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.

VillagerAgent fornece um conjunto completo de ferramentas para construir agentes de IA que aproveitam grandes modelos de linguagem. Na sua essência, desenvolvedores definem interfaces modulares de ferramentas como busca na web, recuperação de dados ou APIs personalizadas. A estrutura gerencia a memória do agente ao armazenar o contexto da conversa, fatos e estado da sessão para interações contínuas. Um sistema flexível de templates de prompts garante mensagens consistentes e controle de comportamento. Recursos avançados incluem orquestrar vários agentes colaborando em tarefas e agendar operações em segundo plano. Construída em Python, VillagerAgent suporta instalação fácil via pip e integração com provedores populares de LLMs. Seja construindo bots de suporte ao cliente,assistentes de pesquisa ou ferramentas de automação de fluxos de trabalho, VillagerAgent agiliza o design, teste e implantação de agentes inteligentes.

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.

AIPE centraliza a orquestração de agentes de IA com módulos plugáveis para memória, planejamento, uso de ferramentas e colaboração entre múltiplos agentes. Os desenvolvedores podem definir personalidades de agentes, incorporar contexto via armazenamento vetorial e integrar APIs ou bancos de dados externos. A estrutura oferece um painel web integrado e CLI para testar prompts, monitorar o estado do agente e encadear tarefas. AIPE suporta múltiplos backends de memória, como Redis, SQLite e armazenamentos na memória. Seus setups de múltiplos agentes permitem atribuir papéis especializados—como extrator de dados, analista, resumidor—para enfrentar consultas complexas de forma colaborativa. Ao abstrair engenharia de prompts, wrappers de API e tratamento de erros, AIPE acelera a implantação de assistentes baseados em IA para QA de documentos, suporte ao cliente e fluxos de trabalho automatizados.

O CrewAI Studio é uma plataforma baseada na web que permite aos desenvolvedores projetar, visualizar e monitorar fluxos de trabalho de IA multiagentes. Os usuários podem configurar prompts de cada agente, lógica de cadeia, configurações de memória e integrações de API externas via um canvas gráfico. O estúdio conecta-se a bancos de dados vetoriais populares, provedores de LLMs e endpoints de plugins. Suporta depuração em tempo real, rastreamento de histórico de conversas e implantação com um clique em ambientes personalizados, simplificando a criação de assistentes digitais poderosos.

O solucionador NQueen baseado em GA usa uma arquitetura modular de multiagentes 2APL na qual cada agente codifica uma configuração candidata de N-Rainhas. Os agentes avaliam sua aptidão contando pares de rainhas não atacantes, e compartilham configurações de alta aptidão com outros. Operadores genéticos — seleção, crossover e mutação — são aplicados na população de agentes para gerar novos tabuleiros candidatos. Em iterações sucessivas, os agentes convergem coletivamente para soluções válidas de N-Rainhas. O framework é implementado em Java, suporta parametrização de tamanho de população, taxa de crossover, probabilidade de mutação e protocolos de comunicação de agentes, além de gerar logs detalhados e visualizações do processo evolutivo.