Ce dépôt implémente la communication émergente dans l'apprentissage par renforcement multi-agent avec PyTorch. Les utilisateurs peuvent configurer des réseaux neuronaux pour l'émetteur et le récepteur afin de jouer à des jeux référentiels ou à une navigation coopérative, encourageant les agents à développer un canal de communication discret ou continu. Il fournit des scripts pour l'entraînement, l'évaluation et la visualisation des protocoles appris, ainsi que des utilitaires pour la création d'environnements, le codage et le décodage des messages. Les chercheurs peuvent l'étendre avec des tâches personnalisées, modifier les architectures de réseau et analyser l'efficacité des protocoles, favorisant des expérimentations rapides dans la communication d'agents émergents.

MACL est un cadre Python modulaire conçu pour simplifier la création et l'orchestration de multiples agents IA. Il vous permet de définir des agents individuels avec des compétences personnalisées, de configurer des canaux de communication et de planifier des tâches sur un réseau d'agents. Les agents peuvent échanger des messages, négocier des responsabilités et s'adapter dynamiquement en fonction des données partagées. Avec une prise en charge intégrée des LLM populaires et un système de plugins pour extensibilité, MACL permet des flux de travail IA évolutifs et faciles à maintenir dans des domaines tels que l'automatisation du service client, les pipelines d'analyse de données et les environnements de simulation.

Agent-FLAN est conçu pour simplifier la création d'applications sophistiquées pilotées par des agents IA en segmentant les tâches en rôles de planification et d'exécution. Les utilisateurs définissent le comportement des agents et les workflows via des fichiers de configuration, en précisant les formats d'entrée, les interfaces d'outils et les protocoles de communication. L'agent de planification génère des plans de tâches de haut niveau, tandis que les agents d'exécution réalisent des actions spécifiques, telles que l'appel d'API, le traitement de données ou la génération de contenu avec de grands modèles linguistiques. L'architecture modulaire d'Agent-FLAN supporte des adaptateurs d'outils plug-and-play, des modèles de prompts personnalisés, et des tableaux de bord de surveillance en temps réel. Il s'intègre de façon transparente avec des fournisseurs LLM populaires tels qu'OpenAI, Anthropic et Hugging Face, permettant aux développeurs de prototyper, tester et déployer rapidement des workflows multi-agents pour des scénarios tels que assistants de recherche automatisés, pipelines de génération de contenu dynamique et automatisation des processus d'entreprise.

AWS Bedrock Multi-Agent Blueprint offre un cadre modulaire pour implémenter une architecture multi-agent sur AWS Bedrock. Il inclut un exemple de code pour définir les rôles d'agents — planificateur, chercheur, exécuteur et évaluateur — qui collaborent via des files d'attente de messages partagées. Chaque agent peut invoquer différents modèles Bedrock avec des invites personnalisées et transmettre des sorties intermédiaires aux agents suivants. La journalisation intégrée avec CloudWatch, les modèles de gestion des erreurs et la prise en charge de l'exécution synchrone ou asynchrone illustrent comment gérer la sélection de modèles, les tâches par lots et l'orchestration de bout en bout. Les développeurs clonant le dépôt, configurent les rôles IAM AWS et les points de terminaison Bedrock, puis déploient via CloudFormation ou CDK. Le design open source encourage l'extension des rôles, la mise à l'échelle des agents par tâche, et l'intégration avec S3, Lambda et Step Functions.

Swarms World propose une interface unifiée pour concevoir des systèmes multi-agents, permettant aux utilisateurs de définir des rôles, des protocoles de communication et des flux de travail visuellement ou via du code. Les agents peuvent collaborer, déléguer des sous-tâches et agréger les résultats en temps réel. La plateforme supporte les déploiements sur site, cloud et Edge, avec une journalisation intégrée, des métriques de performance et une mise à l'échelle automatique. Un marché décentralisé permet aux utilisateurs de découvrir, partager et monétiser des modules d'agents. Avec le support des LLMs, API et modèles personnalisés, Swarms World accélère le développement d'automatisations IA robustes et d'entreprise à grande échelle.

