MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

AgentSimJS est conçu pour faciliter la création et l'exécution de modèles à grande échelle basés sur des agents en JavaScript. Grâce à son architecture modulaire, les développeurs peuvent définir des agents avec des états, capteurs, fonctions de décision et actionneurs personnalisés, puis les intégrer dans des environnements dynamiques paramétrés par des variables globales. Le framework orchestre des simulations à étapes discrets, gère la messagerie basée sur des événements entre agents et enregistre les données d'interaction pour analyse. Les modules de visualisation supportent le rendu en temps réel via Canvas HTML5 ou des bibliothèques externes, tandis que les plugins permettent une intégration avec des outils statistiques. AgentSimJS fonctionne à la fois dans les navigateurs modernes et sous Node.js, le rendant adapté aux applications web interactives, à la recherche académique, aux outils éducatifs et au prototypage rapide d'intelligence en essaim, de dynamique des foules ou d'expériences d'IA distribuée.

AgentSpeak est une implémentation open-source en Java du langage de programmation AgentSpeak(L), conçue pour faciliter la création et la gestion d'agents autonomes BDI (Croyance-Désir-Intention). Il possède un environnement d'exécution qui analyse le code AgentSpeak(L), maintient les bases de croyances des agents, déclenche des événements et sélectionne puis exécute des plans en fonction des croyances et objectifs actuels. L'interpréteur supporte l'exécution concurrente des agents, les mises à jour dynamiques de plans et des sémantiques personnalisables. Avec une architecture modulaire, les programmeurs peuvent étendre des composants centraux tels que la sélection de plans et la révision des croyances. AgentSpeak permet aux chercheurs et à l'industrie de prototyper, simuler et déployer des agents intelligents dans des simulations, des systèmes IoT et des scénarios multi-agents.

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.

AmongA et la recherche sur les systèmes IA multi-agentes. Via une API Python simple, les utilisateurs peuvent instancier n'importe quel nombre d'agents IA, chacun doté de personas, invites et buffers mémoire personnalisés. Les agents participent à des boucles de conversation configurables, supportant débats, brainstorming, prise de décision ou simulations de jeux. Le cadre s'intègre parfaitement à des API LLM majeures (par ex., OpenAI, Anthropic), permettant des interactions basées sur des messages et la journalisation des transcriptions. Les développeurs peuvent étendre le comportement en personnalisant les rôles des agents, contrôlant la logique de prise de tour, et en connectant des sources de données externes. AmongAIs propose également des utilitaires pour l'analyse de sentiment, une évaluation basée sur des scores et la relecture de sessions. Idéal pour les équipes explorant la communication émergente, l'idéation collaborative et les tests de coordination des travailleurs numériques en recherche et production.

Le dépôt Berkeley Pacman Projects offre une base de code Python modulaire où les utilisateurs construisent et testent des agents IA dans un labyrinthe Pacman. Il guide les apprenants à travers la recherche non informée et informée (DFS, BFS, A*), la recherche multi-agents adversariale (minimax, élagage alpha-bêta), et l'apprentissage par renforcement (Q-learning avec extraction de caractéristiques). Des interfaces graphiques intégrées visualisent le comportement des agents en temps réel, tandis que des cas de test intégrés et un autograder vérifient la correction. En itérant sur les implémentations d'algorithmes, les utilisateurs acquièrent une expérience pratique en exploration de l'espace d'états, conception d'heuristiques, raisonnement adversarial, et apprentissage basé sur les récompenses au sein d'un cadre de jeu unifié.

ComfyUI LLM Party étend l’environnement basé sur des nœuds de ComfyUI en proposant une gamme de nœuds alimentés par LLM conçus pour orchestrer les interactions textuelles parallèlement aux flux de travail visuels de l’IA. Il offre des nœuds de chat pour dialoguer avec de grands modèles de langage, des nœuds de mémoire pour la rétention du contexte, et des nœuds de routage pour gérer les dialogues multi-agent. Les utilisateurs peuvent chaîner des opérations de génération de langage, de résumé et de prise de décision dans leurs pipelines, fusionnant l’IA textuelle et la génération d’images. L’extension supporte aussi des modèles de invites personnalisées, la gestion de variables, et le ramification conditionnelle, permettant aux créateurs d’automatiser la génération de récits, la légende d’images et la description dynamique des scènes. Sa conception modulaire permet une intégration transparente avec les nœuds existants, donnant aux artistes et développeurs la possibilité de créer des workflows de agents IA sophistiqués sans compétences en programmation.

Le framework UnitMesh offre un environnement flexible et modulaire pour définir, gérer et exécuter des chaînes d'agents IA. Il permet une intégration transparente avec OpenAI, Anthropic et des modèles personnalisés, supporte les SDKs Python et Node.js, et fournit des magasins de mémoire intégrés, des connecteurs d'outils et une architecture de plugins. Les développeurs peuvent orchestrer des workflows parallèles ou séquentiels, suivre les logs d'exécution et étendre la fonctionnalité via des modules personnalisés. Son architecture basée sur des événements garantit haute performance et scalabilité en déploiement cloud ou sur site.

ElizaOS fournit une suite d'outils robuste pour concevoir, tester et déployer des agents IA autonomes dans des projets TypeScript. Les développeurs définissent les personnalités des agents, leurs objectifs et leurs hiérarchies de mémoire, puis utilisent le système de planification d'ElizaOS pour définir les flux de travail des tâches. Son architecture modulaire de connecteurs facilite l’intégration avec des plateformes de communication—Discord, Telegram, Slack, X—et des réseaux blockchain via des adaptateurs Web3. ElizaOS supporte plusieurs backends LLM (OpenAI, Anthropic, Llama, Gemini), permettant une transition transparente entre les modèles. La prise en charge des plugins étend la fonctionnalité avec des compétences personnalisées, des fonctions de journalisation et d’observabilité. À travers son CLI et SDK, les équipes peuvent itérer sur les configurations d'agents, surveiller la performance en direct, et faire évoluer les déploiements dans des environnements cloud ou sur site. ElizaOS permet aux entreprises d'automatiser les interactions client, l’engagement sur les réseaux sociaux et les processus métier avec des travailleurs numériques autonomes.

