Multi-Agent-Seller fournit un environnement modulaire pour la simulation de négociations en e-commerce à l'aide d'agents IA. Il inclut des agents acheteurs et vendeurs pré-construits avec des stratégies de négociation personnalisables, telles que la tarification dynamique, les concessions basées sur le temps et la prise de décision utilitaire. Les utilisateurs peuvent définir des protocoles, formats de message et conditions de marché personnalisés. Le cadre gère la gestion de session, le suivi des offres et la journalisation des résultats avec des outils de visualisation intégrés pour analyser les interactions des agents. Il s'intègre facilement aux bibliothèques d'apprentissage automatique pour le développement de stratégies, permettant des expérimentations avec l'apprentissage par renforcement ou des agents basés sur des règles. Son architecture extensible permet d'ajouter de nouveaux types d'agents, règles de négociation et plugins de visualisation. Multi-Agent-Seller est idéal pour tester des algorithmes multi-agents, étudier les comportements de négociation et enseigner des concepts en IA et en commerce électronique.

FMAS (Flexible Multi-Agent System) est une bibliothèque Python open-source pour construire, exécuter et visualiser des simulations multi-agents. Vous pouvez définir des agents avec une logique de décision personnalisée, configurer un modèle d'environnement, mettre en place des canaux de messagerie pour la communication et exécuter des simulations évolutives. FMAS fournit des hooks pour surveiller l'état des agents, déboguer les interactions et exporter les résultats. Son architecture modulaire supporte des plugins pour la visualisation, la collecte de métriques et l'intégration avec des sources de données externes, le rendant idéal pour la recherche, l'éducation et les prototypes réels de systèmes autonomes.

GenerativeAgentsCN est une adaptation open-source en chinois du cadre Stanford des agents génératifs, conçu pour simuler des personnages numériques réalistes. En combinant de grands modèles linguistiques avec un module de mémoire à long terme, des routines de réflexion et une logique de planification, il orchestre des agents qui perçoivent le contexte, rapellent des interactions passées et décident autonomement des prochaines actions. La boîte à outils fournit des notebooks Jupyter prêts à l’emploi, des composants Python modulaires et une documentation complète en chinois pour guider les utilisateurs dans la configuration des environnements, la définition des caractéristiques de l’agent et la personnalisation des paramètres de mémoire. Utilisez-la pour explorer le comportement de PNJ piloté par IA, prototyper des bots de service client ou réaliser des recherches académiques sur la cognition des agents. Avec des API flexibles, les développeurs peuvent étendre les algorithmes de mémoire, intégrer leurs propres LLM et visualiser les interactions des agents en temps réel.

Multi-Agent Miners offre un environnement de monde en grille où plusieurs agents mineurs autonomes naviguent, creusent et collectent des ressources tout en interagissant. Il supporte des tailles de carte configurables, le nombre d'agents et des structures de récompenses, permettant aux utilisateurs de créer des scénarios compétitifs ou coopératifs. Le framework s'intègre aux bibliothèques RL populaires via PettingZoo, fournissant des API standardisées pour les fonctions reset, step et render. Les modes de visualisation et le support de journalisation aident à analyser comportements et résultats, idéal pour la recherche, l'éducation et le benchmarking d'algorithmes en apprentissage par renforcement multi-agent.