MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

AgentSimJS est conçu pour faciliter la création et l'exécution de modèles à grande échelle basés sur des agents en JavaScript. Grâce à son architecture modulaire, les développeurs peuvent définir des agents avec des états, capteurs, fonctions de décision et actionneurs personnalisés, puis les intégrer dans des environnements dynamiques paramétrés par des variables globales. Le framework orchestre des simulations à étapes discrets, gère la messagerie basée sur des événements entre agents et enregistre les données d'interaction pour analyse. Les modules de visualisation supportent le rendu en temps réel via Canvas HTML5 ou des bibliothèques externes, tandis que les plugins permettent une intégration avec des outils statistiques. AgentSimJS fonctionne à la fois dans les navigateurs modernes et sous Node.js, le rendant adapté aux applications web interactives, à la recherche académique, aux outils éducatifs et au prototypage rapide d'intelligence en essaim, de dynamique des foules ou d'expériences d'IA distribuée.

ProficientAI Agent Framework est une solution complète pour concevoir et déployer des agents IA avancés. Elle permet aux utilisateurs de définir un comportement personnalisé de l’agent via des définitions modulaires d’outils et des spécifications de fonctions, garantissant une intégration sans faille avec des API et services externes. Le sous-système de gestion de mémoire fournit un stockage de contexte à court et long terme, permettant des conversations cohérentes sur plusieurs tours. Les développeurs peuvent facilement basculer entre différents modèles de langage ou les combiner pour des tâches spécialisées. Des outils intégrés de surveillance et de journalisation offrent des aperçus sur la performance et les métriques d’utilisation de l’agent. Que vous construisiez des bots support client, des assistants de recherche de connaissances ou des workflows d’automatisation, ProficientAI simplifie l’ensemble du processus — du prototype à la production — en assurant échelle et fiabilité.

Le Framework de Simulation d'Agents LLM permet la conception, l'exécution et l'analyse d'environnements simulés où des agents autonomes interagissent via de grands modèles de langage. Les utilisateurs peuvent enregistrer plusieurs instances d'agents, assigner des invites et rôles personnalisables, et spécifier des canaux de communication tels que la transmission de messages ou un état partagé. Le framework orchestre les cycles de simulation, collecte des journaux et calcule des métriques comme la fréquence de passage de tour, la latence de réponse et les taux de succès. Il supporte une intégration transparente avec OpenAI, Hugging Face et des LLM locaux. Les chercheurs peuvent créer des scénarios complexes — négociation, allocation de ressources ou résolution collaborative de problèmes — pour observer des comportements émergents. Une architecture de plugins extensible permet d’ajouter de nouveaux comportements d'agents, contraintes environnementales ou modules de visualisation, favorisant des expériences reproductibles.

SyntropAI est une bibliothèque Python orientée développeur conçue pour simplifier la construction d'agents IA autonomes. Elle offre une architecture modulaire avec des composants de base pour la gestion de la mémoire, l'intégration d'outils et d'API, l'abstraction du backend LLM et un moteur de planification orchestrant des flux de travail multi-étapes. Les utilisateurs peuvent définir des outils personnalisés, configurer une mémoire persistante ou à court terme et choisir parmi les fournisseurs LLM pris en charge. SyntropAI comprend également des hooks de journalisation et de surveillance pour suivre les décisions des agents. Ses modules plug-and-play permettent aux équipes d'itérer rapidement sur le comportement des agents, ce qui la rend idéale pour les chatbots, les assistants de connaissance, l'automatisation des tâches et les prototypes de recherche.

Campion Connect est une application complète de gestion de l'eau qui permet aux utilisateurs de gérer les inspections de sites, d'enregistrer des données et de simplifier la communication. Avec des fonctionnalités telles que la saisie de données hors ligne, des rappels automatiques et un stockage sécurisé dans le cloud, elle minimise la paperasse et les charges administratives. Que vous suiviez des visites de sites ou surveilliez des systèmes d'eau, Campion Connect offre précision et efficacité en déplacement.

CityLearn fournit une plateforme de simulation modulaire pour la recherche en gestion de l'énergie utilisant l'apprentissage par renforcement. Les utilisateurs peuvent définir des regroupements de bâtiments multi-zones, configurer des systèmes HVAC, des unités de stockage et des sources renouvelables, puis entraîner des agents RL contre des événements de réponse à la demande. L'environnement expose des observations d'état telles que températures, profils de charge et prix de l'énergie, tandis que les actions contrôlent les points de consigne et la dispatch du stockage. Une API de récompense flexible permet des métriques personnalisées—comme les économies de coûts ou la réduction des émissions—et les outils de journalisation supports l'analyse des performances. CityLearn est idéal pour le benchmarking, l'apprentissage par curriculum, et le développement de nouvelles stratégies de contrôle dans un cadre de recherche reproductible.

Le Dynamic Multi-Agent RAG Pathway offre une architecture modulaire où chaque agent gère des tâches spécifiques — telles que la récupération de documents, la recherche vectorielle, le résumé de contexte ou la génération — tandis qu’un orchestrateur central routage dynamiquement les entrées et sorties entre eux. Les développeurs peuvent définir des agents personnalisés, assembler des pipelines via des fichiers de configuration simples, et tirer parti du journalisation intégrée, de la surveillance et du support de plugin. Ce cadre accélère le développement de solutions RAG complexes, permettant une décomposition adaptative des tâches et un traitement parallèle pour améliorer le débit et la précision.

Eliza est une plateforme de conversation légère et open-source qui simule un psychothérapeute via la reconnaissance de motifs et des modèles de scripts. Les développeurs peuvent définir des scripts, motifs, et variables de mémoire personnalisés pour ajuster les réponses et les flux de conversation. Elle fonctionne dans tout navigateur moderne ou environnement webview, supporte plusieurs sessions, et journalise les interactions pour analyse. Son architecture extensible permet l'intégration dans des pages web, des applications mobiles ou des wrappers de bureau, en faisant un outil polyvalent pour l'apprentissage, la recherche, le prototypage et les installations interactives.

Le F1Tenth Two-Agent Simulator est un cadre de simulation spécialisé construit sur ROS et Gazebo pour émuler deux véhicules autonomes à l’échelle 1/10 en course ou en coopération sur des circuits personnalisés. Il prend en charge la physique réaliste du modèle de pneus, l’émulation de capteurs, la détection de collisions et la journalisation des données. Les utilisateurs peuvent intégrer leurs propres algorithmes de planification et de contrôle, ajuster les paramètres des agents, et exécuter des scénarios tête-à-tête pour évaluer la performance, la sécurité et les stratégies de coordination dans des conditions contrôlées.