Ce dépôt offre une démonstration pratique de la communication bidirectionnelle entre agents construits sur le framework JADE. Il inclut des classes Java d'exemple montrant la configuration d'agents, la création de messages conformes à FIPA-ACL et la gestion asynchrone du comportement. Les développeurs peuvent observer l'envoi d'une REQUEST par l'agent A, le traitement de la requête par l'agent B et le retour d'un message INFORM. Le code illustre l'enregistrement des agents auprès du Directory Facilitator, l'utilisation de comportements cycliques et ponctuels, l'application de modèles de messages pour filtrer et la journalisation des séquences de conversation. C'est un point de départ idéal pour le prototypage d'échanges multi-agents, de protocoles personnalisés ou l'intégration d'agents JADE dans des systèmes d'IA distribués plus vastes.

Les Agents Économiques Autonomes (AEA) de Fetch.ai sont un cadre polyvalent qui permet aux développeurs de concevoir, mettre en œuvre et orchestrer des agents logiciels autonomes capables d'interagir entre eux, avec des environnements externes et des registres numériques. Exploitant une architecture basée sur des plugins, AEA fournit des modules préconstruits pour les protocoles de communication, les API de registre cryptographique, l'identité décentralisée et les compétences de prise de décision personnalisables. Les agents peuvent découvrir et effectuer des transactions dans des marchés décentralisés, réaliser des comportements guidés par des objectifs et s'adapter via des flux de données en temps réel. Le cadre prend en charge des outils de simulation pour tester et déboguer des scénarios multi-agents, ainsi que leur déploiement sur des blockchains en direct ou des réseaux peer-to-peer. Avec une interopérabilité intégrée et une messagerie agent-à-agent, AEA simplifie le développement d'applications économiques autonomes complexes telles que le commerce d'énergie, l'optimisation de la chaîne d'approvisionnement et la coordination intelligente de l'IoT.

Le cadre Autonomous Economic Agents (AEA) de Fetch.ai est un SDK Python open-source et un ensemble d'outils CLI pour créer des agents modulaires et autonomes capables de négocier, de transiger et de collaborer dans des environnements décentralisés. Il comprend des commandes de scaffolding pour générer des projets d'agents, des modèles pour protocoles et compétences, des modules de connexion pour intégrer plusieurs grands livres (Ethereum, Cosmos, etc.), des interfaces de contrat, des composants de comportement et de prise de décision, des outils de test et de simulation, et un mécanisme de publication pour distribuer les agents sur le réseau Open Economic Framework. Les développeurs exploitent son architecture modulaire pour prototyper rapidement des travailleurs numériques pour le commerce DeFi, les marchés de données, la coordination IoT et l'automatisation de la chaîne d'approvisionnement.

JaCaMo fournit un environnement unifié pour concevoir et exécuter des systèmes multi-agents (MAS) en intégrant trois composants principaux : le langage de programmation Jason pour les agents BDI, CArtAgO pour la modélisation environnementale basée sur des artefacts, et Moise pour la spécification des structures organisationnelles et roles. Les développeurs peuvent écrire des plans d'agents, définir des artefacts avec des opérations, et organiser des groupes d'agents sous des cadres normatifs. La plateforme inclut des outils pour la simulation, le débogage et la visualisation des interactions MAS. Avec le support pour l'exécution distribuée, des référentiels d'artefacts, et une messagerie flexible, JaCaMo permet un prototypage rapide et la recherche dans des domaines tels que l'intelligence en essaim, la robotique collaborative et la prise de décision distribuée. Son design modulaire assure l'évolutivité et l'extensibilité à travers des projets académiques et industriels.

Le projet utilise le cadre JADE (Java Agent DEvelopment) pour construire un environnement multi-agent. Il définit des agents qui s'enregistrent auprès du AMS et du DF de la plateforme, échangent des messages ACL et exécutent des comportements tels que cycliques, à une seule étape et FSM. Les scénarios exemples incluent des négociations acheteur-vendeur, des protocoles de contrat en réseau et l'attribution de tâches. Un conteneur GUI pour agents aide à surveiller l'état d'exécution des agents et le flux de messages.

