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.

VillagerAgent fournit une boîte à outils complète pour la construction d'agents IA exploitant de grands modèles linguistiques. Au cœur, les développeurs définissent des interfaces d'outils modulaires, telles que recherche Web, récupération de données ou APIs personnalisées. Le framework gère la mémoire de l'agent en stockant le contexte de la conversation, les faits et l'état de la session pour des interactions multi-tours sans couture. Un système de templating de prompt flexible garantit une communication cohérente et un contrôle du comportement. Les fonctionnalités avancées incluent l'orchestration de plusieurs agents pour collaborer sur des tâches et la planification des opérations en arrière-plan. Écrit en Python, VillagerAgent supporte une installation facile via pip et s'intègre avec les fournisseurs LLM populaires. Que ce soit pour construire des bots de support client, des assistants de recherche ou des outils d'automatisation de workflows, VillagerAgent simplifie la conception, le test et le déploiement d'agents intelligents.

Agent-Baba offre une boîte à outils complète pour créer et gérer des agents IA autonomes adaptés à des tâches spécifiques. Il propose une architecture de plugins pour étendre les capacités, un système de mémoire pour conserver le contexte conversationnel, et une automatisation de flux de travail pour l'exécution séquentielle des tâches. Les développeurs peuvent intégrer des outils comme des scrapeurs web, des bases de données et des API personnalisées dans les agents. Le framework simplifie la configuration via des schémas déclaratifs YAML ou JSON, supporte la collaboration multi-agents, et fournit des tableaux de bord de surveillance pour suivre la performance et les logs des agents, permettant une amélioration itérative et un déploiement transparent dans différents environnements.

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.

AgentForge fournit un environnement structuré pour définir, combiner et orchestrer des compétences IA individuelles en agents autonomes cohésifs. Il supporte la mémoire de conversation pour la rétention de contexte, l'intégration de plugins pour services externes, la communication multi-agent, la planification des tâches et la gestion des erreurs. Les développeurs peuvent configurer des gestionnaires de compétences personnalisés, utiliser des modules intégrés pour la compréhension du langage naturel et s'intégrer avec des LLM populaires comme la série GPT d'OpenAI. La conception modulaire d'AgentForge accélère les cycles de développement, facilite les tests et simplifie le déploiement de chatbots, d'assistants virtuels, d'agents d'analyse de données et de robots d'automatisation spécifiques à un domaine.

Agentic-Systems est conçu pour simplifier le développement d'applications IA autonomes sophistiquées en proposant une architecture modulaire composée de composants agent, outil et mémoire. Les développeurs peuvent définir des outils personnalisés encapsulant des API externes ou des fonctions internes, tandis que les modules de mémoire conservent les informations contextuelles à travers les itérations des agents. Le moteur d’orchestration intégré planifie les tâches, résout les dépendances et gère les interactions multi-agent pour des flux de travail collaboratifs. En séparant la logique de l’agent des détails d’exécution, le cadre permet une expérimentation rapide, une mise à l’échelle facile et un contrôle précis du comportement de l’agent. Que ce soit pour prototyper des assistants de recherche, automatiser des pipelines de données ou déployer des agents d’aide à la décision, Agentic-Systems offre les abstractions et modèles nécessaires pour accélérer le développement de solutions IA de bout en bout.

Agentic Shared Memory fournit une solution robuste pour la gestion des données contextuelles dans des environnements multi-agents pilotés par l’IA. En utilisant des vecteurs d’intégration et des structures de données efficaces, il stocke des observations, décisions et transitions d’état des agents, permettant un accès et une mise à jour transparents du contexte. Les agents peuvent interroger la mémoire partagée pour accéder à des interactions passées ou à des connaissances globales, favorisant un comportement cohérent et une résolution collaborative de problèmes. La bibliothèque supporte une intégration plug-and-play avec des cadres IA populaires comme LangChain ou des orchestrateurs d’agents personnalisés, offrant des stratégies de rétention personnalisables, des fenêtres de contexte et des fonctions de recherche. En abstraisant la gestion de la mémoire, les développeurs peuvent se concentrer sur la logique de l’agent tout en assurant une gestion scalable et cohérente de la mémoire dans des déploiements distribués ou centralisés. Cela améliore la performance globale du système, réduit les calculs redondants et renforce l’intelligence des agents au fil du temps.

