Agentic AI Systems est une ressource centralisée sur GitHub listant et décrivant une large gamme de frameworks et outils d'IA agentique open-source. Il organise les entrées par capacités, langages, et outils pris en charge, offrant des liens directs vers le code source, la documentation et des exemples de démarrage rapide. Les développeurs peuvent rapidement identifier et comparer des plateformes d'agents, explorer des implémentations d'exemples, et intégrer les frameworks sélectionnés dans leurs propres projets. Le dépôt est mis à jour régulièrement pour inclure de nouveaux projets, des changements de version, et des contributions communautaires, en faisant une référence pour la recherche et le prototypage en systèmes d'IA autonomes.

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.

DEf-MARL (Cadre d'exécution décentralisé pour l'apprentissage par renforcement multi-agents) fournit une infrastructure robuste pour exécuter et former des agents coopératifs sans contrôleurs centralisés. Il exploite des protocoles de communication peer-to-peer pour partager les politiques et observations entre agents, permettant une coordination par interactions locales. Le cadre s'intègre parfaitement avec des outils RL courants tels que PyTorch et TensorFlow, offrant des wrappers d'environnement personnalisables, la collecte distribuée de rollouts et des modules de synchronisation de gradients. Les utilisateurs peuvent définir des espaces d'observation, des fonctions de récompense et des topologies de communication spécifiques à chaque agent. DEf-MARL supporte l'ajout et la suppression dynamiques d'agents en cours d'exécution, une exécution tolérante aux fautes en répliquant des états critiques sur les nœuds, et une planification de communication adaptative pour équilibrer exploration et exploitation. Il accélère la formation par la parallélisation des simulations d'environnements et la réduction des goulets d'étranglement centraux, ce qui le rend adapté à la recherche MARL à grande échelle et aux simulations industrielles.

Dans le monde rapide d'aujourd'hui, HybridAI comble le fossé entre les interactions humaines et la technologie IA. Grâce à des modèles IA avancés, HybridAI gère les interactions avec une automatisation intelligente et offre aux administrateurs la possibilité de reprendre les conversations si nécessaire, assurant ainsi une touche humaine pendant les moments critiques. Cette approche dynamique améliore la qualité du service client, rendant les interactions plus significatives et engageantes.

multi_agent_celar est conçue comme une plateforme d'IA modulaire permettant une communication à langage émergent entre plusieurs agents intelligents dans des environnements simulés. Les utilisateurs peuvent définir le comportement des agents via des fichiers de politique, configurer les paramètres de l'environnement, et lancer des sessions d'entraînement coordonnées où les agents font évoluer leurs propres protocoles de communication pour résoudre des tâches coopératives. Le cadre comprend des scripts d'évaluation, des outils de visualisation, et prend en charge des expériences évolutives, ce qui en fait une solution idéale pour la recherche en collaboration multi-agent, langage émergent et processus de décision.