Este repositório oferece uma demonstração prática de comunicação bidirecional entre agentes baseados na estrutura JADE. Inclui exemplos de classes Java que mostram a configuração de agentes, criação de mensagens compatíveis com FIPA-ACL e manejo de comportamentos assíncronos. Os desenvolvedores podem estudar como o Agente A envia um REQUEST, o Agente B processa a solicitação e retorna uma mensagem INFORM. O código demonstra o registro de agentes no Facilitador de Diretórios, uso de comportamentos cíclicos e pontuais, aplicação de modelos de mensagens para filtragem e registro de sequência de conversas. É um ponto de partida ideal para prototipagem de fluxos de troca de agentes, protocolos personalizados ou integração de agentes JADE em sistemas maiores de IA distribuída.

Os Agentes Econômicos Autônomos (AEA) da Fetch.ai são uma estrutura versátil que capacita desenvolvedores a projetar, implementar e orquestrar agentes de software autônomos capazes de interagir entre si, com ambientes externos e registros digitais. Utilizando uma arquitetura baseada em plugins, a AEA fornece módulos pré-construídos para protocolos de comunicação, APIs de livros-razão criptográficos, identidade descentralizada e habilidades de tomada de decisão personalizáveis. Os agentes podem descobrir e realizar transações em mercados descentralizados, executar comportamentos orientados a metas e se adaptar através de fluxos de dados em tempo real. A estrutura suporta ferramentas de simulação para testar e depurar cenários multi-agente, além de implantação em blockchains ao vivo ou redes peer-to-peer. Com interoperabilidade integrada e troca de mensagens entre agentes, a AEA simplifica o desenvolvimento de aplicações econômicas autônomas complexas, como comércio de energia, otimização da cadeia de suprimentos e coordenação inteligente de IoT.

O Framework de Agentes Econômicos Autônomos (AEA) da Fetch.ai é um SDK open-source em Python e um conjunto de ferramentas CLI para criar agentes modulares e autônomos que podem negociar, transacionar e colaborar em ambientes descentralizados. Inclui comandos de scaffolding para gerar projetos de agentes, modelos para protocolos e habilidades, módulos de conexão para integração com múltiplos ledgers (Ethereum, Cosmos, etc.), interfaces de contratos, componentes de comportamento e tomada de decisão, utilitários de teste e simulação, e um mecanismo de publicação para distribuir agentes na rede Open Economic Framework. Os desenvolvedores aproveitam sua arquitetura modular para prototipar rapidamente trabalhadores digitais para negociações DeFi, mercados de dados, coordenação de IoT e automação da cadeia de suprimentos.

JaCaMo oferece um ambiente unificado para projetar e executar sistemas multiagente (MAS), integrando três componentes principais: a linguagem de programação de agentes Jason para agentes baseados em BDI, CArtAgO para modelagem de ambientes com artefatos, e Moise para definir estruturas organizacionais e papéis. Desenvolvedores podem escrever planos de agentes, definir artefatos com operações e organizar grupos de agentes sob frameworks normativos. A plataforma inclui ferramentas para simulação, depuração e visualização de interações MAS. Com suporte à execução distribuída, repositórios de artefatos e comunicação flexível, JaCaMo permite prototipagem rápida e pesquisa em áreas como inteligência de enxame, robótica colaborativa e tomada de decisões distribuídas. Seu design modular garante escalabilidade e extensibilidade em projetos acadêmicos e industriais.

O projeto usa o framework JADE (Java Agent DEvelopment) para construir um ambiente multi-agente. Define agentes que se registram no AMS e DF da plataforma, trocam mensagens ACL e executam comportamentos como ciclo, uma só vez e FSM. Cenários de exemplo incluem negociações comprador-vendedor, protocolos de contrato net e alocação de tarefas. Um contêiner GUI de agentes ajuda a monitorar o estado dos agentes em tempo de execução e o fluxo de mensagens.

