Swarms.rs ist die Kern-Laufzeitumgebung für die Ausführung swarm-basierter KI-Agentenprogramme in Rust. Es verfügt über ein modulares Pluginsystem zur Integration benutzerdefinierter Logik oder KI-Modelle, eine Nachrichtenpassageschicht für Peer-to-Peer-Kommunikation und einen asynchronen Executor zur Planung von Agentenverhalten. Diese Komponenten ermöglichen es Entwicklern, komplexe dezentrale Agentennetze für Simulation, Automatisierung und Multi-Agenten-Kollaborationsaufgaben zu entwerfen, bereitzustellen und zu skalieren.

Das Repository des Contract Net Protocol bietet eine vollständige Java-Implementierung des FIPA Contract Net Interaktionsprotokolls. Entwickler können Manager- und Auftragnehmer-Agenten erstellen, die CFP (Call For Proposal), Angebote, Zusagen und Ablehnungen über Agentenkommunikationskanäle austauschen. Der Code umfasst Kernmodule für die Aufgabenverbreitung, Bieteraufnahme, Angebotsevaluation anhand anpassbarer Kriterien, Vertragsvergabe und Überwachung des Ausführungsstatus. Es kann in größere Multi-Agenten-Frameworks integriert oder als eigenständige Bibliothek für Forschungssimulationen, industrielle Planung oder Robotikkoordination verwendet werden.

JaCaMo bietet eine einheitliche Umgebung für das Design und den Betrieb von Multi-Agenten-Systemen (MAS), indem drei Kernkomponenten integriert werden: die Jason-Agentenprogrammiersprache für BDI-basierte Agenten, CArtAgO für objektbasierte Umweltmodellierung und Moise für die Spezifikation organisationaler Strukturen und Rollen. Entwickler können Agentenpläne schreiben, Artefakte mit Operationen definieren und Agentengruppen unter normativen Rahmen organisieren. Die Plattform umfasst Werkzeuge für Simulation, Debugging und Visualisierung der MAS-Interaktionen. Mit Unterstützung für verteilte Ausführung, Artefakt-Repositorien und flexible Nachrichtenübermittlung ermöglicht JaCaMo schnelle Prototypenentwicklung und Forschung in Bereichen wie Schwarmintelligenz, kollaborative Robotik und verteilte Entscheidungsfindung. Das modulare Design sorgt für Skalierbarkeit und Erweiterbarkeit in akademischen und industriellen Projekten.

GAMA Genstar Plugin fügt der GAMA-Plattform generative KI-Fähigkeiten hinzu, indem es Konnektoren zu OpenAI, lokalen LLMs und benutzerdefinierten Model-Endpunkten bereitstellt. Benutzer definieren Eingabeaufforderungen und Pipelines in GAML, um Agentenentscheidungen, Umweltbeschreibungen oder Szenarienparameter flexibel zu generieren. Das Plugin unterstützt synchrone und asynchrone API-Aufrufe, Zwischenspeicherung von Antworten und Parameteranpassung. Es vereinfacht die Integration natürlicher Sprachmodelle in groß angelegte Simulationen und reduziert manuellen Skripting-Aufwand, um reichhaltigere und adaptive Agentenverhalten zu fördern.

JADE-DR-VPP ist ein Open-Source-Java-Framework, das ein Multi-Agenten-System für die Laststeuerung in virtuellen Kraftwerken (VPP) implementiert. Jeder Agent repräsentiert eine flexible Last- oder Erzeugungseinheit, die über JADE-Nachrichten kommuniziert. Das System orchestriert Laststeuerungsereignisse, plant Lastanpassungen und aggregiert Ressourcen, um Netzsignale zu erfüllen. Benutzer können das Verhalten der Agenten konfigurieren, Simulationen in großem Maßstab durchführen und Leistungsmetriken für Energiemanagementstrategien analysieren.

NVIDIA Isaac ist eine fortschrittliche Robotik-Plattform von NVIDIA, die entwickelt wurde, um Entwicklern zu ermöglichen, KI-fähige Robotersysteme zu schaffen und bereitzustellen. Sie umfasst leistungsstarke Tools und Frameworks, die eine nahtlose Integration von Machine-Learning-Algorithmen für Wahrnehmung, Navigation und Steuerung ermöglichen. Die Plattform unterstützt die Simulation, das Training und die Bereitstellung von KI-Agenten in Echtzeit, was sie für verschiedene Anwendungen geeignet macht, einschließlich Lagerautomatisierung, Edge-Computing und robotikforschung.

Multi-Agent ColComp ist ein erweiterbares, quelloffenes Framework zur Koordination eines Teams von KI-Agenten bei der Bearbeitung komplexer Aufgaben. Entwickler können unterschiedliche Agentenrollen definieren, Kommunikationskanäle konfigurieren und Kontextdaten über einen einheitlichen Speicher austauschen. Die Bibliothek enthält Plug-and-Play-Komponenten für Verhandlung, Koordination und Konsensbildung. Beispielkonfigurationen zeigen kollaborative Textgenerierung, verteilte Planung und Multi-Agenten-Simulation. Das modulare Design unterstützt einfache Erweiterungen, sodass Teams schnell Prototypen erstellen und Multi-Agenten-Strategien in Forschung oder Produktion evaluieren können.

multiagent-env ist eine Open-Source-Python-Bibliothek, die die Erstellung und Bewertung von Multi-Agenten-Verstärkungslern-Umgebungen vereinfacht. Nutzer können sowohl kooperative als auch adversariale Szenarien definieren, indem sie Agentenzahl, Aktions- und Beobachtungsräume, Belohnungsfunktionen und die Dynamik der Umwelt festlegen. Es unterstützt Echtzeitvisualisierung, konfigurierbares Rendering und einfache Integration mit Python-basierten RL-Frameworks wie Stable Baselines und RLlib. Das modulare Design ermöglicht eine schnelle Prototypentwicklung neuer Szenarien und einen einfachen Vergleich von Multi-Agenten-Algorithmen.

