FMAS (Flexible Multi-Agent System) est une bibliothèque Python open-source pour construire, exécuter et visualiser des simulations multi-agents. Vous pouvez définir des agents avec une logique de décision personnalisée, configurer un modèle d'environnement, mettre en place des canaux de messagerie pour la communication et exécuter des simulations évolutives. FMAS fournit des hooks pour surveiller l'état des agents, déboguer les interactions et exporter les résultats. Son architecture modulaire supporte des plugins pour la visualisation, la collecte de métriques et l'intégration avec des sources de données externes, le rendant idéal pour la recherche, l'éducation et les prototypes réels de systèmes autonomes.

HMAS est un cadre open-source en Python permettant le développement de systèmes hiérarchiques multi-agents. Il offre des abstractions pour définir des hiérarchies d'agents, des protocoles de communication inter-agents, l'intégration d'environnements, et des boucles d'entraînement intégrées. Rechercheurs et développeurs peuvent utiliser HMAS pour prototyper des interactions complexes entre agents, entraîner des politiques coordonnées et évaluer la performance dans des environnements simulés. Son design modulaire facilite l'extension et la personnalisation des agents, environnements et stratégies d'entraînement.

Le MARL Simulator est conçu pour faciliter le développement efficace et scalable d'algorithmes d'apprentissage par renforcement multi-agent (MARL). En utilisant le backend distribué de PyTorch, il permet aux utilisateurs d'exécuter un entraînement parallèle sur plusieurs GPU ou nœuds, réduisant significativement la durée des expériences. Le simulateur offre une interface environnementale modulaire qui supporte des scénarios de référence standard — tels que la navigation collaborative, le prédateur-préy, et le monde en grille — ainsi que des environnements personnalisés. Les agents peuvent utiliser divers protocoles de communication pour coordonner leurs actions, partager des observations et synchroniser des récompenses. Les espaces de récompense et d’observation configurables permettent un contrôle précis de la dynamique d'entraînement, tandis que des outils de journalisation et de visualisation intégrés fournissent des aperçus en temps réel des métriques de performance.

MASlite offre une API claire pour créer des classes d'agents, enregistrer des comportements et gérer la messagerie basée sur des événements entre agents. Il inclut un ordonnanceur pour gérer les tâches des agents, une modélisation d'environnement pour simuler les interactions, et un système de plugins pour étendre les fonctionnalités principales. Les développeurs peuvent rapidement prototyper des scénarios multi-agents en Python en définissant des méthodes de cycle de vie des agents, en connectant des agents via des canaux et en exécutant des simulations en mode sans tête ou en intégrant des outils de visualisation.

MCP Crew AI est un cadre axé sur les développeurs qui simplifie la création et la coordination d'agents IA basés sur GPT dans des équipes collaboratives. En définissant des rôles d'agents gestionnaire, travailleur et moniteur, il automatise la délégation, l'exécution et la supervision des tâches. Le package offre une prise en charge intégrée de l'API OpenAI, une architecture modulaire pour les plugins d'agents personnalisés et une CLI pour exécuter et surveiller votre équipe. MCP Crew AI accélère le développement de systèmes multi-agents, facilitant la création de flux de travail évolutifs, transparents et maintenables basés sur l'IA.

Multi Agent Simulation offre une API flexible pour définir des classes d'agents avec des capteurs, actionneurs et logiques de décision personnalisés. Les utilisateurs configurent des environnements avec des obstacles, des ressources et des protocoles de communication, puis exécutent des boucles de simulation en étapes ou en temps réel. La journalisation intégrée, la planification d'événements et l'intégration avec Matplotlib aident à suivre les états des agents et à visualiser les résultats. La conception modulaire permet une extension facile avec de nouveaux comportements, environnements et optimisations de performance, ce qui en fait une solution idéale pour la recherche académique, l'éducation et le prototypage de scénarios multi-agents.

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.

Multi-Agents fournit un environnement structuré où différents agents d'IA—tels que planificateurs, exécuteurs et critiques—collaborent pour résoudre des tâches en plusieurs étapes. L’agent planificateur décompose les objectifs globaux en sous-tâches, l’agent exécuteur interagit avec des API ou outils externes pour effectuer chaque étape, et l’agent critique examine les résultats pour leur précision et cohérence. Les modules de mémoire permettent aux agents de stocker le contexte à travers les interactions, tandis qu’un système de messagerie assure une communication fluide. Le cadre est extensible, permettant aux utilisateurs d’ajouter des rôles personnalisés, d’intégrer des outils propriétaires ou de remplacer les backends LLM pour des cas d’usage spécialisés.

Multi-Agents System from Scratch fournit un ensemble complet de modules Python pour construire, personnaliser et évaluer des environnements multi-agents depuis le début. Les utilisateurs peuvent définir des modèles du monde, créer des classes d'agents avec des sens uniques et des capacités d'action, ainsi que mettre en place des protocoles de communication flexibles pour la coopération ou la compétition. Le framework prend en charge l'attribution dynamique des tâches, les modules de planification stratégique et le suivi des performances en temps réel. Son architecture modulaire permet une intégration facile d'algorithmes personnalisés, de fonctions de récompense et de mécanismes d'apprentissage. Avec des outils de visualisation et des utilitaires de journalisation intégrés, les développeurs peuvent surveiller les interactions des agents et diagnostiquer les motifs de comportement. Conçu pour l'extensibilité et la clarté, le système s'adresse aussi bien aux chercheurs explorant l'IA distribuée qu'aux éducateurs enseignant la modélisation par agents.

