AWS Bedrock Multi-Agent Blueprintは、AWS Bedrock上にマルチエージェントアーキテクチャを実装するためのモジュール式フレームワークを提供します。共有メッセージキューを用いて協調する、プランナー、リサーチャー、エグゼキューター、エバリュエーターなどのエージェントの役割を定義するサンプルコードを含みます。各エージェントはカスタムプロンプトを用いて異なるBedrockモデルを呼び出し、中間出力を次のエージェントに渡せます。ビルトインのCloudWatchロギングやエラー処理パターン、同期・非同期実行のサポートを通じ、モデル選択やバッチ処理の管理、end-to-endのオーケストレーションの方法を示します。開発者はリポジトリをクローンし、AWS IAMロールとBedrockエンドポイントを設定し、CloudFormationやCDKを用いて展開します。オープンソース設計により、役割の拡張やエージェントのスケール、S3やLambda、Step Functionsとの連携も可能です。

エマージング・コミュニケーション・イン・エージェンツは、多エージェントシステムが独自の通信プロトコルを開発する仕組みを研究する研究者向けのPyTorchベースのオープンソースフレームワークです。リファレンスゲーム、組合せゲーム、物体識別課題など、協調型強化学習タスクの柔軟な実装を提供しています。ユーザーはスピーカーとリスナーのエージェントアーキテクチャを定義し、語彙数やシーケンス長などのメッセージチャネルのプロパティを指定し、方策勾配や教師あり学習などのトレーニング戦略を選択します。このフレームワークには、実験の実行、通信効率性の分析、エマージング・ランゲージの可視化のためのエンドツーエンドのスクリプトが含まれます。モジュール式設計により、新しいゲーム環境やカスタム損失関数を容易に拡張可能です。研究者は公開済み研究の再現、新アルゴリズムのベンチマーク、エージェント言語の構成性と意味論の調査が行えます。

このリポジトリは、PyTorchを使用したマルチエージェント強化学習における出現通信を実現します。ユーザーは送信者および受信者のニューラルネットワークを設定し、指示ゲームや協力ナビゲーションをプレイさせることで、離散または連続の通信チャネルを開発させます。訓練、評価、学習されたプロトコルの可視化のためのスクリプトや、環境作成、メッセージのエンコード・デコードのユーティリティも提供されています。研究者はカスタムタスクの追加やネットワークアーキテクチャの変更、プロトコルの効率性解析などを行い、エージェント通信の迅速な実験を促進します。

MACLは、複数のAIエージェントの作成と調整を簡素化するためのモジュラーPythonフレームワークです。個々のエージェントにカスタムスキルを定義し、通信チャネルを設定し、エージェットネットワーク全体のタスクをスケジュールできます。エージェントはメッセージを交換し、責任を交渉し、共有データに基づいて動的に適応できます。人気のLLMのサポートや拡張性のためのプラグインシステムも備えており、顧客サービスの自動化、データ分析パイプライン、シミュレーション環境などの分野でスケーラブルかつ維持可能なAIワークフローを実現します。