für OpenAI Gym und Utilities zur Anpassung der Kommunikationskanäle, Agentenzahlen und Netzwerktiefen. Forscher und Entwickler können CommNet nutzen, um Inter-Agent-Kommunikationsstrategien bei Navigations-, Verfolgungs- und Ressourcen-Sammelaufgaben zu prototypisieren und zu benchmarken.

EthicalEvalMAS bietet eine modulare Umgebung zur Bewertung von Multi-Agenten-Systemen in zentralen ethischen Dimensionen wie Gerechtigkeit, Autonomie, Privatsphäre, Transparenz und Wohltätigkeit. Nutzer können benutzerdefinierte Szenarien erstellen oder integrierte Vorlagen verwenden, spezielle Metriken definieren, automatisierte Bewertungsskripte ausführen und Ergebnisse durch integrierte Berichts-Tools visualisieren. Seine erweiterbare Architektur unterstützt die Integration mit bestehenden MAS-Plattformen und erleichtert reproduzierbare ethische Benchmarking-Tests für unterschiedliche Agentenverhalten.

Ollama Workflows ist eine Open-Source-Bibliothek konfigurierbarer KI-Agenten-Pipelines, die auf dem Ollama LLM-Framework aufbauen. Es bietet Dutzende einsatzbereiter Workflows – wie Zusammenfassung, Übersetzung, Code-Review, Datenextraktion, E-Mail-Entwurf und mehr – die in YAML- oder JSON-Definitionen miteinander verknüpft werden können. Nutzer installieren Ollama, klonen das Repository, wählen oder passen einen Workflow an und führen ihn über CLI aus. Alle Prozesse erfolgen lokal auf Ihrem Rechner, was den Datenschutz gewährleistet und eine schnelle Iteration sowie konsistente Ergebnisse über Projekte hinweg ermöglicht.

multiagent_envs liefert eine modulare Sammlung von Python-basierten Umgebungen, die speziell für die Forschung und Entwicklung im Bereich Multi-Agenten-Verstärkungslernen entwickelt wurden. Es umfasst Szenarien wie kooperative Navigation, Räuber-Beute, soziale Dilemmas und wettbewerbsorientierte Arenen. Jede Umgebung erlaubt die Definition der Agentenzahl, Beobachtungsmerkmale, Belohnungsfunktionen und Kollisionsdynamik. Das Framework integriert sich nahtlos mit beliebten RL-Bibliotheken wie Stable Baselines und RLlib, ermöglicht vektorisiertes Training, parallele Ausführung und einfache Protokollierung. Nutzer können bestehende Szenarien erweitern oder neue durch eine einfache API erstellen, um die Experimentierung mit Algorithmen wie MADDPG, QMIX und PPO in einer konsistenten, reproduzierbaren Umgebung zu beschleunigen.