Le Framework de Simulation d'Agents LLM permet la conception, l'exécution et l'analyse d'environnements simulés où des agents autonomes interagissent via de grands modèles de langage. Les utilisateurs peuvent enregistrer plusieurs instances d'agents, assigner des invites et rôles personnalisables, et spécifier des canaux de communication tels que la transmission de messages ou un état partagé. Le framework orchestre les cycles de simulation, collecte des journaux et calcule des métriques comme la fréquence de passage de tour, la latence de réponse et les taux de succès. Il supporte une intégration transparente avec OpenAI, Hugging Face et des LLM locaux. Les chercheurs peuvent créer des scénarios complexes — négociation, allocation de ressources ou résolution collaborative de problèmes — pour observer des comportements émergents. Une architecture de plugins extensible permet d’ajouter de nouveaux comportements d'agents, contraintes environnementales ou modules de visualisation, favorisant des expériences reproductibles.

Auto Researcher Puissant est un cadre d'agents AI basé sur Python conçu pour automatiser et accélérer les flux de travail de recherche. Les utilisateurs définissent des sujets ou questions initiales, et l'agent génère de manière itérative des questions de suivi, les soumet aux modèles OpenAI, et agrège les réponses. Il supporte des modèles de prompts personnalisables, la chaîne de workflows et l'exportation automatique en Markdown, JSON ou PDF. La journalisation intégrée et la gestion des résultats assurent la reproductibilité. Cet outil est idéal pour les revues de littérature académique, la collecte d'intelligence concurrentielle, la recherche de marché et les investigations techniques, réduisant la charge manuelle et assurant une couverture systématique des questions de recherche.

MARO (Multi-Agent Resource Optimization) est un cadre basé sur Python conçu pour soutenir le développement et l'évaluation d'agents d'apprentissage par renforcement multi-agent dans des scénarios de chaîne d'approvisionnement, de logistique et de gestion des ressources. Il inclut des modèles pour la gestion des inventaires, la planification des camions, le cross-docking, la location de conteneurs, et plus encore. MARO offre une API d'agent unifiée, des trackers intégrés pour la journalisation des expériences, des capacités de simulation parallèle pour des entraînements à grande échelle et des outils de visualisation pour l'analyse de la performance. La plateforme est modulaire, extensible et s'intègre aux bibliothèques RL populaires, permettant une recherche reproductible et une prototypage rapide de solutions d'optimisation pilotées par l'IA.

Multi-Agent AI Researcher offre un cadre modulaire et extensible où les utilisateurs peuvent configurer et déployer plusieurs agents IA pour traiter conjointement des questions scientifiques complexes. Il inclut un agent de génération d'hypothèses proposant des orientations de recherche basées sur une analyse de littérature, un agent de simulation d'expériences modélisant et testant des hypothèses, un agent d'analyse de données traitant les résultats des simulations, et un agent de rédaction compilant les conclusions dans des documents de recherche structurés. Avec le support de plugins, les utilisateurs peuvent intégrer des modèles et des sources de données personnalisés. Le orchestrateur gère les interactions des agents, en consignant chaque étape pour la traçabilité. Idéal pour automatiser des tâches répétitives et accélérer les flux de travail R&D, il garantit la reproductibilité et la scalabilité dans divers domaines de recherche.

Les agents d'apprentissage par renforcement pour les jeux PettingZoo sont une bibliothèque en Python qui propose des algorithmes prêts à l'emploi DQN, PPO et A2C pour l'apprentissage par renforcement multi-agent dans les environnements PettingZoo. Elle comprend des scripts standardisés pour l'entraînement et l'évaluation, des hyperparamètres configurables, une journalisation intégrée dans TensorBoard et prend en charge à la fois les jeux compétitifs et coopératifs. Les chercheurs et développeurs peuvent cloner le dépôt, ajuster les paramètres de l'environnement et de l'algorithme, exécuter des sessions d'entraînement et visualiser les métriques pour accélérer leur développement et comparer leurs expériences en RL multi-agent.