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.

GenFuse AI propose une plateforme sans code où les utilisateurs peuvent créer des agents IA personnalisés pour automatiser diverses tâches. Avec un créateur de workflow visuel, vous pouvez connecter des agents IA et des outils pour concevoir des automatisations multi-agents. La plateforme comprend des pipelines d'exécution automatique, des agents auto-apprenants et des modèles pré-construits pour vous permettre de commencer rapidement. GenFuse AI est agnostique au modèle, vous permettant de choisir le meilleur modèle pour chaque agent et il peut s'intégrer avec vos applications et vos outils personnalisés.

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.

Isek est une plateforme orientée développeur pour créer des agents IA avec une architecture modulaire. Elle propose un système de plugins pour les outils et sources de données, une mémoire intégrée pour la rétention du contexte et un moteur de planification pour coordonner les tâches en plusieurs étapes. Vous pouvez déployer des agents localement ou dans le cloud, intégrer n'importe quel backend LLM, et étendre la fonctionnalité via des modules communautaires ou personnalisés. Isek facilite la création de chatbots, d'assistants virtuels et de flux de travail automatisés grâce à des modèles, SDK et outils CLI pour un développement rapide.

LinkAgent fournit un micronoyau léger pour construire des agents d'IA avec des composants plug-in. Les utilisateurs peuvent enregistrer des backends de modèles de langage, des modules de récupération et des API externes en tant qu'outils, puis les assembler en workflows utilisant des planificateurs et routeurs intégrés. LinkAgent supporte des gestionnaires de mémoire pour la persistance du contexte, l'invocation dynamique d'outils et une logique de décision configurable pour un raisonnement complexe à plusieurs étapes. Avec peu de code, les équipes peuvent automatiser des tâches telles que le QA, l'extraction de données, l'orchestration de processus et la génération de rapports.

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.

MACL est un cadre Python modulaire conçu pour simplifier la création et l'orchestration de multiples agents IA. Il vous permet de définir des agents individuels avec des compétences personnalisées, de configurer des canaux de communication et de planifier des tâches sur un réseau d'agents. Les agents peuvent échanger des messages, négocier des responsabilités et s'adapter dynamiquement en fonction des données partagées. Avec une prise en charge intégrée des LLM populaires et un système de plugins pour extensibilité, MACL permet des flux de travail IA évolutifs et faciles à maintenir dans des domaines tels que l'automatisation du service client, les pipelines d'analyse de données et les environnements de simulation.

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.

Les systèmes multi-agent sont conçus pour simplifier la création, la configuration et l'exécution d'architectures décentralisées basées sur les agents. Les développeurs peuvent définir les comportements des agents, les ontologies de communication et les descriptions de services dans des classes Java. Le framework gère la mise en place des conteneurs, le transport des messages et la gestion du cycle de vie des agents. Basé sur des protocoles FIPA standards, il supporte la négociation peer-to-peer, la planification collaborative et l'extension modulaire. Les utilisateurs peuvent exécuter, surveiller et déboguer des scénarios multi-agents sur une seule machine ou sur des hôtes connectés, ce qui en fait une solution idéale pour la recherche, l'éducation et les déploiements à petite échelle.

MultiAgent2 fournit une boîte à outils complète pour orchestrer des agents IA autonomes alimentés par de grands modèles de langage. Les développeurs peuvent définir des agents avec des personas, des stratégies et des contextes de mémoire personnalisables, leur permettant de converser, partager des informations et résoudre collectivement des problèmes. Le framework supporte des options de stockage interchangeables pour la mémoire à long terme, l'accès basé sur les rôles aux données partagées, et des canaux de communication configurables pour des dialogues synchrones ou asynchrones. Son CLI et SDK Python facilitent le prototypage rapide, les tests et le déploiement de systèmes multi-agents pour des cas d'utilisation allant des expériences de recherche, support client automatisé, pipelines de génération de contenu, au système de support décisionnel. En abstraisant la communication inter-agent et la gestion de la mémoire, MultiAgent2 accélère le développement d'applications complexes alimentées par l'IA.

NeuralABM est une bibliothèque open-source en Python qui exploite PyTorch pour intégrer des réseaux neuronaux dans la modélisation basée sur des agents. Les utilisateurs peuvent spécifier des architectures d'agents sous forme de modules neuronaux, définir la dynamique de l'environnement et entraîner le comportement des agents via la rétro-propagation sur les étapes de simulation. Le framework supporte des signaux de récompense personnalisés, l'apprentissage par curriculum, ainsi que des mises à jour synchrones ou asynchrones, permettant d'étudier des phénomènes émergents. Avec des utilitaires pour la journalisation, la visualisation et l'exportation de jeux de données, chercheurs et développeurs peuvent analyser la performance des agents, déboguer les modèles et itérer sur la conception des simulations. NeuralABM facilite la combinaison de l'apprentissage par renforcement avec l'ABM pour des applications en sciences sociales, économie, robotique et comportements NPC pilotés par IA dans les jeux. Il fournit des composants modulaires pour la personnalisation de l'environnement, supporte les interactions multi-agents, et offre des hooks pour intégrer des jeux de données ou API externes pour des simulations du monde réel. La conception ouverte favorise la reproductibilité et la collaboration via une configuration claire des expériences et une intégration du contrôle de version.