AI-Agentsは、PythonベースのAIエージェントを定義し実行するためのモジュール方式のアーキテクチャを提供します。開発者はエージェントの挙動を設定し、外部APIやツールを統合し、セッション間でエージェントのメモリを管理できます。人気のあるLLMを活用し、マルチエージェント協力をサポートし、データ分析や自動化サポート、パーソナルアシスタントなどの複雑なワークフローのためのプラグイン拡張を可能にします。

CArtAgO（Common ARTifact Infrastructure for AGents Open environments）は、マルチエージェントシステムにおける環境インフラを実装するための軽量で拡張性のあるフレームワークです。環境リソースを表す第一級のエンティティであるアーティファクトの概念を導入し、定義された操作、観測可能なプロパティ、イベントインターフェースを備えています。開発者はJavaでアーティファクトタイプを定義し、環境クラスに登録し、操作とイベントをエージェントに公開します。エージェントは標準操作（例：createArtifact、observe）を用いてアーティファクトとやり取りし、非同期通知を受け取りながら状態変化を把握し、共有リソースを通じて調整します。CArtAgOは、Jason、JaCaMo、JADE、Spring Agentなどのエージェントプラットフォームと容易に統合でき、ハイブリッドシステムの開発を可能にします。フレームワークには、アーティファクトのドキュメント化、動的ロード、ランタイム監視のためのビルトインサポートが備わっており、複雑なエージェントベースのアプリケーションの迅速なプロトタイピングを促進します。

Multi-Agentは、並行して実行される複数のAIエージェントを構築し、オーケストレーションするのに役立つ開発者向けツールキットです。各エージェントは自身のメモリストア、プロンプト設定、メッセージキューを保持します。カスタム動作を定義し、エージェント間の通信チャネルを設定し、役割に基づいてタスクを自動的に委任できます。OpenAIのChat APIを活用して言語理解と生成を行い、ワークフローのオーケストレーション、ロギング、エラーハンドリングのためのモジュール式コンポーネントを提供します。これにより、研究支援エージェント、データ処理エージェント、カスタマーサポートボットなどの特殊化されたエージェントを作成し、複合的なタスクに協力させることが可能です。

OpenAI Agents MCP Serverは、OpenAIモデルを搭載した自律エージェントの展開と管理のための堅牢な基盤を提供します。柔軟なRESTful APIを公開し、エージェントの作成、設定、制御を可能にし、開発者はマルチステップタスクのオーケストレーション、エージェント間の相互作用の調整、セッション間の永続的なメモリ維持が行えます。このフレームワークはプラグインのようなツール統合、進んだ会話のロギング、カスタマイズ可能な計画戦略をサポートします。インフラストラクチャの問題を抽象化することで、MCP Serverは開発パイプラインを効率化し、迅速なプロトタイピングと会話型アシスタント、ワークフロー自動化、AI駆動のデジタルワーカーのスケーラブルな展開を促進します。

Shepherdingは、マルチエージェントの牧羊タスクを研究・実装するためのオープンソースのシミュレーションフレームワークです。Gym互換の環境を提供し、エージェントは連続または離散空間でターゲットグループを追跡、収集、分散させる行動を学習できます。フレームワークにはモジュール式の報酬調整関数、環境パラメータ化、トレーニングパフォーマンス監視のためのロギングユーティリティが含まれています。ユーザーはTensorFlowやPyTorchを用いて障害物や動的エージェント群、カスタムポリシーを定義できます。可視化スクリプトは軌跡のプロットやエージェントのやり取りの動画記録を生成します。Shepherdingのモジュール式設計により、既存のRLライブラリとシームレスに統合でき、再現性のある実験や新しい協調戦略のベンチマーク、AI駆動の牧羊ソリューションの迅速なプロトタイピングを可能にします。

CommNetは、複数のエージェントが各タイムステップで隠れ状態を共有し、協力環境でアクションを調整することを可能にする研究志向のライブラリです。PyTorchによるモデル定義、学習および評価スクリプト、OpenAI Gym用環境ラッパー、通信チャネル、エージェント数、ネットワーク深度のカスタマイズに役立つユーティリティを含みます。研究者や開発者は、ナビゲーション、追跡・回避、リソース収集タスクにおいて、エージェント間の通信戦略のプロトタイピングとベンチマークにCommNetを活用できます。

ePH-MAPFは、グリッドベースのマップ上で数十から数百のエージェントの衝突のない経路を効率的に計算するパイプラインを提供します。優先ヒューリスティクス、インクリメンタルサーチ技術、およびカスタマイズ可能なコストメトリクス（マンハッタン距離、ユークリッド距離）を用いて、速度と解の品質のバランスを取ります。ユーザーは異なるヒューリスティクス関数を選択し、Pythonベースのロボティクスシステムにライブラリを統合し、標準的なMAPFシナリオでパフォーマンスベンチマークを行うことができます。コードはモジュール化されており、良好にドキュメント化されているため、研究者や開発者は動的障害物や特殊環境のために拡張可能です。