Este repositório implementa comunicação emergente em aprendizado por reforço multiagente usando PyTorch. Os usuários podem configurar redes neurais de emissores e receptores para jogar jogos referenciais ou navegação cooperativa, incentivando os agentes a desenvolver um canal de comunicação discreto ou contínuo. Oferece scripts para treinamento, avaliação e visualização dos protocolos aprendidos, além de utilitários para criação de ambientes, codificação e decodificação de mensagens. Pesquisadores podem expandi-lo com tarefas personalizadas, modificar arquiteturas de rede e analisar a eficiência do protocolo, promovendo experimentação rápida em comunicação emergente de agentes.

MACL é uma estrutura modular em Python projetada para simplificar a criação e orquestração de múltiplos agentes de IA. Permite definir agentes individuais com habilidades personalizadas, configurar canais de comunicação e agendar tarefas em uma rede de agentes. Os agentes podem trocar mensagens, negociar responsabilidades e se adaptar dinamicamente com base nos dados compartilhados. Com suporte integrado para LLMs populares e um sistema de plugins para extensibilidade, o MACL possibilita fluxos de trabalho de IA escaláveis e de fácil manutenção em áreas como automação de atendimento ao cliente, pipelines de análise de dados e ambientes de simulação.

Agent-Baba fornece um kit de ferramentas abrangente para criar e gerenciar agentes de IA autônomos adaptados a tarefas específicas. Oferece uma arquitetura de plugins para ampliar capacidades, um sistema de memória para reter contexto conversacional e automação de fluxo de trabalho para execução sequencial de tarefas. Os desenvolvedores podem integrar ferramentas como web scrapers, bancos de dados e APIs personalizadas nos agentes. O framework simplifica a configuração por meio de esquemas em YAML ou JSON, suporta colaboração entre múltiplos agentes e fornece dashboards de monitoramento para acompanhar o desempenho do agente e logs, permitindo melhorias iterativas e implantação tranquila em diversos ambientes.

O Agent-FLAN foi projetado para simplificar a criação de aplicações sofisticadas movidas por agentes de IA segmentando tarefas em papéis de planejamento e execução. Os usuários definem comportamentos e fluxos de trabalho de agentes via arquivos de configuração, especificando formatos de entrada, interfaces de ferramenta e protocolos de comunicação. O agente de planejamento gera planos de tarefas de alto nível, enquanto os agentes de execução realizam ações específicas, como chamar APIs, processar dados ou gerar conteúdo com grandes modelos de linguagem. A arquitetura modular do Agent-FLAN suporta adaptadores de ferramentas plug-and-play, modelos de prompt personalizados e painéis de monitoramento em tempo real. Ele se integra facilmente com provedores populares de LLM como OpenAI, Anthropic e Hugging Face, permitindo que desenvolvedores criem rapidamente protótipos, testem e implantem fluxos de trabalho multi-agentes para cenários como assistentes de pesquisa automatizados, pipelines de geração de conteúdo dinâmico e automação de processos empresariais.

O Agentic-Systems foi projetado para simplificar o desenvolvimento de aplicações sofisticadas de IA autônoma, oferecendo uma arquitetura modular composta por componentes de agente, ferramenta e memória. Os desenvolvedores podem definir ferramentas personalizadas que encapsulam APIs externas ou funções internas, enquanto os módulos de memória mantêm informações contextuais entre as iterações do agente. O mecanismo de orquestração embutido agenda tarefas, resolve dependências e gerencia interações multi-agente para fluxos de trabalho colaborativos. Ao desacoplar a lógica do agente dos detalhes de execução, a estrutura possibilita experimentação rápida, fácil escalabilidade e controle detalhado sobre o comportamento do agente. Seja prototipando assistentes de pesquisa, automatizando pipelines de dados ou implantando agentes de suporte à decisão, o Agentic-Systems fornece as abstrações e modelos necessários para acelerar o desenvolvimento de soluções de IA de ponta a ponta.

