MultiAgentPacman offre un environnement de jeu en Python où les utilisateurs peuvent implémenter, visualiser et benchmarker plusieurs agents IA dans le domaine Pacman. Il supporte des algorithmes de recherche adverse tels que minimax, expectimax, élagage alpha-bêta, ainsi que des agents personnalisés utilisant l'apprentissage par renforcement ou des heuristiques. Le cadre inclut une GUI simple, des contrôles en ligne de commande et des outils pour enregistrer les statistiques de jeu et comparer la performance des agents dans des scénarios compétitifs ou coopératifs.

RL Collision Avoidance offre une pipeline complète pour développer, former et déployer des politiques d’évitement de collision multi-robots. Il propose une série de scénarios de simulation compatibles Gym où les agents apprennent une navigation sans collision à l’aide d’algorithmes d'apprentissage par renforcement. Les utilisateurs peuvent personnaliser les paramètres de l’environnement, exploiter l’accélération GPU pour un entraînement plus rapide et exporter les politiques apprises. Le cadre intègre également ROS pour des tests sur le terrain, supporte des modèles pré-entraînés pour une évaluation immédiate et propose des outils pour visualiser les trajectoires des agents et les métriques de performance.

ThreeAgents est construit en Python, utilisant l'API de complétion de chat d'OpenAI pour instancier plusieurs agents IA avec des rôles distincts (système, assistant, utilisateur). Il offre des abstractions pour l'invite d'agents, la gestion des messages basés sur le rôle et la gestion de la mémoire contextuelle. Les développeurs peuvent définir des modèles de prompts personnalisés, configurer les personnalités des agents et chaîner les interactions pour simuler des dialogues réalistes ou des flux de travail orientés tâches. Le framework gère l'envoi des messages, la gestion des fenêtres contextuelles et la journalisation, permettant des expériences en prise de décision collaborative ou décomposition hiérarchique des tâches. Avec le support des variables d'environnement et des agents modulaires, ThreeAgents permet un échange fluide entre les backends LLM d'OpenAI et locaux, facilitant la prototypage rapide de systèmes IA multi-agents. Il inclut des scripts d'exemple et la prise en charge de Docker pour une configuration rapide.

Thufir est un framework open-source basé sur Python conçu pour faciliter la création d'agents IA autonomes capables de planification et d'exécution de tâches complexes. Au cœur de Thufir se trouve un moteur de planification qui décompose des objectifs de haut niveau en étapes réalisables, un module de mémoire pour stocker et rappeler des informations contextuelles au cours des sessions, et une interface d’outils plug-and-play permettant aux agents d’interagir avec des API externes, bases de données ou environnements d’exécution de code. Les développeurs peuvent exploiter les composants modulaires de Thufir pour personnaliser le comportement des agents, définir des outils personnalisés, gérer l’état de l’agent et orchestrer des workflows multi-agents. En abstraisant les préoccupations d’infrastructure de bas niveau, Thufir accélère le développement et le déploiement d’agents intelligents pour des cas d’usage tels que assistants virtuels, automatisation de flux de travail, recherche et travailleurs numériques.

AgentServe fournit une interface unifiée pour créer et déployer des agents d'IA. Les utilisateurs définissent le comportement des agents dans des fichiers de configuration ou du code, intègrent des outils ou sources de connaissances externes, et exposent les agents via des points de terminaison REST. Le cadre gère le routage des modèles, les requêtes parallèles, le contrôle de la santé, la journalisation et les métriques. La conception modulaire d'AgentServe permet d'ajouter de nouveaux modèles, outils ou politiques de planification, idéal pour créer des chatbots, workflows automatisés et systèmes multi-agent à grande échelle.