Ce dépôt offre une démonstration pratique de la communication bidirectionnelle entre agents construits sur le framework JADE. Il inclut des classes Java d'exemple montrant la configuration d'agents, la création de messages conformes à FIPA-ACL et la gestion asynchrone du comportement. Les développeurs peuvent observer l'envoi d'une REQUEST par l'agent A, le traitement de la requête par l'agent B et le retour d'un message INFORM. Le code illustre l'enregistrement des agents auprès du Directory Facilitator, l'utilisation de comportements cycliques et ponctuels, l'application de modèles de messages pour filtrer et la journalisation des séquences de conversation. C'est un point de départ idéal pour le prototypage d'échanges multi-agents, de protocoles personnalisés ou l'intégration d'agents JADE dans des systèmes d'IA distribués plus vastes.

AgentMesh fournit une infrastructure modulaire pour que les développeurs créent des réseaux d'agents IA, chacun se concentrant sur une tâche ou un domaine spécifique. Les agents peuvent être découverts et enregistrés dynamiquement à l'exécution, échangent des messages de manière asynchrone et suivent des règles de routage configurables. Le framework gère les tentatives, les sauvegardes et la récupération en cas d'erreur, permettant des pipelines multi-agents pour le traitement des données, le soutien à la décision ou des cas d'utilisation conversationnels. Il s'intègre facilement aux LLM existants et aux modèles personnalisés via une interface de plugin simple.

Le cadre Autonomous Economic Agents (AEA) de Fetch.ai est un SDK Python open-source et un ensemble d'outils CLI pour créer des agents modulaires et autonomes capables de négocier, de transiger et de collaborer dans des environnements décentralisés. Il comprend des commandes de scaffolding pour générer des projets d'agents, des modèles pour protocoles et compétences, des modules de connexion pour intégrer plusieurs grands livres (Ethereum, Cosmos, etc.), des interfaces de contrat, des composants de comportement et de prise de décision, des outils de test et de simulation, et un mécanisme de publication pour distribuer les agents sur le réseau Open Economic Framework. Les développeurs exploitent son architecture modulaire pour prototyper rapidement des travailleurs numériques pour le commerce DeFi, les marchés de données, la coordination IoT et l'automatisation de la chaîne d'approvisionnement.

Le projet utilise le cadre JADE (Java Agent DEvelopment) pour construire un environnement multi-agent. Il définit des agents qui s'enregistrent auprès du AMS et du DF de la plateforme, échangent des messages ACL et exécutent des comportements tels que cycliques, à une seule étape et FSM. Les scénarios exemples incluent des négociations acheteur-vendeur, des protocoles de contrat en réseau et l'attribution de tâches. Un conteneur GUI pour agents aide à surveiller l'état d'exécution des agents et le flux de messages.

MultiAgentes offre une architecture modulaire pour définir des environnements et des agents, supportant des interactions multi-agent synchrones et asynchrones. Il comprend des classes de base pour les environnements et les agents, des scénarios prédéfinis pour des tâches coopératives et compétitives, des outils pour personnaliser les fonctions de récompense, et des API pour la communication entre agents et le partage d'observations. Les utilitaires de visualisation permettent une surveillance en temps réel des comportements des agents, tandis que les modules de journalisation enregistrent les métriques de performance pour analyse. Le framework s'intègre parfaitement avec les bibliothèques RL compatibles avec Gym, permettant aux utilisateurs d'entraîner des agents avec des algorithmes existants. MultiAgentes est conçu pour l'extensibilité, permettant aux développeurs d'ajouter de nouveaux modèles d'environnement, types d'agents et protocoles de communication adaptés à diverses applications de recherche et d'éducation.