LLM-Blender-Agent permet aux développeurs de construire des systèmes d'IA modulaires multi-agent en intégrant les LLM dans des agents collaboratifs. Chaque agent peut accéder à des outils tels que l'exécution Python, le scraping web, les bases de données SQL et les API externes. Le framework gère la mémoire des conversations, le raisonnement étape par étape et l'orchestration des outils, permettant des tâches telles que la génération de rapports, l'analyse de données, la recherche automatisée et l'automatisation des flux de travail. Basé sur LangChain, il est léger, extensible et compatible avec GPT-3.5, GPT-4 et d'autres LLMs.

L'analyse boursière multi-agent est un framework open-source déployant plusieurs agents IA spécialisés—DataCollector, SentimentAnalyst, Predictor et Reporter—pour rationaliser la recherche boursière de bout en bout. L'agent DataCollector récupère les prix en temps réel et les actualités financières. L'agent SentimentAnalyst traite les articles de presse pour jauger le sentiment du marché. Le Predictor utilise des modèles d'apprentissage automatique pour prévoir les mouvements futurs des actions. Enfin, le Reporter construit des résumés détaillés et des visualisations. Son architecture modulaire facilite la personnalisation pour différents actifs, modèles et formats de rapport.

Autonomys Agents permet aux développeurs de créer des agents IA autonomes capables d’exécuter des tâches complexes sans intervention manuelle. Basé sur Python, le framework fournit des outils pour définir le comportement des agents, intégrer des API externes et des fonctions personnalisées, et maintenir une mémoire conversationnelle tout au long des interactions. Les agents peuvent collaborer dans des configurations multi-agents, partager des connaissances et coordonner leurs actions. Les modules d’observabilité offrent des journaux en temps réel, le suivi de la performance et des insights pour le débogage. Avec son architecture modulaire, les équipes peuvent étendre les composants principaux, intégrer de nouveaux LLM et déployer des agents dans différents environnements. Que ce soit pour automatiser le support client, effectuer des analyses de données ou orchestrer des workflows de recherche, Autonomys Agents simplifie le développement et la gestion de systèmes intelligents autonomes de bout en bout.

DEf-MARL (Cadre d'exécution décentralisé pour l'apprentissage par renforcement multi-agents) fournit une infrastructure robuste pour exécuter et former des agents coopératifs sans contrôleurs centralisés. Il exploite des protocoles de communication peer-to-peer pour partager les politiques et observations entre agents, permettant une coordination par interactions locales. Le cadre s'intègre parfaitement avec des outils RL courants tels que PyTorch et TensorFlow, offrant des wrappers d'environnement personnalisables, la collecte distribuée de rollouts et des modules de synchronisation de gradients. Les utilisateurs peuvent définir des espaces d'observation, des fonctions de récompense et des topologies de communication spécifiques à chaque agent. DEf-MARL supporte l'ajout et la suppression dynamiques d'agents en cours d'exécution, une exécution tolérante aux fautes en répliquant des états critiques sur les nœuds, et une planification de communication adaptative pour équilibrer exploration et exploitation. Il accélère la formation par la parallélisation des simulations d'environnements et la réduction des goulets d'étranglement centraux, ce qui le rend adapté à la recherche MARL à grande échelle et aux simulations industrielles.