Das Multi-Agenten-System für Einkaufszentren ist ein KI-gesteuertes Framework, das auf einer Multi-Agenten-Architektur basiert, um das Einkaufserlebnis in Shopping Malls zu verbessern. Es besteht aus Käufer-Agenten, die Besucherinteraktionen verfolgen; Vorlagen-Agenten, die frühere und Echtzeit-Daten analysieren; sowie Empfehlungs-Agenten, die maßgeschneiderte Produkt- und Aktionsvorschläge generieren. Die Agenten kommunizieren über ein Nachrichtenprotokoll, um Benutzerprofile zu aktualisieren, bereichsübergreifende Erkenntnisse zu teilen und Empfehlungen dynamisch anzupassen. Es unterstützt die Integration mit CMS und POS für Echtzeit-Inventar- und Verkaufsdatenfeedback. Das modulare Design erlaubt die Anpassung von Agentenverhalten, die Integration neuer Datenquellen und die Bereitstellung auf verschiedenen Plattformen. Ideal für große Einzelhandelsumgebungen verbessert es die Kundenzufriedenheit und steigert den Umsatz durch präzise, kontextbezogene Empfehlungen.

Duet GPT ist ein auf Python basierendes Open-Source-Framework zur Orchestrierung von Multi-Agenten-Gesprächen zwischen zwei GPT-Modellen. Sie definieren unterschiedliche Agentenrollen, die mit System-Prompts angepasst werden, und das Framework verwaltet automatisch den Reihenfolgenwechsel, die Nachrichtenübermittlung und den Gesprächsverlauf. Diese kooperative Struktur beschleunigt die Lösung komplexer Aufgaben, ermöglicht Vergleichsdenken, Kritikzyklen und iterative Verfeinerung durch wechselseitige Austausche. Die nahtlose Integration mit der OpenAI API, die einfache Konfiguration und das integrierte Logging machen es ideal für Forschung, Prototyping und Produktionsworkflows bei Programmierhilfe, Entscheidungsunterstützung und kreativer Ideengenerierung. Entwickler können die Kernklassen erweitern, um neue LLM-Dienste zu integrieren, die Iteratoren-Logik anzupassen und Transkripte in JSON- oder Markdown-Formaten für die Nachanalyse zu exportieren.

Das Java Action Linearprogram-Modul bietet eine spezialisierte Aktion für das LightJason-Framework, die es Agenten ermöglicht, lineare Optimierungsaufgaben zu modellieren und zu lösen. Benutzer können Zielkoeffizienten konfigurieren, Gleichheits- und Ungleichheitsbeschränkungen hinzufügen, Lösungsmethoden auswählen und den Solver innerhalb des Entscheidungskreislaufs eines Agenten ausführen. Nach der Ausführung liefert die Aktion die optimalen Variablenwerte und das Zielergebnis, die von Agenten für nachfolgende Planung oder Ausführung genutzt werden können. Diese Plug-and-Play-Komponente abstrahiert die Komplexität des Solvers und ermöglicht dennoch volle Kontrolle über Problemdefinitionen mittels Java-Schnittstellen.