AI-Agents offre une architecture modulaire pour définir et exécuter des agents IA basés sur Python. Les développeurs peuvent configurer le comportement des agents, intégrer des API ou outils externes, et gérer la mémoire des agents sur plusieurs sessions. Il exploite des LLMs populaires, supporte la collaboration multi-agents, et permet des extensions via plugins pour des workflows complexes comme l'analyse de données, le support automatisé et les assistants personnalisés.

CArtAgO (Common ARTifact Infrastructure for AGents Open environments) est un cadre léger et extensible pour implémenter des infrastructures environnementales dans des systèmes multi-agent. Il introduit le concept d’artefacts : entités de première classe représentant des ressources environnementales avec des opérations définies, des propriétés observables et des interfaces d’événements. Les développeurs définissent des types d’artefacts en Java, les enregistrent dans des classes d’environnement, et exposent des opérations et des événements pour la consommation par les agents. Les agents interagissent avec les artefacts en utilisant des actions standards (par ex., createArtifact, observe), reçoivent des notifications asynchrones de changements d’état, et se coordonnent via des ressources partagées. CArtAgO s’intègre facilement aux plateformes d’agents telles que Jason, JaCaMo, JADE, et Spring Agent, permettant le développement de systèmes hybrides. Le cadre offre une prise en charge intégrée pour la documentation des artefacts, le chargement dynamique et la surveillance à l’exécution, facilitant le prototypage rapide d’applications basées sur des agents complexes.

Multi-Agent est une boîte à outils pour développeurs qui vous aide à construire et orchestrer plusieurs agents IA s’exécutant en parallèle. Chaque agent conserve son propre stockage de mémoire, sa configuration de prompt et sa file d’attente de messages. Vous pouvez définir des comportements personnalisés, mettre en place des canaux de communication entre agents et déléguer automatiquement des tâches en fonction des rôles des agents. Il exploite l’API Chat d’OpenAI pour la compréhension et la génération linguistique, tout en fournissant des composants modulaires pour l’orchestration de flux de travail, la journalisation et la gestion des erreurs. Cela permet de créer des agents spécialisés — tels que des assistants de recherche, des processeurs de données ou des bots de support client — qui travaillent ensemble sur des tâches complexes.

OpenAI Agents MCP Server fournit une base solide pour déployer et gérer des agents autonomes alimentés par des modèles OpenAI. Il expose une API RESTful flexible pour créer, configurer et contrôler des agents, permettant aux développeurs d'orchestrer des tâches multi-étapes, de coordonner les interactions entre agents et de maintenir une mémoire persistante entre les sessions. Le framework prend en charge les intégrations d'outils de type plugin, une journalisation avancée des conversations et des stratégies de planification personnalisables. En abstraisant les préoccupations de l'infrastructure, MCP Server rationalise le processus de développement, facilitant la création rapide de prototypes et la mise en production évolutive d'assistants conversationnels, d'automations de workflows et de travailleurs numériques pilotés par IA.

Shepherding est un cadre de simulation open-source conçu pour les chercheurs et développeurs en apprentissage par renforcement afin d'étudier et d'implémenter des tâches de bergerie multi-agents. Il fournit un environnement compatible Gym où les agents peuvent apprendre à effectuer des comportements tels que faire le tour, collecter et disperser des groupes cibles dans des espaces continus ou discrets. Le cadre comprend des fonctions modulaires pour le façonnage de récompenses, la paramétrisation de l'environnement et des utilitaires de journalisation pour surveiller les performances d'entraînement. Les utilisateurs peuvent définir des obstacles, des populations d'agents dynamiques et des politiques personnalisées en utilisant TensorFlow ou PyTorch. Les scripts de visualisation génèrent des tracés de trajectoires et des enregistrements vidéo des interactions des agents. La conception modulaire de Shepherding permet une intégration transparente avec les bibliothèques RL existantes, facilitant la reproductibilité des expériences, le benchmarking de stratégies de coordination innovantes et le prototypage rapide de solutions de bergerie basées sur l'IA.

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.

ePH-MAPF fournit un pipeline efficace pour calculer des chemins sans collision pour des dizaines à des centaines d'agents sur des cartes basées sur une grille. Il utilise des heuristiques prioritaires, des techniques de recherche incrémentielle et des métriques de coût personnalisables (Manhattan, Euclidéenne) pour équilibrer rapidité et qualité de la solution. Les utilisateurs peuvent choisir parmi différentes fonctions heuristiques, intégrer la bibliothèque dans des systèmes robotiques Python, et benchmarker la performance sur des scénarios MAPF standards. Le code est modulaire et bien documenté, permettant aux chercheurs et développeurs de l’étendre pour des obstacles dynamiques ou des environnements spécialisés.