Swarms.rs est le runtime principal en Rust pour exécuter des programmes d'agents IA basés sur des essaims. Il comprend un système modulaire de plugins pour intégrer une logique personnalisée ou des modèles IA, une couche de passage de messages pour la communication p2p, et un exécuteur asynchrone pour planifier les comportements des agents. Ces composants permettent aux développeurs de concevoir, déployer et faire évoluer des réseaux complexes d'agents décentralisés pour la simulation, l'automatisation et la collaboration multi-agents.

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.

SwarmZero offre un environnement open-source évolutif pour définir, gérer et exécuter des essaims d'agents IA. Les développeurs peuvent déclarer des rôles d'agents, personnaliser des invites et chaîner des workflows via une API d'orchestrateur unifiée. Le framework s'intègre aux principaux fournisseurs de LLM, supporte des extensions de plugins et enregistre les données de session pour le débogage et l'analyse de performance. Que ce soit pour coordonner des bots de recherche, des créateurs de contenu ou des analyseurs de données, SwarmZero rationalise la collaboration multi-agent et garantit des résultats reproductibles et transparents.

Multi-Agent est une boîte à outils pour développeurs qui vous aide à construire et orchestrer plusieurs agents IA s’exécutant en parallèle. Chaque agent conserve son propre stockage de mémoire, sa configuration de prompt et sa file d’attente de messages. Vous pouvez définir des comportements personnalisés, mettre en place des canaux de communication entre agents et déléguer automatiquement des tâches en fonction des rôles des agents. Il exploite l’API Chat d’OpenAI pour la compréhension et la génération linguistique, tout en fournissant des composants modulaires pour l’orchestration de flux de travail, la journalisation et la gestion des erreurs. Cela permet de créer des agents spécialisés — tels que des assistants de recherche, des processeurs de données ou des bots de support client — qui travaillent ensemble sur des tâches complexes.

Multi-Agent-AI-Dynamic-Interaction offre un environnement flexible pour concevoir, configurer et exécuter des systèmes composés de multiples agents IA autonomes. Chaque agent peut se voir attribuer des rôles, objectifs et protocoles de communication spécifiques. Le framework gère le passage des messages, le contexte de conversation ainsi que les interactions séquentielles ou parallèles. Il supporte l’intégration avec OpenAI GPT, d’autres API LLM et des modules personnalisés. Les utilisateurs définissent des scénarios via YAML ou scripts Python, en spécifiant les détails des agents, les étapes du flux de travail et les critères d’arrêt. Le système enregistre toutes les interactions pour le débogage et l’analyse, permettant un contrôle précis du comportement des agents pour des expériences en collaboration, négociation, prise de décision et résolution de problèmes complexes.

Multiagent-Prediction-Reward est un cadre orienté recherche qui intègre des modèles de prédiction et des mécanismes de distribution des récompenses pour l'apprentissage par renforcement multi-agent. Il comprend des wrappers pour l'environnement, des modules neuronaux pour prévoir les actions des pairs, et une logique de routage des récompenses personnalisable, qui s'adapte aux performances des agents. Le dépôt fournit des fichiers de configuration, scripts d'exemples et tableaux de bord d’évaluation pour exécuter des expériences sur des tâches coopératives. Les utilisateurs peuvent étendre le code pour tester de nouvelles fonctions de récompense, intégrer de nouveaux environnements et benchmarker contre des algorithmes RL multi-agent établis.

RoboCup Rescue Agent Simulation est un cadre open-source qui modélise des environnements urbains de catastrophe où plusieurs agents pilotés par IA collaborent pour localiser et sauver des victimes. Il propose des interfaces pour la navigation, la cartographie, la communication et l’intégration de capteurs. Les utilisateurs peuvent écrire des stratégies d’agents personnalisées, exécuter des expériences par lot, et visualiser les indicateurs de performance des agents. La plateforme supporte la configuration des scénarios, la journalisation et l’analyse des résultats pour accélérer la recherche dans les systèmes multi-agents et les algorithmes de réponse aux catastrophes.