Patrolling-Zoo offre un cadre flexible permettant aux utilisateurs de créer et d'expérimenter avec des tâches de patrouille multi-agent en Python. La bibliothèque inclut une variété d'environnements basés sur des grilles et des graphes, simulant des scénarios de surveillance, de contrôle et de couverture. Les utilisateurs peuvent configurer le nombre d'agents, la taille de la carte, la topologie, les fonctions de récompense et les espaces d'observation. Grâce à la compatibilité avec PettingZoo et les API Gym, elle supporte une intégration transparente avec des algorithmes populaires d'apprentissage par renforcement. Cet environnement facilite le benchmarking et la comparaison des techniques MARL sous des paramètres cohérents. En fournissant des scénarios standard et des outils pour en créer de nouveaux, Patrolling-Zoo accélère la recherche en robotique autonome, surveillance de sécurité, opérations de recherche et sauvetage, et couverture efficace des zones en utilisant des stratégies de coordination multi-agents.

A2A (Architecture Agent-à-Agent) est un cadre open-source de Google permettant le développement et le fonctionnement d'agents IA distribués travaillant ensemble. Il offre des composants modulaires pour définir les rôles des agents, les canaux de communication et la mémoire partagée. Les développeurs peuvent intégrer divers fournisseurs LLM, personnaliser le comportement des agents et orchestrer des flux de travail à plusieurs étapes. A2A inclut une surveillance intégrée, une gestion des erreurs et des capacités de lecture pour tracer les interactions entre agents. En fournissant un protocole standardisé pour la découverte des agents, le passage de messages et l'attribution des tâches, A2A simplifie les modèles de coordination complexes et améliore la fiabilité lors de la mise à l'échelle d'applications basées sur des agents dans divers environnements.

AI-Agents offre une architecture modulaire pour définir et exécuter des agents IA basés sur Python. Les développeurs peuvent configurer le comportement des agents, intégrer des API ou outils externes, et gérer la mémoire des agents sur plusieurs sessions. Il exploite des LLMs populaires, supporte la collaboration multi-agents, et permet des extensions via plugins pour des workflows complexes comme l'analyse de données, le support automatisé et les assistants personnalisés.

Agents with ADK est un cadre Python open-source conçu pour simplifier la création d'agents intelligents alimentés par de grands modèles de langage. Il comprend des modèles d'agents modulaires, une gestion mémoire intégrée, des interfaces d'exécution d'outils et des capacités de coordination multi-agent. Les développeurs peuvent rapidement intégrer des fonctions personnalisées ou des API externes, configurer des chaînes de planification et de raisonnement, et surveiller les interactions des agents. Le cadre prend en charge l'intégration avec des fournisseurs LLM populaires et offre des fonctionnalités de journalisation, de logique de nouvelle tentative et d'extensibilité pour le déploiement en production.

CArtAgO (Common ARTifact Infrastructure for AGents Open environments) est un cadre léger et extensible pour implémenter des infrastructures environnementales dans des systèmes multi-agent. Il introduit le concept d’artefacts : entités de première classe représentant des ressources environnementales avec des opérations définies, des propriétés observables et des interfaces d’événements. Les développeurs définissent des types d’artefacts en Java, les enregistrent dans des classes d’environnement, et exposent des opérations et des événements pour la consommation par les agents. Les agents interagissent avec les artefacts en utilisant des actions standards (par ex., createArtifact, observe), reçoivent des notifications asynchrones de changements d’état, et se coordonnent via des ressources partagées. CArtAgO s’intègre facilement aux plateformes d’agents telles que Jason, JaCaMo, JADE, et Spring Agent, permettant le développement de systèmes hybrides. Le cadre offre une prise en charge intégrée pour la documentation des artefacts, le chargement dynamique et la surveillance à l’exécution, facilitant le prototypage rapide d’applications basées sur des agents complexes.

L'environnement de recherche coopérative fournit un environnement d'apprentissage par renforcement multi-agent flexible et compatible gym, adapté aux tâches de recherche coopérative dans des espaces en grille discrète et en espace continu. Les agents fonctionnent sous observabilité partielle et peuvent partager des informations en fonction de topologies de communication personnalisables. Le cadre supporte des scénarios prédéfinis tels que recherche et sauvetage, suivi de cibles dynamiques, et cartographie collaborative, avec des API pour définir des environnements et des structures de récompense personnalisés. Il s'intègre parfaitement avec des bibliothèques RL populaires comme Stable Baselines3 et Ray RLlib, inclut des utilitaires de journalisation pour l’analyse des performances, et offre des outils de visualisation en temps réel. Les chercheurs peuvent ajuster la taille de la grille, le nombre d'agents, la portée des capteurs et les mécanismes de partage des récompenses pour évaluer efficacement les stratégies de coordination et benchmarker de nouveaux algorithmes.

