O Sistema Multiagente de Recomendação de Shopping é uma estrutura orientada por IA construída sobre uma arquitetura multiagente para aprimorar experiências de compra em shoppings. Ele consiste em agentes de compradores que rastreiam as interações dos visitantes, agentes de preferência que analisam dados passados e em tempo real, e agentes de recomendação que geram sugestões personalizadas de produtos e promoções. Os agentes comunicam-se via protocolo de passagem de mensagens para atualizar modelos de usuário, coordenar insights entre agentes e ajustar recomendações dinamicamente. O sistema suporta integração com CMS e POS para feedback de inventário e vendas em tempo real. Seu design modular permite aos desenvolvedores personalizar comportamentos de agentes, integrar novas fontes de dados e implantar em várias plataformas. Ideal para grandes ambientes de varejo, melhora a satisfação do cliente e aumenta as vendas por meio de recomendações precisas e contextuais.

O AWS Bedrock Multi-Agent Blueprint fornece uma estrutura modular para implementar uma arquitetura de múltiplos agentes no AWS Bedrock. Inclui código de exemplo para definir papéis de agentes — planejador, pesquisador, executor e avaliador — que colaboram através de filas de mensagens compartilhadas. Cada agente pode invocar diferentes modelos do Bedrock com prompts personalizados e passar saídas intermediárias para agentes subsequentes. Incorpora logging via CloudWatch, padrões de gerenciamento de erros e suporte para execução síncrona ou assíncrona, demonstrando como gerenciar seleção de modelos, tarefas em lote e orquestração de ponta a ponta. Desenvolvedores podem clonar o repositório, configurar funções IAM do AWS e endpoints do Bedrock, e então implantar usando CloudFormation ou CDK. O design de código aberto incentiva a extensão de papéis, escalabilidade de agentes por tarefas e integração com S3, Lambda e Step Functions.

Swarms é uma estrutura focada no desenvolvedor que possibilita a criação, orquestração e execução de fluxos de trabalho de IA multiagente. Você define agentes com funções específicas, configura seu comportamento via prompts de LLMs e liga-os a ferramentas ou APIs externas. Swarms gerencia a comunicação entre agentes, o planejamento de tarefas e a persistência de memória. Sua arquitetura de plugins permite integrar módulos personalizados —como recuperadores, bancos de dados ou painéis de monitoramento—, enquanto os conectores integrados suportam provedores populares de LLM. Seja para análises de dados coordenadas, suporte automatizado ao cliente ou pipelines complexos de tomada de decisão, Swarms fornece os blocos de construção para implantar ecossistemas de agentes autônomos e escaláveis.

O Multi-Agent-Blueprint é uma base de código abrangente e de código aberto para construir e orquestrar múltiplos agentes acionados por IA que colaboram para resolver tarefas complexas. Em sua essência, oferece um sistema modular para definir papéis de agentes distintos — como pesquisadores, analistas e executores — cada um com seus próprios armazéns de memória e modelos de prompt. O framework integra-se perfeitamente com modelos de linguagem grandes, APIs de conhecimento externas e ferramentas personalizadas, permitindo delegação dinâmica de tarefas e loops de feedback iterativos entre os agentes. Inclui também registros e monitoramento incorporados para acompanhar as interações e saídas dos agentes. Com fluxos de trabalho personalizáveis e componentes intercambiáveis, desenvolvedores e pesquisadores podem prototipar rapidamente pipelines multiagentes para aplicações como geração de conteúdo, análise de dados, desenvolvimento de produtos ou suporte ao cliente automatizado.

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.

Nuzon-AI fornece uma estrutura de agente baseada em Python que permite definir tarefas, gerenciar memória de conversa e estender funcionalidades via plugins. Suporta integração com principais LLMs (OpenAI, modelos locais), permitindo que os agentes realizem interações web, análise de dados e fluxos de trabalho automatizados. A arquitetura inclui um registro de habilidades, sistema de invocação de ferramentas e camada de orquestração multiagente, possibilitando compor agentes para suporte ao cliente, assistência à pesquisa e produtividade pessoal. Com arquivos de configuração, você pode adaptar o comportamento de cada agente, a política de retenção de memória e o registro para depuração ou auditoria.

Este repositório fornece uma estrutura multi-agente personalizável que simula um centro de chamadas de táxi. Define agentes de IA distintos: CustomerAgent para solicitar viagens, DispatchAgent para selecionar motoristas com base na proximidade, DriverAgent para confirmar atribuições e atualizar status, e NotificationAgent para faturamento e mensagens. Os agentes interagem por meio de um ciclo de orquestração usando chamadas GPT da OpenAI e memória, permitindo diálogo assíncrono, tratamento de erros e registro. Desenvolvedores podem estender ou adaptar prompts de agentes, integrar sistemas em tempo real e prototipar fluxos de trabalho de atendimento ao cliente e despacho movidos por IA com facilidade.

Java-Action-Datetime é um módulo adicional para o framework do sistema de multiagentes LightJason, projetado para manipular todas as operações temporais dentro de seus agentes. Fornece ações para recuperar o timestamp atual, analisar strings de data/hora em objetos temporais Java, aplicar padrões de formatação personalizados, realizar operações aritméticas como adicionar ou subtrair durações, calcular diferenças entre datas e horas, e converter entre fusos horários. Essas ações se integram perfeitamente ao código do agente LightJason, reduzindo código redundante e permitindo raciocínio temporal confiável e consistente em implantações distribuídas de agentes.

MASChat fornece uma estrutura flexível para orquestrar conversas entre múltiplos agentes de IA alimentados por modelos de linguagem. Os desenvolvedores podem definir agentes com papéis específicos — como pesquisador, resumidor ou crítico — e especificar seus prompts, permissões e protocolos de comunicação. O gerenciador central do MASChat trata do roteamento de mensagens, garante a preservação do contexto e registra interações para rastreabilidade. Coordenando agentes especializados, MASChat decompoe tarefas complexas — como pesquisa, criação de conteúdo ou análise de dados — em fluxos de trabalho paralelos, melhorando eficiência e insights. Integra-se com as APIs GPT da OpenAI ou LLMs locais e permite extensões por plugins para comportamentos personalizados. MASChat é ideal para prototipagem de estratégias multiagente, simulação de ambientes colaborativos e exploração de comportamentos emergentes em sistemas de IA.