AgentSmith est un cadre modulaire d’orchestration d’agents en Python, permettant aux développeurs de définir, configurer et exécuter plusieurs agents IA en collaboration. Chaque agent peut se voir attribuer des rôles spécialisés — chercheur, planificateur, codeur ou réviseur — et communiquer via un bus de messages interne. AgentSmith supporte la gestion de mémoire via des magasins vectoriels comme FAISS ou Pinecone, la décomposition des tâches en sous-tâches et la supervision automatisée pour assurer l’atteinte des objectifs. Les agents et les pipelines sont configurés via des fichiers YAML lisibles par l’humain, et le framework s’intègre facilement avec les API OpenAI et des modèles LLM personnalisés. Il inclut la journalisation, la surveillance et la gestion des erreurs intégrées, ce qui en fait un outil idéal pour automatiser le développement logiciel, l’analyse de données et les systèmes de support à la décision.

Ce dépôt regroupe une collection complète de composants de systèmes multi-agent et de techniques de coordination IA distribuée. Il offre des implémentations d'algorithmes de consensus, de protocoles de négociation Contract-Net, d'attribution de tâches basée sur des enchères, de stratégies de formation de coalitions et de cadres de communication inter-agent. Les utilisateurs peuvent exploiter des environnements de simulation intégrés pour modéliser et tester le comportement des agents sous diverses topologies de réseau, scénarios de latence et modes de défaillance. La conception modulaire permet aux développeurs et chercheurs d'intégrer, d'étendre ou de personnaliser des modules de coordination individuels pour des applications dans les essaims de robotique, la collaboration entre dispositifs IoT, les réseaux électriques intelligents et la prise de décision distribuée.

DeepMind MAS Environment est une bibliothèque Python fournissant une interface standardisée pour construire et simuler des tâches d'apprentissage par renforcement multi-agent. Elle permet aux utilisateurs de configurer le nombre d'agents, de définir les espaces d'observation et d'action, et de personnaliser les structures de récompense. Le framework supporte les canaux de communication entre agents, la journalisation des performances et les capacités de rendu. Les chercheurs peuvent intégrer sans problème DeepMind MAS Environment avec des bibliothèques RL populaires comme TensorFlow et PyTorch pour benchmarker de nouveaux algorithmes, tester des protocoles de communication et analyser les domaines de contrôle discret et continu.

L'IntelligentMASPlatform est conçue pour accélérer le développement et le déploiement de systèmes multi-agents en proposant une architecture modulaire avec des couches séparées pour les agents, l'environnement et les services. Les agents communiquent en utilisant la messagerie ACL conforme à FIPA, permettant une négociation et une coordination dynamiques. La plateforme inclut un simulateur d'environnement polyvalent qui permet aux développeurs de modéliser des scénarios complexes, de planifier des tâches d'agents et de visualiser les interactions en temps réel via un tableau de bord intégré. Pour des comportements avancés, elle intègre des modules d'apprentissage par renforcement et supporte des plugins de comportements personnalisés. Les outils de déploiement permettent d'emballer les agents en applications autonomes ou en réseaux distribués. De plus, l'API de la plateforme facilite l'intégration avec des bases de données, des appareils IoT ou des services IA tiers, la rendant adaptée à la recherche, à l'automatisation industrielle et aux cas d'utilisation en villes intelligentes.

LiteMultiAgent offre un SDK modulaire pour construire et exécuter plusieurs agents IA en parallèle ou en séquence, chacun avec des rôles et responsabilités uniques. Il fournit des magasins de mémoire intégrés, des pipelines de messagerie, des adaptateurs de plugins et des boucles d'exécution pour gérer une communication inter-agent complexe. Les utilisateurs peuvent personnaliser le comportement des agents, intégrer des outils ou API externes et surveiller les conversations via des logs. La conception légère du framework et la gestion des dépendances en font une solution idéale pour le prototypage rapide et le déploiement en production de workflows collaboratifs d’IA.

mcp-agent-graph fournit une couche d'orchestration basée sur un graphe pour les agents AI, permettant aux développeurs de cartographier des flux de travail complexes en plusieurs étapes sous forme de graphes dirigés. Chaque nœud du graphe correspond à une tâche ou fonction d'agent, capturant les entrées, sorties et dépendances. Les arêtes définissent le flux de données entre les agents, garantissant l'ordre d'exécution correct. Le moteur supporte des modes d'exécution séquentielle et parallèle, la résolution automatique des dépendances, et s'intègre avec des fonctions Python personnalisées ou des services externes. La visualisation intégrée permet aux utilisateurs d'inspecter la topologie du graphe et de déboguer les flux de travail. Ce framework rationalise le développement de systèmes modulaires et évolutifs multi-agents pour le traitement des données, les flux de travail langage naturel ou les pipelines de modèles AI combinés.

