Multi-Agent Surveillance offre un cadre de simulation flexible où plusieurs agents IA agissent comme prédateurs ou évadés dans un monde en grille discret. Les utilisateurs peuvent configurer les paramètres de l'environnement tels que les dimensions de la grille, le nombre d'agents, les rayons de détection et les structures de récompense. Le dépôt comprend des classes Python pour le comportement des agents, des scripts de génération de scénarios, une visualisation intégrée via matplotlib et une intégration transparente avec des bibliothèques populaires d'apprentissage par renforcement. Cela facilite la création de benchmarks pour la coordination multi-agent, le développement de stratégies de surveillance personnalisées et la réalisation d'expériences reproductibles.

Multiagent_system offre une boîte à outils complète pour construire et gérer des environnements multi-agents. Les utilisateurs peuvent définir des scénarios de simulation personnalisés, spécifier les comportements des agents, et utiliser des algorithmes pré-implémentés tels que DQN, PPO et MADDPG. Le framework supporte un entraînement synchrone et asynchrone, permettant aux agents d'interagir simultanément ou en mode tour par tour. Les modules de communication intégrés facilitent l'échange de messages entre agents pour des stratégies coopératives. La configuration des expériences est simplifiée via des fichiers YAML, et les résultats sont automatiquement enregistrés au format CSV ou dans TensorBoard. Les scripts de visualisation aident à interpréter les trajectoires des agents, l'évolution des récompenses et les patterns de communication. Conçu pour la recherche et la production, Multiagent_system évolue sans effort de prototypes sur machine unique à un entraînement distribué sur des clusters GPU.

NavGround Learning fournit une boîte à outils complète pour le développement et la benchmarking d'agents d'apprentissage par renforcement dans les tâches de navigation. Elle supporte la simulation multi-agent, la modélisation des collisions ainsi que des capteurs et actionneurs personnalisables. Les utilisateurs peuvent choisir parmi des modèles de politiques prédéfinis ou implémenter leurs propres architectures, s'entraîner avec des algorithmes RL de pointe et visualiser les métriques de performance. Son intégration avec OpenAI Gym et Stable Baselines3 facilite la gestion des expériences, tandis que ses outils de journalisation et de visualisation intégrés permettent une analyse approfondie du comportement des agents et de la dynamique d'apprentissage.

Shepherding est un cadre de simulation open-source conçu pour les chercheurs et développeurs en apprentissage par renforcement afin d'étudier et d'implémenter des tâches de bergerie multi-agents. Il fournit un environnement compatible Gym où les agents peuvent apprendre à effectuer des comportements tels que faire le tour, collecter et disperser des groupes cibles dans des espaces continus ou discrets. Le cadre comprend des fonctions modulaires pour le façonnage de récompenses, la paramétrisation de l'environnement et des utilitaires de journalisation pour surveiller les performances d'entraînement. Les utilisateurs peuvent définir des obstacles, des populations d'agents dynamiques et des politiques personnalisées en utilisant TensorFlow ou PyTorch. Les scripts de visualisation génèrent des tracés de trajectoires et des enregistrements vidéo des interactions des agents. La conception modulaire de Shepherding permet une intégration transparente avec les bibliothèques RL existantes, facilitant la reproductibilité des expériences, le benchmarking de stratégies de coordination innovantes et le prototypage rapide de solutions de bergerie basées sur l'IA.

Le Swarm Simulator offre un environnement personnalisable pour des expériences multi-agents en temps réel. Les utilisateurs peuvent ajuster les paramètres clés – alignement, cohésion, séparation – et observer la dynamique émergente sur un canvas visuel. Il prend en charge des curseurs d'interface utilisateur interactifs, la modification dynamique du nombre d'agents, et l'exportation des données pour analyse. Idéal pour des démonstrations éducatives, des prototypes de recherche ou des explorations amateurs des principes de l'intelligence collective.