Le cadre Multi-Agent AI fournit une solution complète pour orchestrer plusieurs agents autonomes dans des environnements cloud. Il exploite la base de données Neon compatible Postgres pour stocker l'historique des conversations et l'état des agents, Azure Functions pour exécuter la logique des agents à grande échelle, et les APIs OpenAI pour la compréhension et la génération de langage naturel. Des files d'attente de messages intégrées et des comportements basés sur les rôles permettent aux agents de collaborer sur des tâches telles que la recherche, la planification, le support client et l'analyse de données. Les développeurs peuvent personnaliser les politiques des agents, les règles de mémoire et les workflows pour répondre à divers besoins métier.

JADE est un framework d'agents basé sur Java qui permet aux développeurs de créer, déployer et gérer plusieurs agents logiciels autonomes dans des environnements distribués. Chaque agent fonctionne dans un conteneur, communique via le langage de communication d'agents conforme à FIPA (ACL) et peut enregistrer des services auprès d'un facilitateur de répertoire pour la découverte. Les agents exécutent des comportements prédéfinis ou des tâches dynamiques et peuvent migrer entre les conteneurs en utilisant l'invocation de méthode distante (RMI). JADE prend en charge la définition d'ontologies pour un contenu de message structuré et fournit des outils graphiques pour la surveillance de l'état des agents et des échanges de messages. Son architecture modulaire permet l'intégration avec des services externes, des bases de données et des interfaces REST, ce qui le rend adapté pour le développement de simulations, orchestrations IoT, systèmes de négociation, et plus encore. La extensibilité du framework et la conformité aux normes industrielles facilitent la mise en œuvre de systèmes multi-agents complexes.

Multiagent_system offre une boîte à outils complète pour construire et gérer des environnements multi-agents. Les utilisateurs peuvent définir des scénarios de simulation personnalisés, spécifier les comportements des agents, et utiliser des algorithmes pré-implémentés tels que DQN, PPO et MADDPG. Le framework supporte un entraînement synchrone et asynchrone, permettant aux agents d'interagir simultanément ou en mode tour par tour. Les modules de communication intégrés facilitent l'échange de messages entre agents pour des stratégies coopératives. La configuration des expériences est simplifiée via des fichiers YAML, et les résultats sont automatiquement enregistrés au format CSV ou dans TensorBoard. Les scripts de visualisation aident à interpréter les trajectoires des agents, l'évolution des récompenses et les patterns de communication. Conçu pour la recherche et la production, Multiagent_system évolue sans effort de prototypes sur machine unique à un entraînement distribué sur des clusters GPU.

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.

MultiAgentPuzzleSolver fournit un environnement modulaire où des agents d’IA indépendants travaillent ensemble pour résoudre des énigmes telles que les puzzles à glissières, la Cube de Rubik, et les grilles logiques. Les agents partagent des informations d’état, négocient des affectations de sous-tâches, et appliquent diverses heuristiques pour explorer l’espace de solutions plus efficacement que les approches à un seul agent. Les développeurs peuvent ajouter de nouveaux comportements d’agents, personnaliser les protocoles de communication, et introduire de nouvelles définitions d’énigmes. Le cadre inclut des outils pour la visualisation en temps réel, la collecte de métriques de performance, et la scripting d’expériences. Il supporte Python 3.8+, les bibliothèques standard, et des outils ML populaires pour une intégration transparente dans les projets de recherche.

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.

OpenAI Agent Swarm est un framework modulaire conçu pour rationaliser la coordination de plusieurs agents alimentés par GPT dans diverses tâches. Chaque agent fonctionne de manière indépendante avec des prompts et des définitions de rôles personnalisables, tandis que le cœur de Swarm gère le cycle de vie de l'agent, la transmission de messages et la planification des tâches. La plateforme inclut des outils pour définir des flux de travail complexes, surveiller les interactions des agents en temps réel et agréger les résultats dans des sorties cohérentes. En répartissant les charges de travail entre des agents spécialisés, les utilisateurs peuvent aborder des scénarios de résolution de problèmes complexes, de la génération de contenu à l'analyse de recherche, en passant par le débogage automatisé et le résumé de données. OpenAI Agent Swarm s'intègre parfaitement à l'API d'OpenAI, permettant aux développeurs de déployer rapidement des systèmes multi-agents sans construire d'infrastructure d'orchestration à partir de zéro.

VacuumWorld est une plateforme de simulation open-source conçue pour faciliter le développement et l'évaluation d'algorithmes d'apprentissage par renforcement multi-agents. Elle fournit des environnements basés sur une grille où des agents aspirateurs virtuels opèrent pour détecter et éliminer la saleté dans différents agencements personnalisables. Les utilisateurs peuvent ajuster des paramètres tels que la taille de la grille, la distribution de la saleté, le bruit de mouvement stochastique et les structures de récompense pour modéliser divers scénarios. Le cadre inclut un support intégré pour les protocoles de communication entre agents, des tableaux de visualisation en temps réel et des utilitaires de journalisation pour le suivi des performances. Avec des API Python simples, les chercheurs peuvent rapidement intégrer leurs algorithmes RL, comparer des stratégies coopératives ou compétitives, et réaliser des expériences reproductibles, rendant VacuumWorld idéal pour la recherche académique et l'enseignement.

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.