Le système multi-agent de recommandation pour centres commerciaux est un cadre basé sur l'IA utilisant une architecture multi-agent pour améliorer l'expérience de shopping. Il comprend des agents d'acheteurs qui suivent les interactions des visiteurs ; des agents de préférences qui analysent les données passées et en temps réel ; et des agents de recommandation qui génèrent des suggestions de produits et promotions sur mesure. Les agents communiquent via un protocole de passage de messages pour mettre à jour les modèles utilisateur, partager des insights inter-agents et ajuster dynamiquement les recommandations. Le système supporte l'intégration avec CMS et POS pour un retour en temps réel sur l'inventaire et les ventes. Sa conception modulaire permet aux développeurs de personnaliser le comportement des agents, d'intégrer de nouvelles sources de données et de déployer sur diverses plateformes. Idéal pour les grands environnements de vente, il améliore la satisfaction client et augmente les ventes grâce à des recommandations précises et contextuelles.

AWS Bedrock Multi-Agent Blueprint offre un cadre modulaire pour implémenter une architecture multi-agent sur AWS Bedrock. Il inclut un exemple de code pour définir les rôles d'agents — planificateur, chercheur, exécuteur et évaluateur — qui collaborent via des files d'attente de messages partagées. Chaque agent peut invoquer différents modèles Bedrock avec des invites personnalisées et transmettre des sorties intermédiaires aux agents suivants. La journalisation intégrée avec CloudWatch, les modèles de gestion des erreurs et la prise en charge de l'exécution synchrone ou asynchrone illustrent comment gérer la sélection de modèles, les tâches par lots et l'orchestration de bout en bout. Les développeurs clonant le dépôt, configurent les rôles IAM AWS et les points de terminaison Bedrock, puis déploient via CloudFormation ou CDK. Le design open source encourage l'extension des rôles, la mise à l'échelle des agents par tâche, et l'intégration avec S3, Lambda et Step Functions.

Swarms est un cadre axé sur le développement qui facilite la création, l'orchestration et l'exécution de flux de travail IA multi-agents. Vous définissez des agents avec des rôles spécifiques, configurez leur comportement via des invites LLM et les reliez à des outils ou API externes. Swarms gère la communication entre agents, la planification des tâches et la persistance de la mémoire. Son architecture plugin permet l'intégration transparente de modules personnalisés—tels que des récupérateurs, bases de données ou tableaux de bord de surveillance—tandis que ses connecteurs intégrés prennent en charge les principaux fournisseurs de LLM. Que vous ayez besoin d'une analyse de données coordonnée, d'une assistance client automatisée ou de pipelines de prise de décision complexes, Swarms offre les éléments de base pour déployer des écosystèmes d'agents autonomes et évolutifs.

Multi-Agent-Blueprint est une base de code open-source complète pour construire et orchestrer plusieurs agents alimentés par IA collaborant pour aborder des tâches complexes. Au cœur, il offre un système modulaire pour définir des rôles d'agents distincts — tels que chercheurs, analystes et exécutants — chacun avec des mémoires dédiées et des modèles de prompts. Le framework s'intègre parfaitement avec de grands modèles de langage, des API de connaissances externes et des outils personnalisés, permettant une délégation dynamique des tâches et des boucles de rétroaction itératives entre agents. Il inclut également une journalisation et une surveillance intégrées pour suivre les interactions et sorties des agents. Avec des flux de travail personnalisables et des composants interchangeables, les développeurs et chercheurs peuvent rapidement prototyper des pipelines multi-agents pour des applications telles que la génération de contenu, l'analyse de données, le développement de produits ou le support client automatisé.

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.

Nuzon-AI fournit un cadre d'agent basé sur Python qui permet de définir des tâches, de gérer la mémoire conversationnelle et d'étendre les capacités via des plugins. Il prend en charge l'intégration avec des grands LLM (OpenAI, modèles locaux), permettant aux agents d'effectuer des interactions web, de l'analyse de données et des flux de travail automatisés. L'architecture comprend un registre de compétences, un système d'invocation d'outils et une couche d'orchestration multi-agents, vous permettant de composer des agents pour le support client, l'assistance à la recherche et la productivité personnelle. Grâce à des fichiers de configuration, vous pouvez personnaliser le comportement de chaque agent, la politique de rétention de la mémoire et la journalisation pour le débogage ou la conformité.

Ce dépôt propose un cadre multi-agents personnalisable simulant un centre d'appel de taxi. Il définit des agents IA distincts : CustomerAgent pour demander des courses, DispatchAgent pour choisir des conducteurs en fonction de la proximité, DriverAgent pour confirmer les affectations et mettre à jour les statuts, et NotificationAgent pour la facturation et les messages. Les agents interagissent via une boucle orchestratrice utilisant des appels GPT d'OpenAI et la mémoire, permettant un dialogue asynchrone, la gestion des erreurs et la journalisation. Les développeurs peuvent étendre ou adapter les invites des agents, intégrer des systèmes en temps réel, et prototyper des workflows de service client et de dispatch alimentés par l'IA.

Java-Action-Datetime est un module complémentaire pour le framework du système multi-agent LightJason, conçu pour gérer toutes les opérations temporaires dans vos agents. Il fournit des actions pour récupérer le timestamp actuel, analyser des chaînes date/heure en objets temporels Java, appliquer des modèles de formatage personnalisés, effectuer des opérations arithmétiques telles que l'ajout ou la soustraction de durées, calculer des différences entre datetimes et convertir entre fuseaux horaires. Ces actions s'intègrent parfaitement dans le code de l'agent LightJason, réduisent le code redondant et permettent un raisonnement temporel fiable et cohérent dans des déploiements d'agents distribués.

MASChat offre un cadre flexible pour orchestrer des conversations entre plusieurs agents IA alimentés par des modèles linguistiques. Les développeurs peuvent définir des agents avec des rôles spécifiques — comme chercheur, résumeur ou critique — et spécifier leurs invites, permissions et protocoles de communication. le gestionnaire central de MASChat gère le routage des messages, assure la conservation du contexte et enregistre les interactions pour la traçabilité. En coordonnant des agents spécialisés, MASChat décompose des tâches complexes — comme la recherche, la création de contenu ou l’analyse de données — en flux de travail parallèles, améliorant ainsi l’efficacité et la compréhension. Il s’intègre aux API GPT d’OpenAI ou aux LLM locaux et permet des extensions via des plugins pour des comportements personnalisés. MASChat est idéal pour le prototypage de stratégies multi-agent, la simulation d’environnements collaboratifs et l’exploration de comportements émergents dans les systèmes IA.