Agentic Shared Memory fornece uma solução robusta para gerenciamento de dados contextuais em ambientes multi-agente movidos por IA. Aproveitando embeddings vetoriais e estruturas de dados eficientes, ela armazena observações, decisões e transições de estado dos agentes, permitindo recuperação e atualização de contexto de forma contínua. Os agentes podem consultar a memória compartilhada para acessar interações passadas ou conhecimento global, promovendo comportamentos coerentes e resolução colaborativa de problemas. A biblioteca suporta integração plug-and-play com frameworks populares de IA como LangChain ou orquestradores de agentes personalizados, oferecendo estratégias de retenção personalizáveis, janelas de contexto e funções de busca. Ao abstrair o gerenciamento de memória, os desenvolvedores podem focar na lógica do agente, garantindo manipulação escalável e consistente de memória em implantações distribuídas ou centralizadas. Isso melhora o desempenho geral do sistema, reduz cálculos redundantes e aumenta a inteligência dos agentes ao longo do tempo.

autogen_multiagent fornece uma maneira estruturada de instanciar, configurar e coordenar múltiplos agentes de IA em Python. Oferece criação dinâmica de agentes, canais de mensagens entre agentes, planejamento de tarefas, ciclos de execução e utilitários de monitoramento. Integrando-se perfeitamente com a API da OpenAI, permite atribuir papéis especializados—como planejador, executor, resumidor—a cada agente e orquestrar suas interações. Este framework é ideal para cenários que requerem fluxos de trabalho modulares e escaláveis de IA, como análise automatizada de documentos, orquestração de suporte ao cliente e geração de códigos em múltiplas etapas.

Swarms.rs é o núcleo de runtime em Rust para executar programas de agentes de IA baseados em enxame. Possui um sistema modular de plugins para integrar lógica personalizada ou modelos de IA, uma camada de passagem de mensagens para comunicação peer-to-peer e um executor assíncrono para agendar comportamentos de agentes. Juntos, esses componentes permitem que os desenvolvedores projetem, implantem e escalem redes complexas de agentes descentralizados para simulação, automação e tarefas de colaboração multiagentes.

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.

GenWorlds é uma estrutura de desenvolvimento em IA projetada para facilitar a criação de sistemas multiagente. Utilizando um framework de comunicação baseado em eventos via websocket, permite que os desenvolvedores criem ambientes interativos onde agentes autônomos podem interagir assíncronamente entre si e com o ambiente ao redor. Esses agentes colaboram, planejam ações e executam tarefas complexas coletivamente, tornando GenWorlds uma plataforma robusta para criar ecossistemas de IA escaláveis e flexíveis.

Microsoft AutoGen foi projetado para facilitar o desenvolvimento de ponta a ponta de agentes de IA autônomos, fornecendo componentes moduláveis para gerenciamento de memória, planejamento de tarefas, integração de ferramentas e comunicação. Os desenvolvedores podem definir ferramentas personalizadas com esquemas estruturados e conectar-se a principais provedores de LLM como OpenAI e Azure OpenAI. A estrutura suporta a orquestração de agentes únicos e múltiplos, permitindo fluxos de trabalho colaborativos onde os agentes coordenam para concluir tarefas complexas. Sua arquitetura plug-and-play permite fácil extensão com novos armazenamento de memória, estratégias de planejamento e protocolos de comunicação. Ao abstrair os detalhes de integração de baixo nível, o AutoGen acelera a Prototipagem e implantação de aplicações baseadas em IA em domínios como suporte ao cliente, análise de dados e automação de processos.

Swarms.ai fornece uma interface visual para definir e conectar múltiplos agentes de IA em fluxos de trabalho inteligentes. Cada agente pode ser configurado com funções específicas, fontes de dados e integrações de API personalizadas. Os agentes colaboram trocando mensagens, acionando ações e compartilhando contexto para lidar com tarefas complexas de ponta a ponta. A plataforma oferece controle de acesso baseado em funções, versionamento e análises em tempo real para monitorar o desempenho do enxame. Não é necessário codificar: os usuários arrastam e soltam componentes, configuram gatilhos e vinculam saídas para projetar processos automatizados para suporte, vendas, operações e mais.

