Ce dépôt propose un cadre multi-agents personnalisable simulant un centre d'appel de taxi. Il définit des agents IA distincts : CustomerAgent pour demander des courses, DispatchAgent pour choisir des conducteurs en fonction de la proximité, DriverAgent pour confirmer les affectations et mettre à jour les statuts, et NotificationAgent pour la facturation et les messages. Les agents interagissent via une boucle orchestratrice utilisant des appels GPT d'OpenAI et la mémoire, permettant un dialogue asynchrone, la gestion des erreurs et la journalisation. Les développeurs peuvent étendre ou adapter les invites des agents, intégrer des systèmes en temps réel, et prototyper des workflows de service client et de dispatch alimentés par l'IA.

Le Framework de Simulation d'Agents LLM permet la conception, l'exécution et l'analyse d'environnements simulés où des agents autonomes interagissent via de grands modèles de langage. Les utilisateurs peuvent enregistrer plusieurs instances d'agents, assigner des invites et rôles personnalisables, et spécifier des canaux de communication tels que la transmission de messages ou un état partagé. Le framework orchestre les cycles de simulation, collecte des journaux et calcule des métriques comme la fréquence de passage de tour, la latence de réponse et les taux de succès. Il supporte une intégration transparente avec OpenAI, Hugging Face et des LLM locaux. Les chercheurs peuvent créer des scénarios complexes — négociation, allocation de ressources ou résolution collaborative de problèmes — pour observer des comportements émergents. Une architecture de plugins extensible permet d’ajouter de nouveaux comportements d'agents, contraintes environnementales ou modules de visualisation, favorisant des expériences reproductibles.

AgenticIR (Agentic Information Retrieval) offre un cadre modulaire où des agents alimentés par des LLM planifient et exécutent de manière autonome des flux de travail IR. Il permet de définir des rôles d'agents — tels que générateur de requêtes, récupérateur de documents et résumé —, qui s'exécutent dans des séquences personnalisables. Les agents peuvent récupérer du texte brut, affiner leurs requêtes en fonction des résultats intermédiaires, et fusionner les passages extraits en résumés concis. Le cadre supporte des pipelines multi-étapes incluant la recherche web itérative, l’ingestion de données via API, et l’analyse locale de documents. Les développeurs peuvent ajuster les paramètres des agents, intégrer différents LLM, et affiner les politiques de comportement. AgenticIR offre aussi la journalisation, la gestion des erreurs et l’exécution parallèle des agents pour accélérer la collecte d’informations à grande échelle. Avec une configuration minimale, chercheurs et ingénieurs peuvent prototyper et déployer des systèmes de récupération autonomes.

AgentFarm fournit un cadre complet pour coordonner divers agents IA dans un système unifié. Les utilisateurs peuvent script des comportements d'agents spécialisés en Python, attribuer des rôles (gestionnaire, travailleur, analyste) et établir des files d'attente pour le traitement parallèle. Il s'intègre parfaitement aux principaux services LLM (OpenAI, Azure OpenAI), permettant un routage dynamique des prompts et une sélection de modèles. Le tableau de bord intégré suit l'état des agents, enregistre les interactions et visualise les performances du workflow. Avec des plugins modulaires pour des API personnalisées, les développeurs peuvent étendre la fonctionnalité, automatiser la gestion des erreurs et surveiller l'utilisation des ressources. Idéal pour déployer des pipelines multi-étapes, AgentFarm améliore la fiabilité, la scalabilité et la maintenabilité dans l'automatisation pilotée par l'IA.

AI-Creator fournit une architecture flexible pour créer des agents IA capables d'exécuter des tâches, d'interagir via le langage naturel et de tirer parti d'outils externes. Il comprend des modules pour la gestion des invites, le raisonnement en chaîne, la mémoire de session et des pipelines personnalisables. Les développeurs peuvent définir le comportement des agents à l'aide de JSON simples ou de configurations de code, intégrer des APIs et des bases de données en tant qu'outils, et déployer des agents en tant que services web ou applications CLI. Le cadre supporte l'extensibilité et la modularité, ce qui le rend idéal pour le prototypage de chatbots, assistants virtuels et travailleurs numériques spécialisés.

Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.