ROSA (Rover Sequencing & Autonomy) ist ein umfassendes Autonomie-Framework, das vom Jet Propulsion Laboratory der NASA für Raumfahrtrobotik entwickelt wurde. Es verfügt über einen modularen KI-Planer, einen constraints-weisen Scheduler und integrierte Simulatoren, die validierte Befehlsssequenzen für Rover-Bedienungen erzeugen. Nutzer können Missionsziele, Ressourcenbeschränkungen und Sicherheitsregeln definieren; ROSA erstellt optimale Ausführungspläne, erkennt Konflikte und unterstützt schnelle Neuprogrammierung bei unerwarteten Ereignissen. Seine Plugin-Architektur erlaubt die Integration mit benutzerdefinierten Sensoren, Aktuatoren und Telemetrie-Analysetools und ermöglicht End-to-End-Missionautonomie zur planetaren Erforschung.

APLib wurde entwickelt, um die Entwicklung von KI-gesteuerten autonomen Agenten in Spiel- und Simulationsumgebungen zu vereinfachen. Mithilfe einer Belief-Desire-Intention (BDI)-inspirierten Architektur bietet es modulare Komponenten für Wahrnehmung, Entscheidungsfindung und Aktionsausführung. Entwickler definieren Überzeugungen, Ziele und Verhaltensweisen der Agenten über intuitive APIs und Verhaltensbäume. APLib-Agenten können den Spielstatus durch anpassbare Sensoren interpretieren, Pläne mit integrierten Planern erstellen und mit der Umgebung über Aktuatoren interagieren. Die Bibliothek unterstützt die Integration mit Unity, Unreal und reinen Java-Umgebungen, um automatisierte Tests, KI-Forschung und Simulationen zu erleichtern. Sie fördert die Wiederverwendung von Verhaltensmodulen, schnelle Prototypenerstellung und robuste QA-Workflows durch Automatisierung wiederholter Testszenarien und die Simulation komplexer Spielerinteraktionen ohne manuelles Eingreifen.

MACL ist ein modulares Python-Framework, das die Erstellung und Orchestrierung mehrerer KI-Agenten vereinfacht. Es ermöglicht die Definition einzelner Agenten mit benutzerdefinierten Fähigkeiten, die Einrichtung von Kommunikationskanälen und die Planung von Aufgaben im Netzwerk. Agenten können Nachrichten austauschen, Verantwortlichkeiten verhandeln und sich dynamisch anhand gemeinsamer Daten anpassen. Mit Unterstützung für bekannte LLMs und einem Plugin-System für Erweiterungen ermöglicht MACL skalierbare und wartbare KI-Workflows in Bereichen wie Kundenservice-Automatisierung, Datenanalyse-Pipelines und Simulationsumgebungen.

Multi-Agenten-Systeme sind so konzipiert, dass sie die Erstellung, Konfiguration und Ausführung verteilter agentenbasierter Architekturen vereinfachen. Entwickler können Agentenverhalten, Kommunikationsontologien und Dienstbeschreibungen innerhalb von Java-Klassen definieren. Das Framework kümmert sich um das Einrichten der Container, den Nachrichtentransport und das Lebenszyklusmanagement der Agenten. Auf Basis standardisierter FIPA-Protokolle unterstützt es Peer-to-Peer-Verhandlungen, kollaborative Planung und modulare Erweiterungen. Benutzer können Multi-Agenten-Szenarien auf einer einzelnen Maschine oder über Netzhosts ausführen, überwachen und debuggen, was es ideal für Forschung, Bildung und kleine Einsätze macht.

Autonome Wirtschaftsaspekte (AEA) von Fetch.ai ist ein vielseitiges Framework, das Entwicklern die Gestaltung, Implementierung und Koordination autonomer Software-Agenten ermöglicht, die miteinander, mit externen Umgebungen und digitalen Ledgern interagieren können. Durch eine Plugin-basierte Architektur bietet AEA vorgefertigte Module für Kommunikationsprotokolle, kryptografische Ledger-APIs, dezentrale Identität und anpassbare Entscheidungsfähigkeiten. Agenten können innerhalb dezentraler Marktplätze entdecken und Transaktionen durchführen, zielgerichtete Verhaltensweisen zeigen und sich durch Echtzeitdatenfeeds anpassen. Das Framework unterstützt Simulationstools zum Testen und Debuggen von Multi-Agenten-Szenarien sowie den Einsatz auf lebenden Blockchains oder Peer-to-Peer-Netzwerken. Mit integrierter Interoperabilität und Agent-zu-Agent-Nachrichtenaustausch rationalisiert AEA die Entwicklung komplexer autonomer wirtschaftlicher Anwendungen wie Energieträgerehandel, Lieferkettenoptimierung und intelligente IoT-Koordination.