NeuralABM ist eine Open-Source-Bibliothek in Python, die PyTorch nutzt, um neuronale Netze in das agentenbasierte Modellieren zu integrieren. Benutzer können Agentenarchitekturen als neuronale Module spezifizieren, die Umgebungsdynamik definieren und das Verhalten der Agenten mit Rückpropagation über Simulationsschritte trainieren. Das Framework unterstützt benutzerdefinierte Belohnungssignale, Curriculum-Lernen und synchrone oder asynchrone Updates, um emergente Phänomene zu untersuchen. Mit Utilities für Logging, Visualisierung und Datensatzexport können Forscher und Entwickler die Agentenleistung analysieren, Modelle debuggen und Simulationen optimieren. NeuralABM vereinfacht die Verbindung von Reinforcement Learning mit ABM für Anwendungen in Sozialwissenschaften, Wirtschaft, Robotik und KI-gesteuertes NPC-Verhalten in Spielen. Es bietet modulare Komponenten für die Umgebungsanpassung, unterstützt Multi-Agenten-Interaktionen und Hooks zur Integration externer Datensätze oder APIs für reale Simulationen. Das offene Design fördert Reproduzierbarkeit und Zusammenarbeit durch klare Versuchsparameter und Versionskontrollintegration.

LightJason Benchmark bietet eine umfassende Palette vordefinierter und anpassbarer Szenarien zur Stresstests und Bewertung von Multi-Agenten-Anwendungen, die auf dem LightJason-Framework aufgebaut sind. Benutzer können Agentenzahlen, Kommunikationsmuster und Umgebungsparameter konfigurieren, um realistische Arbeitslasten zu simulieren und das Systemverhalten zu bewerten. Benchmarks sammeln Metriken wie Nachrichten-Durchsatz, Reaktionszeiten der Agenten, CPU- und Speichernutzung, mit Ergebnissen in CSV- und grafischen Formaten. Die Integration mit JUnit ermöglicht die nahtlose Einbindung in automatisierte Testpipelines, sodass Regressionstests und Leistungstests Teil des CI/CD-Workflows werden. Mit einstellbaren Einstellungen und erweiterbaren Szenarienvorlagen hilft die Suite, Engpässe zu erkennen, Skalierbarkeitsansprüche zu validieren und architektonische Optimierungen für leistungsstarke, robuste Multi-Agenten-Systeme zu leiten.