Le réseau Rivalz est conçu pour combler le fossé entre plusieurs agents AI, leur permettant de partager des informations et des ressources. Cette approche collaborative améliore non seulement la performance des agents individuels, mais maximise également l'efficacité globale de l'AI. Grâce à des échanges de données sécurisés, les agents peuvent apprendre les uns des autres, s'adapter plus rapidement aux changements et fournir des solutions plus sophistiquées aux utilisateurs. Avec Rivalz, les organisations peuvent débloquer le plein potentiel de leur technologie AI, conduisant à une meilleure prise de décision et à des opérations rationalisées.

Team Coordination est une bibliothèque Python légère conçue pour simplifier l'orchestration de plusieurs agents IA travaillant ensemble sur des tâches complexes. En définissant des rôles d'agents spécialisés—tels que planificateurs, exécutants, évaluateurs ou communicateurs—les utilisateurs peuvent décomposer un objectif global en sous-tâches gérables, les déléguer à des agents individuels et faciliter une communication structurée entre eux. Le framework gère l'exécution asynchrone, le routage des protocoles et l'agrégation des résultats, permettant à des équipes d'agents IA de collaborer efficacement. Son système de plugins supporte l'intégration avec des LLM populaires, des API et une logique personnalisée, idéal pour des applications dans le service client automatisé, la recherche, le jeu AI et les pipelines de traitement de données. Avec des abstractions claires et des composants extensibles, Team Coordination accélère le développement de workflows multi-agents évolutifs.

Ce dépôt offre une démonstration pratique de la communication bidirectionnelle entre agents construits sur le framework JADE. Il inclut des classes Java d'exemple montrant la configuration d'agents, la création de messages conformes à FIPA-ACL et la gestion asynchrone du comportement. Les développeurs peuvent observer l'envoi d'une REQUEST par l'agent A, le traitement de la requête par l'agent B et le retour d'un message INFORM. Le code illustre l'enregistrement des agents auprès du Directory Facilitator, l'utilisation de comportements cycliques et ponctuels, l'application de modèles de messages pour filtrer et la journalisation des séquences de conversation. C'est un point de départ idéal pour le prototypage d'échanges multi-agents, de protocoles personnalisés ou l'intégration d'agents JADE dans des systèmes d'IA distribués plus vastes.

Les Agents Économiques Autonomes (AEA) de Fetch.ai sont un cadre polyvalent qui permet aux développeurs de concevoir, mettre en œuvre et orchestrer des agents logiciels autonomes capables d'interagir entre eux, avec des environnements externes et des registres numériques. Exploitant une architecture basée sur des plugins, AEA fournit des modules préconstruits pour les protocoles de communication, les API de registre cryptographique, l'identité décentralisée et les compétences de prise de décision personnalisables. Les agents peuvent découvrir et effectuer des transactions dans des marchés décentralisés, réaliser des comportements guidés par des objectifs et s'adapter via des flux de données en temps réel. Le cadre prend en charge des outils de simulation pour tester et déboguer des scénarios multi-agents, ainsi que leur déploiement sur des blockchains en direct ou des réseaux peer-to-peer. Avec une interopérabilité intégrée et une messagerie agent-à-agent, AEA simplifie le développement d'applications économiques autonomes complexes telles que le commerce d'énergie, l'optimisation de la chaîne d'approvisionnement et la coordination intelligente de l'IoT.

A2A (Architecture Agent-à-Agent) est un cadre open-source de Google permettant le développement et le fonctionnement d'agents IA distribués travaillant ensemble. Il offre des composants modulaires pour définir les rôles des agents, les canaux de communication et la mémoire partagée. Les développeurs peuvent intégrer divers fournisseurs LLM, personnaliser le comportement des agents et orchestrer des flux de travail à plusieurs étapes. A2A inclut une surveillance intégrée, une gestion des erreurs et des capacités de lecture pour tracer les interactions entre agents. En fournissant un protocole standardisé pour la découverte des agents, le passage de messages et l'attribution des tâches, A2A simplifie les modèles de coordination complexes et améliore la fiabilité lors de la mise à l'échelle d'applications basées sur des agents dans divers environnements.

AgentCrew est conçu pour simplifier la création et la gestion d’agents IA en abstraisant des fonctionnalités courantes telles que le cycle de vie des agents, la persistance de la mémoire, la planification des tâches et la communication entre agents. Les développeurs peuvent définir des profils d’agents personnalisés, spécifier des déclencheurs et des conditions, et intégrer des principaux fournisseurs de LLM comme OpenAI et Anthropic. Le framework fournit un SDK Python, des outils CLI, des points de terminaison REST et un tableau de bord web intuitif pour surveiller la performance des agents. Les fonctionnalités d’automatisation des flux permettent aux agents de travailler en parallèle ou en séquence, d’échanger des messages et de journaliser les interactions pour l’audit et la ré-formation. L’architecture modulaire supporte des extensions via des plugins, permettant aux organisations d’adapter la plateforme à divers cas d’utilisation, des bots de service client aux assistants de recherche automatisés et pipelines d’extraction de données.