MultiAgentes offre une architecture modulaire pour définir des environnements et des agents, supportant des interactions multi-agent synchrones et asynchrones. Il comprend des classes de base pour les environnements et les agents, des scénarios prédéfinis pour des tâches coopératives et compétitives, des outils pour personnaliser les fonctions de récompense, et des API pour la communication entre agents et le partage d'observations. Les utilitaires de visualisation permettent une surveillance en temps réel des comportements des agents, tandis que les modules de journalisation enregistrent les métriques de performance pour analyse. Le framework s'intègre parfaitement avec les bibliothèques RL compatibles avec Gym, permettant aux utilisateurs d'entraîner des agents avec des algorithmes existants. MultiAgentes est conçu pour l'extensibilité, permettant aux développeurs d'ajouter de nouveaux modèles d'environnement, types d'agents et protocoles de communication adaptés à diverses applications de recherche et d'éducation.

MultiAgentSystems a été conçu pour simplifier le processus de construction et d’évaluation des applications d’apprentissage par renforcement multi-agent (MARL). La plateforme inclut des implémentations d’algorithmes de pointe tels que MADDPG, QMIX, VDN, ainsi que la formation centralisée avec une exécution décentralisée. Elle propose des wrappers d’environnement modulaires compatibles avec OpenAI Gym, des protocoles de communication pour l’interaction des agents et des utilitaires de journalisation pour suivre des métriques telles que la modulation des récompenses et les taux de convergence. Les chercheurs peuvent personnaliser l’architecture des agents, ajuster les hyperparamètres et simuler des scénarios comprenant la navigation coopérative, l’allocation de ressources et des jeux adverses. Avec un support intégré pour PyTorch, l’accélération GPU et l’intégration avec TensorBoard, MultiAgentSystems accélère l’expérimentation et la mise en place de benchmarks dans des domaines multi-agent collaboratifs et compétitifs.

OpenAgentSpec définit un ensemble complet de schémas JSON, d’interfaces API et de lignes directrices protocolaires pour les agents IA. Elle couvre l’enregistrement des agents, la déclaration de capacités, les formats de messages, la gestion d’événements, la gestion de mémoire et les mécanismes d'extension. En suivant cette norme, les organisations peuvent créer des agents communiquant de manière fiable entre eux et avec leur environnement hôte, ce qui réduit l’effort d’intégration et favorise un écosystème réutilisable de composants IA interopérables.

SuperSwarm est conçu pour orchestrer des flux de travail pilotés par l'IA en exploitant plusieurs agents spécialisés qui communiquent et collaborent en temps réel. Il supporte la décomposition dynamique des tâches, où un agent contrôleur principal divise des objectifs complexes en sous-tâches et les assigne à des agents experts. Les agents peuvent partager le contexte, échanger des messages et adapter leur approche en fonction des résultats intermédiaires. La plateforme offre un tableau de bord basé sur le web, une API RESTful et une CLI pour le déploiement et la surveillance. Les développeurs peuvent définir des rôles personnalisés, configurer des topologies de swarm et intégrer des outils externes via des plugins. SuperSwarm se scale horizontalement en utilisant l'orchestration de conteneurs, garantissant une performance robuste sous des charges de travail importantes. Les journaux, métriques et visualisations aident à optimiser les interactions des agents, ce qui le rend adapté à des tâches comme la recherche avancée, l'automatisation du support client, la génération de code et la prise de décision.

AgentMesh est un cadre axé sur les développeurs qui vous permet d’enregistrer des agents IA individuels et de les relier dans un réseau dynamique. Chaque agent peut se spécialiser dans une tâche spécifique — comme la stimulation LLM, la récupération ou une logique personnalisée — et AgentMesh gère le routage, l’équilibrage des charges, la gestion des erreurs et la télémétrie dans tout le réseau. Cela permet de construire des flux de travail complexes à plusieurs étapes, de chaîner des agents et d’étendre l’exécution horizontalement. Avec des transports modulaires, des sessions avec état et des crochets d’extensibilité, AgentMesh accélère la création de systèmes solides et distribués d’agents IA.

AgentSmith est un cadre modulaire d’orchestration d’agents en Python, permettant aux développeurs de définir, configurer et exécuter plusieurs agents IA en collaboration. Chaque agent peut se voir attribuer des rôles spécialisés — chercheur, planificateur, codeur ou réviseur — et communiquer via un bus de messages interne. AgentSmith supporte la gestion de mémoire via des magasins vectoriels comme FAISS ou Pinecone, la décomposition des tâches en sous-tâches et la supervision automatisée pour assurer l’atteinte des objectifs. Les agents et les pipelines sont configurés via des fichiers YAML lisibles par l’humain, et le framework s’intègre facilement avec les API OpenAI et des modèles LLM personnalisés. Il inclut la journalisation, la surveillance et la gestion des erreurs intégrées, ce qui en fait un outil idéal pour automatiser le développement logiciel, l’analyse de données et les systèmes de support à la décision.