Meta-Agent-with-More-Agents é uma estrutura de código aberto extensível que implementa uma arquitetura de agente meta permitindo que múltiplos subagentes especializados colaborem em tarefas complexas. Usa LangChain para orquestração de agentes e APIs da OpenAI para processamento de linguagem natural. Desenvolvedores podem definir agentes personalizados para tarefas como extração de dados, análise de sentimentos, tomada de decisões ou geração de conteúdo. O agente meta coordena a decomposição de tarefas, distribui objetivos aos agentes apropriados, coleta suas saídas e aprimora iterativamente os resultados usando ciclos de feedback. Seu design modular suporta processamento paralelo, registro de logs e manejo de erros. Ideal para automação de fluxos de trabalho de múltiplas etapas, pipelines de pesquisa e sistemas de suporte à decisão dinâmicos, simplificando a construção de sistemas de IA distribuída robustos ao abstrair a comunicação entre agentes e a gestão de ciclo de vida.

Multi-Agent-LLM foi projetado para simplificar a orquestração de múltiplos agentes de IA alimentados por grandes modelos de linguagem. Os usuários podem definir agentes individuais com personas únicas, armazenamento de memória e ferramentas ou APIs externas integradas. Um central AgentManager gerencia os ciclos de comunicação, permitindo que os agentes troquem mensagens em um ambiente compartilhado e avancem colaborativamente em direção a objetivos complexos. A estrutura suporta troca de provedores de LLM (por exemplo, OpenAI, Hugging Face), templates de prompt flexíveis, históricos de conversas e contextos passo a passo de ferramentas. Os desenvolvedores beneficiam-se de utilitários embutidos para registro, tratamento de erros e spawning dinâmico de agentes, possibilitando automação escalável de fluxos de trabalho de múltiplas etapas, tarefas de pesquisa e pipelines de tomada de decisão.

Multi-Agent é um kit de ferramentas de desenvolvedor que ajuda você a construir e orquestrar múltiplos agentes de IA rodando em paralelo. Cada agente mantém sua própria memória, configuração de prompt e fila de mensagens. Você pode definir comportamentos personalizados, configurar canais de comunicação entre agentes e delegar tarefas automaticamente com base nos papéis dos agentes. Aproveita a API Chat da OpenAI para compreensão e geração de linguagem, oferecendo componentes modulares para orquestração de fluxo de trabalho, registro e tratamento de erros. Isso possibilita a criação de agentes especializados — como assistentes de pesquisa, processadores de dados ou bots de suporte ao cliente — que trabalham juntos em tarefas multifacetadas.

Multiagent-Prediction-Reward é uma estrutura orientada à pesquisa que integra modelos de previsão e mecanismos de distribuição de recompensas para aprendizado por reforço multiagente. Inclui wrappers de ambiente, módulos neurais para previsão de ações dos pares, e lógica de roteamento de recompensas personalizável que se adapta ao desempenho do agente. O repositório fornece arquivos de configuração, scripts de exemplo e painéis de avaliação para rodar experimentos em tarefas cooperativas. Usuários podem estender o código para testar novas funções de recompensa, integrar novos ambientes e comparar com algoritmos RL multiagente estabelecidos.

OpenAI Agents fornece um ambiente modular para definir, executar e gerenciar agentes de IA autônomos apoiados pelos modelos de linguagem da OpenAI. Os desenvolvedores podem configurar agentes com armazéns de memória, registrar ferramentas ou plugins personalizados, orquestrar colaboração multiagente e monitorar a execução por meio de logs integrados. A estrutura lida com chamadas de API, gerenciamento de contexto e agendamento de tarefas assíncronas, permitindo uma prototipagem rápida de fluxos de trabalho complexos baseados em IA e aplicações que realizam tarefas como extração de dados, automação de suporte ao cliente, geração de código e assistência em pesquisa.