Ce dépôt implémente la communication émergente dans l'apprentissage par renforcement multi-agent avec PyTorch. Les utilisateurs peuvent configurer des réseaux neuronaux pour l'émetteur et le récepteur afin de jouer à des jeux référentiels ou à une navigation coopérative, encourageant les agents à développer un canal de communication discret ou continu. Il fournit des scripts pour l'entraînement, l'évaluation et la visualisation des protocoles appris, ainsi que des utilitaires pour la création d'environnements, le codage et le décodage des messages. Les chercheurs peuvent l'étendre avec des tâches personnalisées, modifier les architectures de réseau et analyser l'efficacité des protocoles, favorisant des expérimentations rapides dans la communication d'agents émergents.

VillagerAgent fournit une boîte à outils complète pour la construction d'agents IA exploitant de grands modèles linguistiques. Au cœur, les développeurs définissent des interfaces d'outils modulaires, telles que recherche Web, récupération de données ou APIs personnalisées. Le framework gère la mémoire de l'agent en stockant le contexte de la conversation, les faits et l'état de la session pour des interactions multi-tours sans couture. Un système de templating de prompt flexible garantit une communication cohérente et un contrôle du comportement. Les fonctionnalités avancées incluent l'orchestration de plusieurs agents pour collaborer sur des tâches et la planification des opérations en arrière-plan. Écrit en Python, VillagerAgent supporte une installation facile via pip et s'intègre avec les fournisseurs LLM populaires. Que ce soit pour construire des bots de support client, des assistants de recherche ou des outils d'automatisation de workflows, VillagerAgent simplifie la conception, le test et le déploiement d'agents intelligents.

Agent-FLAN est conçu pour simplifier la création d'applications sophistiquées pilotées par des agents IA en segmentant les tâches en rôles de planification et d'exécution. Les utilisateurs définissent le comportement des agents et les workflows via des fichiers de configuration, en précisant les formats d'entrée, les interfaces d'outils et les protocoles de communication. L'agent de planification génère des plans de tâches de haut niveau, tandis que les agents d'exécution réalisent des actions spécifiques, telles que l'appel d'API, le traitement de données ou la génération de contenu avec de grands modèles linguistiques. L'architecture modulaire d'Agent-FLAN supporte des adaptateurs d'outils plug-and-play, des modèles de prompts personnalisés, et des tableaux de bord de surveillance en temps réel. Il s'intègre de façon transparente avec des fournisseurs LLM populaires tels qu'OpenAI, Anthropic et Hugging Face, permettant aux développeurs de prototyper, tester et déployer rapidement des workflows multi-agents pour des scénarios tels que assistants de recherche automatisés, pipelines de génération de contenu dynamique et automatisation des processus d'entreprise.

AIPE centralise l'orchestration des agents IA avec des modules interchangeables pour la mémoire, la planification, l'utilisation d'outils et la collaboration multi-agents. Les développeurs peuvent définir des personas d'agents, incorporer du contexte via des magasins vectoriels, et intégrer des API ou bases de données externes. Le cadre offre un tableau de bord web intégré et une CLI pour tester les prompts, surveiller l’état des agents et enchaîner les tâches. AIPE supporte plusieurs backends de mémoire comme Redis, SQLite et en mémoire. Ses configurations multi-agents permettent d’attribuer des rôles spécialisés — extracteur de données, analyste, résumé — pour collaborer sur des requêtes complexes. En abstraisant l’ingénierie des prompts, les wrappers API et la gestion d’erreurs, AIPE accélère le déploiement d’assistants alimentés par l’IA pour la QA de documents, le support client et l’automatisation de workflows.

CrewAI Studio est une plateforme basée sur le web qui permet aux développeurs de concevoir, visualiser et surveiller des workflows IA multi-agent. Les utilisateurs peuvent configurer les invites, la logique de chaîne, les réglages mémoire et les intégrations d’API externes de chaque agent via une toile graphique. Le studio se connecte à des bases de données vectorielles populaires, des fournisseurs LLM et des points d'extrémité de plugins. Il supporte le débogage en temps réel, le suivi de l’historique des conversations et un déploiement en un clic vers des environnements personnalisés, simplifiant la création d'assistants numériques puissants.

Le solveur NQueen basé sur GA utilise une architecture modulaire multi-agent 2APL où chaque agent encode une configuration candidate pour N-Reines. Les agents évaluent leur fitness en comptant le nombre de paires de reines non en attaque, puis partagent les configurations à haute fitness avec d'autres. Des opérateurs génétiques—sélection, crossover et mutation—sont appliqués à la population d'agents pour générer de nouvelles configurations candidates. Au fil des itérations, les agents convergent collectivement vers des solutions valides pour N-Reines. Le framework est implémenté en Java, supporte le réglage des paramètres de la population, du taux de crossover, de la probabilité de mutation et des protocoles de communication des agents, et fournit des journaux détaillés et des visualisations du processus évolutif.