AmongA et la recherche sur les systèmes IA multi-agentes. Via une API Python simple, les utilisateurs peuvent instancier n'importe quel nombre d'agents IA, chacun doté de personas, invites et buffers mémoire personnalisés. Les agents participent à des boucles de conversation configurables, supportant débats, brainstorming, prise de décision ou simulations de jeux. Le cadre s'intègre parfaitement à des API LLM majeures (par ex., OpenAI, Anthropic), permettant des interactions basées sur des messages et la journalisation des transcriptions. Les développeurs peuvent étendre le comportement en personnalisant les rôles des agents, contrôlant la logique de prise de tour, et en connectant des sources de données externes. AmongAIs propose également des utilitaires pour l'analyse de sentiment, une évaluation basée sur des scores et la relecture de sessions. Idéal pour les équipes explorant la communication émergente, l'idéation collaborative et les tests de coordination des travailleurs numériques en recherche et production.

Agents-Deep-Research est conçu pour rationaliser le développement et le test d'agents IA autonomes en offrant une base de code modulaire et extensible. Il dispose d'un moteur de planification des tâches qui décompose les objectifs définis par l'utilisateur en sous-tâches, d'un module de mémoire à long terme qui stocke et récupère le contexte, et d'une couche d'intégration d'outils permettant aux agents d'interagir avec des API externes et des environnements simulés. Le cadre fournit également des scripts d'évaluation et des outils de benchmarking pour mesurer la performance des agents dans divers scénarios. Basé sur Python et adaptable à différents backend LLM, il permet aux chercheurs et développeurs de prototyper rapidement de nouvelles architectures d'agents, de réaliser des expériences reproductibles et de comparer différentes stratégies de planification dans des conditions contrôlées.

OpenSpiel est un cadre de recherche qui fournit une large gamme d'environnements (de jeux simples sur matrice à des jeux de plateau complexes comme Échecs, Go et Poker) et implémente divers algorithmes d'apprentissage par renforcement et de recherche (ex. itération de valeur, méthodes de gradient de politique, MCTS). Son noyau modulaire en C++ et ses liaisons Python permettent aux utilisateurs d'intégrer des algorithmes personnalisés, de définir de nouveaux jeux et de comparer les performances sur des benchmarks standards. Conçu pour l’extensibilité, il supporte des scénarios à un ou plusieurs agents, permettant d’étudier des stratégies coopératives et compétitives. Les chercheurs utilisent OpenSpiel pour prototyper rapidement des algorithmes, réaliser des expériences à grande échelle et partager du code reproductible.