Multi-Agent-LLMは、大規模言語モデルを利用した複数のAIエージェントの調整を合理化するために設計されています。ユーザーは、個々のエージェントに独自のペルソナ、メモリー、外部ツールやAPIを持たせて定義できます。中央のAgentManagerは通信ループを管理し、エージェントが共有環境でメッセージを交換し、協力して複雑な目標に進むことを可能にします。このフレームワークは、OpenAI、Hugging Faceなどの複数のLLMプロバイダーの切り替え、柔軟なプロンプトテンプレート、会話履歴、ステップごとのツーリングコンテキストをサポートします。開発者は、ログ記録、エラー処理、動的エージェント生成用の組み込みユーティリティの恩恵を受け、多段階のワークフロー、研究タスク、意思決定パイプラインのスケーラブルな自動化を可能にします。

DEf-MARL（分散型実行フレームワーク）は、中央コントローラーなしで協調エージェントを実行・訓練する堅牢なインフラを提供します。ピアツーピア通信プロトコルを活用してエージェント間でポリシーや観測情報を共有し、ローカルなインタラクションを通じて協調を実現します。このフレームワークは、PyTorchやTensorFlowなどの一般的なRLツールキットとシームレスに連携し、カスタマイズ可能な環境ラッパー、分散ロールアウト収集、および勾配同期モジュールを提供します。ユーザーはエージェント固有の観測空間、報酬関数、および通信トポロジーを定義可能です。DEf-MARLは動的なエージェントの追加・削除をサポートし、重要な状態をノード間で複製することでフォールトトレランスを確保し、探索と利用のバランスをとるための適応的な通信スケジューリングも行います。環境のシミュレーションの並列化と中央のボトルネック削減によりトレーニングを加速し、大規模なMARL研究や産業シミュレーションに適しています。