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.

CrewAI Studio est une plateforme basée sur le web qui permet aux développeurs de concevoir, visualiser et surveiller des workflows IA multi-agent. Les utilisateurs peuvent configurer les invites, la logique de chaîne, les réglages mémoire et les intégrations d’API externes de chaque agent via une toile graphique. Le studio se connecte à des bases de données vectorielles populaires, des fournisseurs LLM et des points d'extrémité de plugins. Il supporte le débogage en temps réel, le suivi de l’historique des conversations et un déploiement en un clic vers des environnements personnalisés, simplifiant la création d'assistants numériques puissants.

DSpy Agents est une boîte à outils Python open source qui simplifie la création d'agents IA autonomes. Elle offre une architecture modulaire pour assembler des agents avec des outils personnalisables pour le web scraping, l'analyse de documents, les requêtes à des bases de données et l'intégration de modèles linguistiques (OpenAI, Hugging Face). Les développeurs peuvent orchestrer des flux de travail complexes en utilisant des modèles d'agents préconstruits ou en définissant des ensembles d'outils personnalisés pour automatiser des tâches telles que la synthèse de recherches, le support client et les pipelines de données. Avec la gestion intégrée de la mémoire, la journalisation, la génération augmentée par récupération, la collaboration multi-agents et une déploiement facile via la containerisation ou des environnements sans serveur, DSpy Agents accélère le développement d'applications pilotées par agents sans code boilerplate.

La Communication Émergente chez les Agents est un cadre PyTorch open-source conçu pour les chercheurs explorant comment les systèmes multi-agent développent leurs propres protocoles de communication. La bibliothèque offre des implémentations flexibles de tâches d'apprentissage par renforcement coopératif, y compris des jeux référentiels, des jeux combinatoires et des défis d'identification d'objets. Les utilisateurs définissent des architectures d'agents locuteurs et auditeurs, spécifient les propriétés des canaux de message comme la taille du vocabulaire et la longueur de la séquence, et sélectionnent des stratégies d'entraînement telles que les gradients de politique ou l'apprentissage supervisé. Le cadre comprend des scripts de bout en bout pour exécuter des expériences, analyser l'efficacité de communication et visualiser les langues émergentes. Sa conception modulaire facilite l'extension avec de nouveaux environnements de jeu ou des fonctions de perte personnalisées. Les chercheurs peuvent reproduire des études publiées, benchmarker de nouveaux algorithmes et explorer la compositionnalité et la sémantique des langues d'agents émergents.

Le solveur NQueen basé sur GA utilise une architecture modulaire multi-agent 2APL où chaque agent encode une configuration candidate pour N-Reines. Les agents évaluent leur fitness en comptant le nombre de paires de reines non en attaque, puis partagent les configurations à haute fitness avec d'autres. Des opérateurs génétiques—sélection, crossover et mutation—sont appliqués à la population d'agents pour générer de nouvelles configurations candidates. Au fil des itérations, les agents convergent collectivement vers des solutions valides pour N-Reines. Le framework est implémenté en Java, supporte le réglage des paramètres de la population, du taux de crossover, de la probabilité de mutation et des protocoles de communication des agents, et fournit des journaux détaillés et des visualisations du processus évolutif.

GenWorlds est un cadre de développement AI conçu pour faciliter la création de systèmes multi-agents. En utilisant un cadre de communication basé sur des événements via websocket, il permet aux développeurs de mettre en place des environnements interactifs où des agents autonomes peuvent interagir de manière asynchrone entre eux et avec leur environnement. Ces agents collaborent, planifient des actions et exécutent collectivement des tâches complexes, faisant de GenWorlds une plateforme robuste pour créer des écosystèmes AI évolutifs et flexibles.