SwarmFlow permet aux développeurs d'instancier et de coordonner une flotte d'agents IA à l'aide de workflows configurables. Les agents peuvent échanger des messages de façon asynchrone, déléguer des sous-tâches et intégrer des plugins personnalisés pour une logique spécifique au domaine. Le framework gère la planification des tâches, l'agrégation des résultats et la gestion des erreurs, permettant aux utilisateurs de se concentrer sur la conception des comportements et des stratégies de collaboration des agents. L'architecture modulaire de SwarmFlow facilite la construction de pipelines complexes pour le brainstorming automatisé, le traitement de données et les systèmes d'aide à la décision, ce qui rend la prototypage, la montée en charge et la surveillance des applications multi-agents faciles.

AgentSimulation est une bibliothèque Python open-source construite sur Pygame pour simuler plusieurs agents autonomes dans un environnement 2D. Elle permet aux utilisateurs de configurer les propriétés des agents, les comportements de pilotage (chercher, fuir, errer), la détection de collision, la recherche de chemins et les règles interactives. Avec un rendu en temps réel et une conception modulaire, elle supporte la création rapide de prototypes, les simulations éducatives et la recherche à petite échelle en intelligence collective ou interactions multi-agents.

Java Action Generic est une bibliothèque légère et modulaire qui permet aux développeurs d'implémenter des comportements d'agents autonomes en Java en définissant des actions génériques. Les actions sont des unités de travail paramétrables que les agents peuvent exécuter, planifier et assembler à l'exécution. Le framework offre une interface cohérente pour les actions, permettant aux développeurs de créer des actions personnalisées, gérer les paramètres des actions et s'intégrer à la gestion du cycle de vie des agents LightJason. Avec le support pour l'exécution basée sur les événements et la concurrence, les agents peuvent réaliser des tâches telles que la prise de décision dynamique, l'interaction avec des services externes et l'orchestration de comportements complexes. La bibliothèque favorise la réutilisabilité et une conception modulaire, adaptée à la recherche, aux simulations, à l'IoT et aux applications d'IA de jeux sur toutes plateformes supportant la JVM.

openai-agents-python est un package Python complet conçu pour aider les développeurs à construire des agents IA entièrement autonomes. Il fournit des abstractions pour la planification des agents, l'intégration d'outils, les états de mémoire et les boucles d'exécution. Les utilisateurs peuvent enregistrer des outils personnalisés, spécifier des objectifs pour les agents et laisser le cadre orchestrer le raisonnement étape par étape. La bibliothèque inclut également des utilitaires pour tester et enregistrer les actions des agents, facilitant ainsi l'itération sur les comportements et le dépannage des tâches complexes en plusieurs étapes.

Kin Kernel est un noyau léger open-source pour la construction de travailleurs numériques alimentés par IA. Il fournit un système unifié pour orchestrer de grands modèles de langage, gérer la mémoire contextuelle et intégrer des outils ou API personnalisés. Avec une architecture basée sur les événements, Kin Kernel supporte l'exécution asynchrone de tâches, le suivi des sessions et des plugins extensibles. Les développeurs définissent le comportement des agents, enregistrent des fonctions externes, et configurent le routage multi-LLM pour automatiser des workflows allant de l'extraction de données au support client. Le framework inclut aussi une journalisation intégrée et une gestion d'erreurs pour faciliter la surveillance et le débogage. Conçu pour la flexibilité, Kin Kernel peut être intégré dans des services web, microservices ou applications Python autonomes, permettant aux organisations de déployer des agents IA robustes à grande échelle.

NeuralABM est une bibliothèque open-source en Python qui exploite PyTorch pour intégrer des réseaux neuronaux dans la modélisation basée sur des agents. Les utilisateurs peuvent spécifier des architectures d'agents sous forme de modules neuronaux, définir la dynamique de l'environnement et entraîner le comportement des agents via la rétro-propagation sur les étapes de simulation. Le framework supporte des signaux de récompense personnalisés, l'apprentissage par curriculum, ainsi que des mises à jour synchrones ou asynchrones, permettant d'étudier des phénomènes émergents. Avec des utilitaires pour la journalisation, la visualisation et l'exportation de jeux de données, chercheurs et développeurs peuvent analyser la performance des agents, déboguer les modèles et itérer sur la conception des simulations. NeuralABM facilite la combinaison de l'apprentissage par renforcement avec l'ABM pour des applications en sciences sociales, économie, robotique et comportements NPC pilotés par IA dans les jeux. Il fournit des composants modulaires pour la personnalisation de l'environnement, supporte les interactions multi-agents, et offre des hooks pour intégrer des jeux de données ou API externes pour des simulations du monde réel. La conception ouverte favorise la reproductibilité et la collaboration via une configuration claire des expériences et une intégration du contrôle de version.