Le dépôt Agent Supervisor Example démontre comment orchestrer plusieurs agents AI autonomes dans un flux de travail coordonné. Écrit en Python, il définit une classe Supervisor pour dispatcher des tâches, surveiller le statut des agents, gérer les échecs et agréger les réponses. Vous pouvez étendre les classes d'agents de base, brancher différentes API de modèles et configurer les politiques de planification. Il enregistre les activités pour l'audit, supporte l'exécution parallèle et offre une conception modulaire pour une personnalisation facile et une intégration dans de plus grands systèmes d'IA.

Le système multi-agent de recommandation pour centres commerciaux est un cadre basé sur l'IA utilisant une architecture multi-agent pour améliorer l'expérience de shopping. Il comprend des agents d'acheteurs qui suivent les interactions des visiteurs ; des agents de préférences qui analysent les données passées et en temps réel ; et des agents de recommandation qui génèrent des suggestions de produits et promotions sur mesure. Les agents communiquent via un protocole de passage de messages pour mettre à jour les modèles utilisateur, partager des insights inter-agents et ajuster dynamiquement les recommandations. Le système supporte l'intégration avec CMS et POS pour un retour en temps réel sur l'inventaire et les ventes. Sa conception modulaire permet aux développeurs de personnaliser le comportement des agents, d'intégrer de nouvelles sources de données et de déployer sur diverses plateformes. Idéal pour les grands environnements de vente, il améliore la satisfaction client et augmente les ventes grâce à des recommandations précises et contextuelles.

AI Agents with LangGraph exploite une représentation graphique pour définir les relations et la communication entre agents IA autonomes. Chaque nœud représente un agent ou un outil, permettant la décomposition des tâches, la personnalisation des prompts et le routage dynamique des actions. Le framework s'intègre parfaitement avec des LLM populaires et prend en charge des fonctions d'outils personnalisés, des magasins de mémoire et la journalisation pour le débogage. Les développeurs peuvent prototyper des flux complexes, automatiser des processus multi-étapes et expérimenter des interactions collaboratives entre agents en quelques lignes de code Python.

CHAMP Multiagent AI fournit un environnement unifié pour définir, entraîner et orchestrer des agents IA spécialisés collaborant sur des tâches d'entreprise. Vous pouvez créer des agents de traitement de données, des agents d’aide à la décision, des agents de planification et de surveillance, puis les relier via des flux de travail visuels ou des API. Il inclut des fonctionnalités pour la gestion des modèles, la communication agent-à-agent, la surveillance des performances et l’intégration avec des systèmes existants, permettant une automatisation évolutive et une orchestration intelligente des processus métier de bout en bout.

autogen_multiagent offre une manière structurée d'instancier, configurer et coordonner plusieurs agents IA en Python. Il propose la création dynamique d'agents, des canaux de messagerie entre agents, la planification de tâches, des boucles d'exécution et des utilitaires de surveillance. En s'intégrant parfaitement avec l'API OpenAI, il permet d'assigner des rôles spécialisés—comme planificateur, exécutant, résumé—à chaque agent et d'orchestrer leurs interactions. Ce framework est idéal pour des scénarios nécessitant des workflows IA modulaires et évolutifs, tels que l'analyse automatisée de documents, l'orchestration du support client, et la génération de code multi-étapes.

Swarms est un cadre axé sur le développement qui facilite la création, l'orchestration et l'exécution de flux de travail IA multi-agents. Vous définissez des agents avec des rôles spécifiques, configurez leur comportement via des invites LLM et les reliez à des outils ou API externes. Swarms gère la communication entre agents, la planification des tâches et la persistance de la mémoire. Son architecture plugin permet l'intégration transparente de modules personnalisés—tels que des récupérateurs, bases de données ou tableaux de bord de surveillance—tandis que ses connecteurs intégrés prennent en charge les principaux fournisseurs de LLM. Que vous ayez besoin d'une analyse de données coordonnée, d'une assistance client automatisée ou de pipelines de prise de décision complexes, Swarms offre les éléments de base pour déployer des écosystèmes d'agents autonomes et évolutifs.

CAMEL-AI est un framework basé sur Python permettant aux développeurs et chercheurs de construire, configurer et exécuter plusieurs agents IA autonomes alimentés par des LLMs. Il offre un support intégré pour la génération augmentée par récupération (RAG), l’utilisation d’outils externes, la communication entre agents, la gestion de la mémoire et de l’état, et la planification. Avec des composants modulaires et une intégration facile, les équipes peuvent prototyper des systèmes multi-agent complexes, automatiser des workflows et faire évoluer des expériences sur différents backends LLM.

Le dépôt du protocole Contract Net fournit une implémentation Java complète du protocole d’interaction FIPA Contract Net. Les développeurs peuvent créer des agents gestionnaires et contractants échangeant CFP (Call For Proposal), propositions, acceptations et rejets via des canaux de communication entre agents. Le code inclut des modules principaux pour la diffusion de tâches, la collecte d’offres, l’évaluation des propositions selon des critères personnalisables, l’attribution de contrats et la surveillance de l’état d’exécution. Il peut être intégré dans des frameworks multi-agents plus grands ou utilisé comme bibliothèque autonome pour la recherche, la planification industrielle ou la coordination robotique.