Multi-Agent-Seller fornece um ambiente modular para simulação de negociações de comércio eletrônico usando agentes AI. Inclui agentes pré-construídos de comprador e vendedor com estratégias de negociação personalizáveis, como precificação dinâmica, concessões baseadas no tempo e decisões baseadas em utilidade. Os usuários podem definir protocolos, formatos de mensagens e condições de mercado personalizados. O framework gerencia sessões, rastreamento de ofertas e registros de resultados com ferramentas de visualização integradas para analisar interações de agentes. Integra-se facilmente com bibliotecas de aprendizado de máquina para desenvolvimento de estratégias, permitindo experimentação com aprendizado por reforço ou agentes baseados em regras. Sua arquitetura extensível permite adicionar novos tipos de agentes, regras de negociação e plugins de visualização. Multi-Agent-Seller é ideal para testar algoritmos multiagente, estudar comportamentos de negociação e ensinar conceitos em AI e comércio eletrônico.

FMAS (Sistema Multiagente Flexível) é uma biblioteca de código aberto em Python para construir, executar e visualizar simulações multiagente. Você pode definir agentes com lógica de decisão personalizada, configurar um modelo de ambiente, estabelecer canais de mensagens para comunicação e executar execuções de simulação escaláveis. O FMAS fornece hooks para monitorar o estado do agente, depurar interações e exportar resultados. Sua arquitetura modular suporta plugins para visualização, coleta de métricas e integração com fontes de dados externas, tornando-o ideal para pesquisa, educação e prototipagem de sistemas autônomos no mundo real.

GenerativeAgentsCN é uma adaptação de código aberto do framework Stanford Generative Agents, projetada para simular personas digitais realistas. Combinando grandes modelos de linguagem com um módulo de memória de longo prazo, rotinas de reflexão e lógica de planejador, orquestra agentes que percebem o contexto, recordam interações passadas e decidem autonomamente suas próximas ações. O kit fornece notebooks Jupyter prontos para uso, componentes Python modulares e documentação abrangente em chinês para orientar os usuários na configuração de ambientes, definição de características de agentes e personalização de parâmetros de memória. Use-o para explorar comportamentos de NPCs alimentados por IA, protótipos de bots de atendimento ao cliente ou pesquisa acadêmica sobre cognição de agentes. Com APIs flexíveis, desenvolvedores podem estender algoritmos de memória, integrar LLMs personalizados e visualizar interações de agentes em tempo real.

Multi-Agent Miners oferece um ambiente de mundo em grade onde múltiplos agentes mineradores autônomos navegam, cavando e coletando recursos enquanto interagem entre si. Suporta tamanhos de mapa configuráveis, contagem de agentes e estruturas de recompensa, permitindo criar cenários competitivos ou cooperativos. O framework integra-se com bibliotecas populares de RL via PettingZoo, fornecendo APIs padronizadas para funções de reset, passo e renderização. Modos de visualização e suporte à registro ajudam na análise de comportamentos e resultados, tornando-o ideal para pesquisa, educação e avaliação de algoritmos em aprendizado por reforço multiagente.