AgentFence fournit une couche de sécurité unifiée pour les agents IA, couvrant l'application des politiques, le contrôle d'accès et la détection d'anomalies. Elle propose des SDK pour Python, Node.js et des API REST pour une intégration facile à vos applications LLM. Avec des tableaux de bord de surveillance en temps réel et des pistes d'audit détaillées, les équipes de conformité ont une visibilité complète sur le comportement des agents. Des politiques personnalisables vous permettent de définir les actions autorisées, les règles d'utilisation des données et les rôles utilisateur. Des alertes automatisées notifient les parties prenantes en cas de violations de politique, tandis que les logs historiques supportent l'analyse forensique et les rapports réglementaires.

GAMA Genstar Plugin ajoute des capacités d'IA générative à la plateforme GAMA via des connecteurs vers OpenAI, des LLM locaux, et des points de terminaison de modèles personnalisés. Les utilisateurs définissent des invites et des pipelines dans GAML pour générer des décisions d'agents, des descriptions d'environnement ou des paramètres de scénarios à la volée. Le plugin supporte les appels API synchrones et asynchrones, la mise en cache des réponses, et l'ajustement des paramètres. Il facilite l'intégration des modèles en langage naturel dans des simulations à grande échelle, réduisant la script manuelle et favorisant des comportements d'agents plus riches et adaptatifs.

Multi-Agent Surveillance offre un cadre de simulation flexible où plusieurs agents IA agissent comme prédateurs ou évadés dans un monde en grille discret. Les utilisateurs peuvent configurer les paramètres de l'environnement tels que les dimensions de la grille, le nombre d'agents, les rayons de détection et les structures de récompense. Le dépôt comprend des classes Python pour le comportement des agents, des scripts de génération de scénarios, une visualisation intégrée via matplotlib et une intégration transparente avec des bibliothèques populaires d'apprentissage par renforcement. Cela facilite la création de benchmarks pour la coordination multi-agent, le développement de stratégies de surveillance personnalisées et la réalisation d'expériences reproductibles.

Multiagent_system offre une boîte à outils complète pour construire et gérer des environnements multi-agents. Les utilisateurs peuvent définir des scénarios de simulation personnalisés, spécifier les comportements des agents, et utiliser des algorithmes pré-implémentés tels que DQN, PPO et MADDPG. Le framework supporte un entraînement synchrone et asynchrone, permettant aux agents d'interagir simultanément ou en mode tour par tour. Les modules de communication intégrés facilitent l'échange de messages entre agents pour des stratégies coopératives. La configuration des expériences est simplifiée via des fichiers YAML, et les résultats sont automatiquement enregistrés au format CSV ou dans TensorBoard. Les scripts de visualisation aident à interpréter les trajectoires des agents, l'évolution des récompenses et les patterns de communication. Conçu pour la recherche et la production, Multiagent_system évolue sans effort de prototypes sur machine unique à un entraînement distribué sur des clusters GPU.

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.

AgentSimulation est une bibliothèque Python open-source construite sur Pygame pour simuler plusieurs agents autonomes dans un environnement 2D. Elle permet aux utilisateurs de configurer les propriétés des agents, les comportements de pilotage (chercher, fuir, errer), la détection de collision, la recherche de chemins et les règles interactives. Avec un rendu en temps réel et une conception modulaire, elle supporte la création rapide de prototypes, les simulations éducatives et la recherche à petite échelle en intelligence collective ou interactions multi-agents.

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.

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.