CommNet est une bibliothèque orientée recherche qui implémente l'architecture CommNet, permettant à plusieurs agents de partager des états cachés à chaque étape et d'apprendre à coordonner leurs actions dans des environnements coopératifs. Elle inclut des définitions de modèles PyTorch, des scripts d'entraînement et d'évaluation, des wrappers d'environnement pour OpenAI Gym et des utilitaires pour personnaliser les canaux de communication, le nombre d'agents et la profondeur du réseau. Chercheurs et développeurs peuvent utiliser CommNet pour prototyper et benchmarker des stratégies de communication inter-agent sur des tâches de navigation, de poursuite–évasion et de collecte de ressources.

EthicalEvalMAS offre un environnement modulaire pour évaluer les systèmes multi-agents à travers des dimensions éthiques clés telles que la justice, l'autonomie, la vie privée, la transparence et la bienveillance. Les utilisateurs peuvent générer des scénarios personnalisés ou utiliser des modèles intégrés, définir des métriques sur mesure, exécuter des scripts d'évaluation automatisés et visualiser les résultats via des outils intégrés de reporting. Son architecture extensible permet l'intégration avec des plates-formes MAS existantes et facilite le benchmarking éthique reproductible pour différents comportements d'agents.

Ollama Workflows est une bibliothèque open-source de pipelines d'agents AI configurables construits sur le cadre Ollama LLM. Elle offre des dizaines de workflows prêts à l'emploi — comme la synthèse, la traduction, la revue de code, l'extraction de données, la rédaction d'e-mails, et plus encore — qui peuvent être chaînés dans des définitions YAML ou JSON. Les utilisateurs installent Ollama, clonant le dépôt, sélectionnant ou personnalisant un workflow, puis l'exécutent via CLI. Tout le traitement se fait localement sur votre machine, préservant la confidentialité des données tout en permettant une itération rapide et une sortie cohérente à travers les projets.

multiagent_envs offre un ensemble modulaire d'environnements basés sur Python adaptés à la recherche et au développement en apprentissage par renforcement multi-agent. Il inclut des scénarios comme la navigation coopérative, la prédation, les dilemmes sociaux et des arènes compétitives. Chaque environnement permet de définir le nombre d'agents, les caractéristiques d'observation, les fonctions de récompense et la dynamique de collision. Le framework s'intègre facilement avec des bibliothèques RL populaires telles que Stable Baselines et RLlib, permettant des boucles d'entraînement vectorisées, une exécution parallèle et une journalisation facile. Les utilisateurs peuvent étendre des scénarios existants ou en créer de nouveaux via une API simple, accélérant l'expérimentation avec des algorithmes comme MADDPG, QMIX et PPO dans un environnement cohérent et reproductible.