AI Agent Example est un référentiel de démonstration pratique pour les développeurs et chercheurs souhaitant construire des agents intelligents alimentés par de grands modèles de langage (LLM). Le projet inclut un code d'exemple pour la planification d'agents, le stockage de mémoire et l'invocation d'outils, illustrant comment intégrer des API externes ou des fonctions personnalisées. Il propose une interface conversationnelle simple qui interprète les intentions de l'utilisateur, formule des plans d'action et exécute des tâches en appelant des outils prédéfinis. Les développeurs peuvent suivre des modèles clairs pour étendre l'agent avec de nouvelles capacités comme la planification d'événements, le scraping web ou le traitement automatisé de données. Offrant une architecture modulaire, ce modèle accélère l'expérimentation avec des workflows pilotés par l'IA et des assistants numériques personnalisés tout en donnant un aperçu de l'orchestration des agents et de la gestion d'état.

HMAS est un cadre open-source en Python permettant le développement de systèmes hiérarchiques multi-agents. Il offre des abstractions pour définir des hiérarchies d'agents, des protocoles de communication inter-agents, l'intégration d'environnements, et des boucles d'entraînement intégrées. Rechercheurs et développeurs peuvent utiliser HMAS pour prototyper des interactions complexes entre agents, entraîner des politiques coordonnées et évaluer la performance dans des environnements simulés. Son design modulaire facilite l'extension et la personnalisation des agents, environnements et stratégies d'entraînement.

MultiAgentPuzzleSolver fournit un environnement modulaire où des agents d’IA indépendants travaillent ensemble pour résoudre des énigmes telles que les puzzles à glissières, la Cube de Rubik, et les grilles logiques. Les agents partagent des informations d’état, négocient des affectations de sous-tâches, et appliquent diverses heuristiques pour explorer l’espace de solutions plus efficacement que les approches à un seul agent. Les développeurs peuvent ajouter de nouveaux comportements d’agents, personnaliser les protocoles de communication, et introduire de nouvelles définitions d’énigmes. Le cadre inclut des outils pour la visualisation en temps réel, la collecte de métriques de performance, et la scripting d’expériences. Il supporte Python 3.8+, les bibliothèques standard, et des outils ML populaires pour une intégration transparente dans les projets de recherche.