Halite II est un cadre open-source pour défis qui organise des matchs stratégiques au tour par tour entre bots écrits par l'utilisateur. Chaque tour, les agents reçoivent un état de la carte, émettent des commandes de déplacement et d'attaque, et concourent pour contrôler le plus de territoire. La plateforme inclut un serveur de jeu, un analyseur de carte et un outil de visualisation. Les développeurs peuvent tester localement, affiner leurs heuristiques, optimiser la performance sous contrainte de temps et soumettre leur bot à un tableau de classement en ligne. Le système supporte l'amélioration itérative des bots, la coopération multi-agents et la recherche de stratégies dans un environnement standardisé.

OpenAI Agents MCP Server fournit une base solide pour déployer et gérer des agents autonomes alimentés par des modèles OpenAI. Il expose une API RESTful flexible pour créer, configurer et contrôler des agents, permettant aux développeurs d'orchestrer des tâches multi-étapes, de coordonner les interactions entre agents et de maintenir une mémoire persistante entre les sessions. Le framework prend en charge les intégrations d'outils de type plugin, une journalisation avancée des conversations et des stratégies de planification personnalisables. En abstraisant les préoccupations de l'infrastructure, MCP Server rationalise le processus de développement, facilitant la création rapide de prototypes et la mise en production évolutive d'assistants conversationnels, d'automations de workflows et de travailleurs numériques pilotés par IA.

Shepherding est un cadre de simulation open-source conçu pour les chercheurs et développeurs en apprentissage par renforcement afin d'étudier et d'implémenter des tâches de bergerie multi-agents. Il fournit un environnement compatible Gym où les agents peuvent apprendre à effectuer des comportements tels que faire le tour, collecter et disperser des groupes cibles dans des espaces continus ou discrets. Le cadre comprend des fonctions modulaires pour le façonnage de récompenses, la paramétrisation de l'environnement et des utilitaires de journalisation pour surveiller les performances d'entraînement. Les utilisateurs peuvent définir des obstacles, des populations d'agents dynamiques et des politiques personnalisées en utilisant TensorFlow ou PyTorch. Les scripts de visualisation génèrent des tracés de trajectoires et des enregistrements vidéo des interactions des agents. La conception modulaire de Shepherding permet une intégration transparente avec les bibliothèques RL existantes, facilitant la reproductibilité des expériences, le benchmarking de stratégies de coordination innovantes et le prototypage rapide de solutions de bergerie basées sur l'IA.

CommNet est une bibliothèque orientée recherche qui implémente l'architecture CommNet, permettant à plusieurs agents de partager des états cachés à chaque étape et d'apprendre à coordonner leurs actions dans des environnements coopératifs. Elle inclut des définitions de modèles PyTorch, des scripts d'entraînement et d'évaluation, des wrappers d'environnement pour OpenAI Gym et des utilitaires pour personnaliser les canaux de communication, le nombre d'agents et la profondeur du réseau. Chercheurs et développeurs peuvent utiliser CommNet pour prototyper et benchmarker des stratégies de communication inter-agent sur des tâches de navigation, de poursuite–évasion et de collecte de ressources.

ePH-MAPF fournit un pipeline efficace pour calculer des chemins sans collision pour des dizaines à des centaines d'agents sur des cartes basées sur une grille. Il utilise des heuristiques prioritaires, des techniques de recherche incrémentielle et des métriques de coût personnalisables (Manhattan, Euclidéenne) pour équilibrer rapidité et qualité de la solution. Les utilisateurs peuvent choisir parmi différentes fonctions heuristiques, intégrer la bibliothèque dans des systèmes robotiques Python, et benchmarker la performance sur des scénarios MAPF standards. Le code est modulaire et bien documenté, permettant aux chercheurs et développeurs de l’étendre pour des obstacles dynamiques ou des environnements spécialisés.

MAGAIL implémente une extension multi-agent de l'apprentissage par imitation adversariale générative, permettant à des groupes d'agents d'apprendre des comportements coordonnés à partir de démonstrations d'experts. Construit en Python avec support pour PyTorch (ou variantes TensorFlow), MAGAIL se compose de modules de politiques (générateur) et de discriminateurs, entraînés en boucle antagoniste. Les agents génèrent des trajectoires dans des environnements tels que OpenAI Multi-Agent Particle Environment ou PettingZoo, que le discriminateur utilise pour évaluer leur authenticité par rapport aux données d'experts. Par des mises à jour itératives, les réseaux de politiques convergent vers des stratégies proches de celles des experts sans fonctions de récompense explicites. La conception modulaire de MAGAIL permet de personnaliser les architectures de réseau, l’ingestion de données d’experts, l’intégration avec l’environnement et les hyperparamètres d'entraînement. De plus, la journalisation intégrée et la visualisation avec TensorBoard facilitent la surveillance et l’analyse des progrès d'apprentissage multi-agent et des comparateurs de performance.