LLM-Blender-Agent permet aux développeurs de construire des systèmes d'IA modulaires multi-agent en intégrant les LLM dans des agents collaboratifs. Chaque agent peut accéder à des outils tels que l'exécution Python, le scraping web, les bases de données SQL et les API externes. Le framework gère la mémoire des conversations, le raisonnement étape par étape et l'orchestration des outils, permettant des tâches telles que la génération de rapports, l'analyse de données, la recherche automatisée et l'automatisation des flux de travail. Basé sur LangChain, il est léger, extensible et compatible avec GPT-3.5, GPT-4 et d'autres LLMs.

DEf-MARL (Cadre d'exécution décentralisé pour l'apprentissage par renforcement multi-agents) fournit une infrastructure robuste pour exécuter et former des agents coopératifs sans contrôleurs centralisés. Il exploite des protocoles de communication peer-to-peer pour partager les politiques et observations entre agents, permettant une coordination par interactions locales. Le cadre s'intègre parfaitement avec des outils RL courants tels que PyTorch et TensorFlow, offrant des wrappers d'environnement personnalisables, la collecte distribuée de rollouts et des modules de synchronisation de gradients. Les utilisateurs peuvent définir des espaces d'observation, des fonctions de récompense et des topologies de communication spécifiques à chaque agent. DEf-MARL supporte l'ajout et la suppression dynamiques d'agents en cours d'exécution, une exécution tolérante aux fautes en répliquant des états critiques sur les nœuds, et une planification de communication adaptative pour équilibrer exploration et exploitation. Il accélère la formation par la parallélisation des simulations d'environnements et la réduction des goulets d'étranglement centraux, ce qui le rend adapté à la recherche MARL à grande échelle et aux simulations industrielles.

multi_agent_celar est conçue comme une plateforme d'IA modulaire permettant une communication à langage émergent entre plusieurs agents intelligents dans des environnements simulés. Les utilisateurs peuvent définir le comportement des agents via des fichiers de politique, configurer les paramètres de l'environnement, et lancer des sessions d'entraînement coordonnées où les agents font évoluer leurs propres protocoles de communication pour résoudre des tâches coopératives. Le cadre comprend des scripts d'évaluation, des outils de visualisation, et prend en charge des expériences évolutives, ce qui en fait une solution idéale pour la recherche en collaboration multi-agent, langage émergent et processus de décision.