NeuralABM est une bibliothèque open-source en Python qui exploite PyTorch pour intégrer des réseaux neuronaux dans la modélisation basée sur des agents. Les utilisateurs peuvent spécifier des architectures d'agents sous forme de modules neuronaux, définir la dynamique de l'environnement et entraîner le comportement des agents via la rétro-propagation sur les étapes de simulation. Le framework supporte des signaux de récompense personnalisés, l'apprentissage par curriculum, ainsi que des mises à jour synchrones ou asynchrones, permettant d'étudier des phénomènes émergents. Avec des utilitaires pour la journalisation, la visualisation et l'exportation de jeux de données, chercheurs et développeurs peuvent analyser la performance des agents, déboguer les modèles et itérer sur la conception des simulations. NeuralABM facilite la combinaison de l'apprentissage par renforcement avec l'ABM pour des applications en sciences sociales, économie, robotique et comportements NPC pilotés par IA dans les jeux. Il fournit des composants modulaires pour la personnalisation de l'environnement, supporte les interactions multi-agents, et offre des hooks pour intégrer des jeux de données ou API externes pour des simulations du monde réel. La conception ouverte favorise la reproductibilité et la collaboration via une configuration claire des expériences et une intégration du contrôle de version.

LightJason Benchmark propose un ensemble complet de scénarios prédéfinis et personnalisables pour tester et évaluer en stress les applications multi-agents construites sur le framework LightJason. Les utilisateurs peuvent configurer le nombre d'agents, les schémas de communication et les paramètres environnementaux pour simuler des charges de travail réelles et analyser le comportement du système. Les benchmarks collectent des métriques telles que le débit des messages, les temps de réponse des agents, la consommation CPU et mémoire, en exportant les résultats en formats CSV et graphiques. Son intégration avec JUnit permet une inclusion transparente dans les pipelines de tests automatisés, rendant possible des tests de régression et de performance dans le cadre de workflows CI/CD. Avec des réglages ajustables et des modèles de scénarios extensibles, la suite aide à repérer les goulots d'étranglement, valider les affirmations de scalabilité et guider les optimisations architecturales pour des systèmes multi-agents performants et résilients.