AgentFence fournit une couche de sécurité unifiée pour les agents IA, couvrant l'application des politiques, le contrôle d'accès et la détection d'anomalies. Elle propose des SDK pour Python, Node.js et des API REST pour une intégration facile à vos applications LLM. Avec des tableaux de bord de surveillance en temps réel et des pistes d'audit détaillées, les équipes de conformité ont une visibilité complète sur le comportement des agents. Des politiques personnalisables vous permettent de définir les actions autorisées, les règles d'utilisation des données et les rôles utilisateur. Des alertes automatisées notifient les parties prenantes en cas de violations de politique, tandis que les logs historiques supportent l'analyse forensique et les rapports réglementaires.

Agentic-AI est un cadre Python open-source qui simplifie la construction d’agents autonomes exploitant de grands modèles linguistiques tels que OpenAI GPT. Il fournit des modules principaux pour la planification des tâches, la persistance de mémoire et l’intégration d’outils, permettant aux agents de décomposer des objectifs de haut niveau en étapes exécutables. Le cadre prend en charge des outils personnalisés basés sur des plugins — API, scraping web, requêtes de base de données — permettant aux agents d’interagir avec des systèmes externes. Il dispose d’un moteur de raisonnement en chaîne de pensée coordonnant la planification et les boucles d’exécution, des rappels de mémoire contextuels et une prise de décision dynamique. Les développeurs peuvent facilement configurer le comportement des agents, surveiller les journaux d’actions et étendre la fonctionnalité pour réaliser une automatisation IA évolutive et adaptable pour diverses applications.

Blue Agent sert d'outil complet pour la construction d'agents pilotés par IA dans Node.js. Il permet aux développeurs de mettre en œuvre des prompts de raisonnement en chaîne de pensées pour améliorer le raisonnement, d’intégrer des outils et API externes pour des fonctionnalités enrichies, et de maintenir une mémoire de conversation pour la conservation du contexte. Le framework comprend un moteur de planification qui séquence les tâches, un module d'exécution pour effectuer des actions, et une journalisation intégrée pour suivre les décisions de l'agent. Les développeurs peuvent définir des interfaces d'outils personnalisés, orchestrer des flux de travail à plusieurs étapes et exploiter l'appel de fonctions pour interagir avec des services. La architecture modulaire de Blue Agent permet une extension transparente avec des plugins et supporte des outils de débogage pour observer le comportement de l'agent, ce qui en fait une solution idéale pour la création de chatbots avancés, d’assistants autonomes et de pipelines automatisés.

Minimalist Agent fournit un cadre minimaliste pour construire des agents AI en Python. Il exploite les classes d'agents de LangChain et l'API d'OpenAI pour effectuer un raisonnement à plusieurs étapes, sélectionner dynamiquement des outils et exécuter des fonctions. Vous pouvez cloner le dépôt, configurer votre clé API OpenAI, définir des outils ou points de terminaison personnalisés, et exécuter le script CLI pour interagir avec l'agent. La conception met l'accent sur la clarté et l'extensibilité, rendant facile l'étude, la modification et l'extension des comportements principaux de l'agent pour l'expérimentation ou l'enseignement.

GAMA Genstar Plugin ajoute des capacités d'IA générative à la plateforme GAMA via des connecteurs vers OpenAI, des LLM locaux, et des points de terminaison de modèles personnalisés. Les utilisateurs définissent des invites et des pipelines dans GAML pour générer des décisions d'agents, des descriptions d'environnement ou des paramètres de scénarios à la volée. Le plugin supporte les appels API synchrones et asynchrones, la mise en cache des réponses, et l'ajustement des paramètres. Il facilite l'intégration des modèles en langage naturel dans des simulations à grande échelle, réduisant la script manuelle et favorisant des comportements d'agents plus riches et adaptatifs.