MultiAgentes fornece uma arquitetura modular para definir ambientes e agentes, apoiando interações multiagente síncronas e assíncronas. Inclui classes base para ambientes e agentes, cenários pré-definidos para tarefas cooperativas e competitivas, ferramentas para personalizar funções de recompensa, e APIs para comunicação entre agentes e compartilhamento de observações. Utilitários de visualização permitem monitoramento em tempo real de comportamentos dos agentes, enquanto módulos de registro gravam métricas de desempenho para análise. A framework integra-se perfeitamente com bibliotecas de RL compatíveis com Gym, permitindo treinamentos usando algoritmos existentes. É projetado para extensibilidade, permitindo que desenvolvedores adicionem novos templates de ambiente, tipos de agentes e protocolos de comunicação para atender a diferentes necessidades de pesquisa e educação.

O MultiAgentSystems foi projetado para simplificar o processo de construção e avaliação de aplicações de aprendizado por reforço multiagente (MARL). A plataforma inclui implementações de algoritmos de ponta como MADDPG, QMIX, VDN e treinamento centralizado com execução descentralizada. Possui wrappers de ambiente modulares compatíveis com OpenAI Gym, protocolos de comunicação para interação entre agentes e utilitários de registro para rastrear métricas como modelagem de recompensas e taxas de convergência. Pesquisadores podem personalizar arquiteturas de agentes, ajustar hiperparâmetros e simular configurações como navegação cooperativa, alocação de recursos e jogos adversariais. Com suporte integrado para PyTorch, aceleração por GPU e integração com TensorBoard, o MultiAgentSystems acelera experimentação e benchmarking em domínios colaborativos e competitivos de múltiplos agentes.

OpenAgentSpec define um conjunto abrangente de esquemas JSON, interfaces API e diretrizes de protocolo para agentes de IA. Cobre registro de agentes, declaração de capacidades, formatos de mensagens, manipulação de eventos, gerenciamento de memória e mecanismos de extensão. Seguindo a especificação, organizações podem criar agentes que comunicam de forma confiável entre si e com ambientes hospedeiros, reduzindo o esforço de integração e promovendo um ecossistema reutilizável de componentes de IA interoperáveis.

SuperSwarm foi projetado para orquestrar fluxos de trabalho orientados por IA, aproveitando múltiplos agentes especializados que se comunicam e colaboram em tempo real. Suporta decomposição dinâmica de tarefas, onde um agente controlador principal divide objetivos complexos em subtarefas e as atribui a agentes especialistas. Os agentes podem compartilhar contexto, trocar mensagens e adaptar sua abordagem com base em resultados intermediários. A plataforma oferece um painel web, API RESTful e CLI para implantação e monitoramento. Desenvolvedores podem definir papéis personalizados, configurar topologias de enxame e integrar ferramentas externas via plugins. SuperSwarm escala horizontalmente usando orquestração de containers, garantindo desempenho robusto sob cargas pesadas. Logs, métricas e visualizações ajudam a otimizar interações entre agentes, tornando-o adequado para pesquisa avançada, automação de suporte ao cliente, geração de código e processos de tomada de decisão.

AgentMesh é uma estrutura focada em desenvolvedores que permite registrar agentes de IA individuais e integrá-los em uma rede de malha dinâmica. Cada agente pode se especializar em uma tarefa específica - como prompting de LLM, recuperação ou lógica personalizada - e o AgentMesh gerencia roteamento, balanceamento de carga, manipulação de erros e telemetria em toda a rede. Isso permite construir fluxos de trabalho complexos de múltiplas etapas, encadear agentes e escalar a execução horizontalmente. Com transportes plugáveis, sessões com estado e ganchos de extensibilidade, o AgentMesh acelera a criação de sistemas de agentes de IA robustos e distribuídos.

AgentSmith é uma estrutura modular de orquestração de agentes construída em Python que permite aos desenvolvedores definir, configurar e executar múltiplos agentes de IA de forma colaborativa. Cada agente pode ser atribuído a papéis especializados — como pesquisador, planejador, codificador ou revisor — e comunicar-se através de um barramento de mensagens interno. O AgentSmith suporta gerenciamento de memória através de armazéns vetoriais como FAISS ou Pinecone, decomposição de tarefas em subtarefas e supervisão automatizada para garantir a conclusão dos objetivos. Agentes e pipelines são configurados via arquivos YAML legíveis por humanos, e a estrutura integra-se perfeitamente com APIs OpenAI e LLMs personalizados. Inclui logging, monitoramento e tratamento de erros embutidos, sendo ideal para automatizar fluxos de trabalho de desenvolvimento de software, análise de dados e sistemas de suporte à decisão.