LLM-Blender-Agentは、開発者がLLMを協調型エージェントにラップし、モジュール式のマルチエージェントAIシステムを構築することを可能にします。各エージェントはPython実行、Webスクレイピング、SQLデータベース、外部APIなどのツールにアクセスできます。フレームワークは会話のメモリ、ステップごとの推論、ツールのオーケストレーションを管理し、報告書作成、データ分析、自動調査、ワークフロー自動化などに利用できます。LangChain上に構築されており、軽量、拡張性が高く、GPT-3.5、GPT-4、その他のLLMと互換性があります。

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。

multi_agent_celarは、模擬環境内で複数のインテリジェントエージェント間の出現言語によるコミュニケーションを可能にするモジュラーAIプラットフォームとして設計されています。ユーザーはポリシーファイルを通じてエージェントの挙動を定義し、環境パラメータを設定し、エージェントが自らの通信プロトコルを進化させて協力タスクを解決する協調トレーニングを開始できます。このフレームワークには、評価スクリプト、可視化ツール、およびスケーラブルな実験のサポートが含まれており、多エージェントコラボレーション、出現言語、意思決定プロセスに関する研究に最適です。