Esta estrutura de código aberto combina a biblioteca de modelagem de agentes AgentSimJs com o motor gráfico 3D do Three.js para fornecer simulações multiagentes interativas baseadas no navegador. Os usuários podem definir tipos de agentes, comportamentos e regras ambientais, configurar detecção de colisões e gerenciamento de eventos, e visualizar simulações em tempo real com opções de renderização personalizáveis. A biblioteca suporta controles dinâmicos, gerenciamento de cenas e ajuste de desempenho, tornando-a ideal para pesquisa, educação e prototipagem de cenários complexos baseados em agentes.

NeuralABM é uma biblioteca open-source em Python que utiliza PyTorch para integrar redes neurais na modelagem baseada em agentes. Usuários podem especificar arquiteturas de agentes como módulos neurais, definir dinâmicas do ambiente e treinar comportamentos de agentes usando retropropagação entre passos de simulação. O framework suporta sinais de recompensa personalizados, aprendizado por currículo e atualizações síncronas ou assíncronas, permitindo o estudo de fenômenos emergentes. Com utilitários para registro, visualização e exportação de conjuntos de dados, pesquisadores e desenvolvedores podem analisar o desempenho do agente, depurar modelos e iterar no design da simulação. NeuralABM simplifica a combinação de reforço de aprendizagem com ABM para aplicações em ciências sociais, economia, robótica e comportamentos de NPC em jogos alimentados por IA. Oferece componentes modulares para personalização do ambiente, suporta interações multiagentes e fornece ganchos para integrar conjuntos de dados externos ou APIs para simulações do mundo real. O design aberto promove reprodutibilidade e colaboração através de configurações claras de experimentos e integração com controle de versão.

A Copa de Futebol AI em um ambiente Java JADE é uma demonstração de código aberto que aproveita o Framework de Desenvolvimento de Agentes Java (JADE) para simular um torneio completo de futebol. Modela cada jogador como um agente autônomo com comportamentos para movimento, controle de bola, passe e chute, coordenando via troca de mensagens para implementar estratégias. O simulador inclui árbitros e agentes treinadores, aplica as regras do jogo e gerencia os brackets do torneio. Desenvolvedores podem estender a tomada de decisão com regras personalizadas ou integrar módulos de aprendizado de máquina. Este ambiente ilustra comunicação multiagente, trabalho em equipe e planejamento de estratégias dinâmicas em um cenário esportivo em tempo real.