Comunicação Emergente em Agentes é uma estrutura de PyTorch de código aberto projetada para pesquisadores explorarem como sistemas multiagentes desenvolvem seus próprios protocolos de comunicação. A biblioteca oferece implementações flexíveis de tarefas de aprendizagem por reforço cooperativa, incluindo jogos referenciais, jogos de combinação e desafios de identificação de objetos. Os usuários definem arquiteturas de agentes falantes e ouvintes, especificam propriedades do canal de mensagem como tamanho do vocabulário e comprimento da sequência, e selecionam estratégias de treinamento como gradientes de política ou aprendizagem supervisionada. A estrutura inclui scripts ponta a ponta para executar experimentos, analisar eficiência de comunicação e visualizar línguas emergentes. Seu design modular permite fácil extensão com novos ambientes de jogo ou funções de perda personalizadas. Pesquisadores podem reproduzir estudos publicados, avaliar novos algoritmos e explorar a composicionalidade e semântica das línguas emergentes dos agentes.

MARFT é uma biblioteca baseada em Python para LLMs, permitindo experimentos reprodutíveis e prototipagem rápida de sistemas de IA colaborativos.

Poke-Env foi projetado para simplificar a criação e avaliação de agentes de IA para batalhas no Pokémon Showdown, proporcionando uma interface Python abrangente. Ele gerencia a comunicação com o servidor do Pokémon Showdown, analisa os dados do estado do jogo e gerencia as ações turno a turno através de uma arquitetura baseada em eventos. Os usuários podem estender classes de jogadores base para implementar estratégias personalizadas usando aprendizagem por reforço ou algoritmos heurísticos. A estrutura oferece suporte integrado para simulações de batalha, confrontos paralelizados e registro detalhado de ações, recompensas e resultados para pesquisa reprodutível. Ao abstrair tarefas de rede e parsing de baixo nível, Poke-Env permite que pesquisadores e desenvolvedores de IA foquem no design de algoritmos, ajuste de desempenho e benchmarking comparativo de estratégias de batalha.

WorFBench é uma estrutura abrangente de código aberto projetada para avaliar as capacidades de agentes de IA construídos com modelos de linguagem grandes. Oferece uma variedade de tarefas — desde o planejamento de roteiros até fluxos de trabalho de geração de código — cada uma com objetivos e métricas de avaliação claramente definidos. Os usuários podem configurar estratégias de agentes personalizadas, integrar ferramentas externas via APIs padronizadas e executar avaliações automáticas que registram desempenho em decomposição, profundidade de planejamento, precisão na invocação de ferramentas e qualidade do resultado final. Painéis de visualização integrados ajudam a rastrear cada caminho de decisão do agente, facilitando identificar pontos fortes e fracos. A arquitetura modular do WorFBench permite uma rápida extensão com novas tarefas ou modelos, fomentando pesquisa reprodutível e estudos comparativos.

MAGAIL implementa uma extensão multi-agente da Aprendizagem por Imitation Adversarial Generativa, permitindo que grupos de agentes aprendam comportamentos coordenados a partir de demonstrações de especialistas. Construída em Python com suporte para PyTorch (ou variantes do TensorFlow), MAGAIL consiste em módulos de política (gerador) e discriminador que são treinados em um ciclo adversarial. Os agentes geram trajetórias em ambientes como OpenAI Multi-Agent Particle Environment ou PettingZoo, que o discriminador avalia quanto à autenticidade em relação aos dados de especialistas. Através de atualizações iterativas, as redes de políticas convergem para estratégias semelhantes às dos especialistas sem funções de recompensa explícitas. O design modular do MAGAIL permite personalizar arquiteturas de rede, ingestão de dados de especialistas, integração com ambientes e hiperparâmetros de treinamento. Além disso, registros integrados e visualização no TensorBoard facilitam o monitoramento e análise do progresso e desempenho do aprendizado multi-agente.