GPT-agents est un ensemble d'outils axé sur les développeurs qui simplifie la création et l'orchestration d'agents IA autonomes utilisant GPT. Il offre des classes d'agents intégrées, un système modulaire d'intégration d'outils et une gestion de mémoire persistante pour soutenir le contexte en cours. Le framework gère des boucles de planification conversationnelle et la collaboration multi-agents, permettant d’assigner des objectifs, de planifier des sous-tâches et de relier des agents pour des workflows complexes. Supporte des outils personnalisables, la sélection de modèles et la gestion des erreurs pour une automatisation robuste et scalable dans divers domaines.

LiteSwarm est un cadre complet d'orchestration d'agents IA conçu pour faciliter la collaboration entre plusieurs agents spécialisés. Les utilisateurs définissent des agents individuels avec des rôles distincts — tels que la récupération de données, l’analyse, la synthèse ou l’appel d’API externes — et les relient dans un flux de travail visuel. LiteSwarm gère la communication entre agents, le stockage mémoire persistant, la récupération d’erreurs et la journalisation. Il supporte l’intégration API, les extensions de code personnalisé et la surveillance en temps réel, permettant aux équipes de prototyper, tester et déployer des solutions multi-agents complexes sans overhead d'ingénierie important.

Swarms.ai offre une interface visuelle pour définir et connecter plusieurs agents IA en workflows intelligents. Chaque agent peut être configuré avec des rôles spécifiques, des sources de données et des intégrations API personnalisées. Les agents collaborent en partageant des messages, en déclenchant des actions et en partageant le contexte pour gérer des tâches complexes de bout en bout. La plateforme propose un contrôle d'accès basé sur les rôles, la gestion des versions et des analyses en temps réel pour monitorer la performance du swarm. Aucun codage n’est requis : les utilisateurs font glisser-déposer des composants, définissent des déclencheurs et relient des sorties pour concevoir des processus automatisés pour le support, les ventes, les opérations, etc.

Meta-Agent-with-More-Agents est un cadre extensible open-source qui implémente une architecture d'agent méta permettant à plusieurs sous-agents spécialisés de collaborer sur des tâches complexes. Il exploite LangChain pour l’orchestration des agents et les API OpenAI pour le traitement du langage naturel. Les développeurs peuvent définir des agents personnalisés pour des tâches telles que l’extraction de données, l’analyse de sentiments, la prise de décisions ou la génération de contenu. L’agent méta coordonne la décomposition des tâches, envoie les objectifs aux agents appropriés, collecte leurs résultats, et affine itérativement les résultats via des boucles de rétroaction. Son architecture modulaire supporte la traitement parallèle, la journalisation et la gestion des erreurs. Idéal pour automatiser des workflows à plusieurs étapes, des pipelines de recherche et des systèmes de support à la décision dynamique, il simplifie la construction de systèmes IA distribués robustes en abstrait la communication entre agents et la gestion de leur cycle de vie.

Multi-Agent-LLM est conçu pour simplifier l'orchestration de plusieurs agents IA alimentés par de grands modèles de langage. Les utilisateurs peuvent définir des agents individuels avec des personas uniques, un stockage mémoire et l'intégration d'outils ou API externes. Un AgentManager central gère les boucles de communication, permettant aux agents d'échanger des messages dans un environnement partagé et de progresser collectivement vers des objectifs complexes. Le framework supporte la permutation des fournisseurs LLM (par ex., OpenAI, Hugging Face), des modèles de prompt flexibles, des historiques de conversation et des contextes d'outils étape par étape. Les développeurs bénéficient d'utilitaires intégrés pour la journalisation, la gestion des erreurs et le spawning dynamique d'agents, ce qui permet une automatisation évolutive des flux de travail multi-étapes, des tâches de recherche et des pipelines de décision.