Le Swarm Simulator offre un environnement personnalisable pour des expériences multi-agents en temps réel. Les utilisateurs peuvent ajuster les paramètres clés – alignement, cohésion, séparation – et observer la dynamique émergente sur un canvas visuel. Il prend en charge des curseurs d'interface utilisateur interactifs, la modification dynamique du nombre d'agents, et l'exportation des données pour analyse. Idéal pour des démonstrations éducatives, des prototypes de recherche ou des explorations amateurs des principes de l'intelligence collective.

Le modèle Arcade Vercel AI est un squelette open-source conçu pour démarrer des projets web alimentés par l'IA utilisant le SDK IA de Vercel. Il fournit des composants pré-construits pour les interfaces de chat, les routes API serverless et les fichiers de configuration d'agents. Grâce à une structure de fichiers simple, les développeurs définissent leurs agents AI, invites et paramètres de modèle. Le modèle gère l'authentification, le routage et les réglages de déploiement prêts à l'emploi, permettant des itérations rapides. En utilisant les API ArcadeAI, les utilisateurs peuvent intégrer du texte génératif, des recherches dans des bases de données et une logique métier personnalisée. Le résultat est un site web AI évolutif et maintenable pouvant être déployé en quelques minutes sur le réseau Edge de Vercel.

PeerReview est une extension Chrome conçue pour résumer instantanément tout texte surligné. En utilisant l'API Prompt et l'API Summarizer de Gemini, il offre une solution pratique pour les utilisateurs ayant besoin de résumés de texte rapides. Cet outil est particulièrement utile pour les étudiants, les chercheurs et les professionnels qui traitent souvent de gros volumes de texte et ont besoin d'un moyen de condenser rapidement l'information. En tant que projet open source, PeerReview accueille également les contributions des développeurs souhaitant améliorer sa fonctionnalité.

Le système d'agent d'actualités Reddit utilise la Pipeline Multi-Canal (MCP) pour un traitement modulaire des données et le Kit de Développement d'Agent (ADK) pour l'orchestration des flux de travail. Après configuration, il surveille en continu les sous-reddits choisis, applique des modules d'analyse de sentiment, de classification de sujets et de génération de résumés, puis transmet les résultats par e-mail, applications de messagerie ou interfaces de tableau de bord. Les développeurs peuvent étendre les pipelines avec des processeurs personnalisés, intégrer de nouveaux canaux de livraison et ajuster le comportement de l'agent pour une curation de nouvelles sur mesure et une automatisation des rapports.

Les agents IA pour Pierre-Papier-Ciseaux sont un projet Python open-source démontrant comment construire, entraîner et évaluer différentes stratégies d'IA—jeu aléatoire, reconnaissance de motifs basée sur des règles, et apprentissage par renforcement (Q-learning)—dans le jeu classique Pierre-Papier-Ciseaux. Il fournit des classes d'agents modulaires, un moteur de jeu configurable, une journalisation des performances, et des utilitaires de visualisation. Les utilisateurs peuvent échanger facilement des agents, ajuster les paramètres d'apprentissage, et explorer le comportement de l'IA dans des scénarios compétitifs.

HexHoot est un projet open-source conçu pour créer une plateforme de communication qui respecte la confidentialité des utilisateurs et la propriété des données. En éliminant la nécessité de serveurs centralisés, il garantit que toutes les données sont stockées localement sur les appareils des utilisateurs. HexHoot utilise des stratégies avancées de preuve à zéro connaissance pour authentifier les utilisateurs sans compromettre la sécurité. Cette approche le rend idéal pour une communication sécurisée, transparente et décentralisée, libre des risques des dépendances traditionnelles aux logiciels P2P.

Ce projet open-source offre un cadre complet d'apprentissage par renforcement multi-agent basé sur PyTorch et Unity ML-Agents. Il propose des algorithmes DDPG décentralisés, des wrappers d'environnements et des scripts d'entraînement. Les utilisateurs peuvent configurer les politiques d'agents, les réseaux critiques, les buffers de relecture et les travailleurs d'entraînement parallèles. Les hooks de journalisation permettent la surveillance avec TensorBoard, tandis qu'une architecture modulaire supporte des fonctions de récompense et paramètres d'environnement personnalisés. Le dépôt inclut des scènes Unity d'exemple illustrant des tâches de navigation collaborative, idéal pour étendre et benchmarker des scénarios multi-agent en simulation.