Данное репозитории реализует появляющуюся коммуникацию в задачах обучения с подкреплением для нескольких агентов с помощью PyTorch. Пользователи могут настроить нейронные сети для отправителей и получателей для игры в референциальные игры или совместную навигацию, побуждая агентов развивать дискретный или непрерывный канал связи. Включены скрипты для обучения, оценки и визуализации изученных протоколов, а также утилиты для создания окружений, кодирования и декодирования сообщений. Исследователи могут расширять их пользовательскими задачами, изменять архитектуру сетей и анализировать эффективность протоколов, что способствует быстрому экспериментированию в области появления коммуникации агентов.

MACL — это модульный фреймворк на Python, предназначенный для упрощения создания и оркестрации нескольких ИИ-агентов. Позволяет определять отдельных агентов с индивидуальными навыками, настраивать каналы связи и планировать задачи в сети агентов. Агенты могут обмениваться сообщениями, договариваться о ответственности и динамически адаптироваться на основе общих данных. Встроенная поддержка популярных LLM и система плагинов для расширяемости позволяют MACL обеспечивать масштабируемые и удобные в обслуживании рабочие процессы ИИ в таких областях, как автоматизация клиентского сервиса, аналитика данных и симуляционные среды.

Agent-FLAN предназначен для упрощения создания сложных приложений на базе ИИ агентов, разделяя задачи на роли планирования и выполнения. Пользователи задают поведение агентов и рабочие процессы с помощью конфигурационных файлов, указывая форматы данных, интерфейсы инструментов и протоколы коммуникации. Планировщик генерирует высокоуровневые планы задач, а исполнители выполняют конкретные действия, такие как вызовы API, обработка данных или создание контента с помощью крупных языковых моделей. Модульная архитектура поддерживает плагины, адаптеры инструментов, шаблоны подсказок и панели мониторинга в реальном времени. Отличается бесшовной интеграцией с популярными провайдерами LLM, такими как OpenAI, Anthropic и Hugging Face, позволяя быстро прототипировать, тестировать и запускать рабочие процессы с несколькими агентами для сценариев автоматизации исследований, генерации контента и бизнес-процессов.

AWS Bedrock Multi-Agent Blueprint обеспечивает модульную основу для реализации архитектуры с несколькими агентами на AWS Bedrock. В ней есть пример кода для определения ролей агентов — планировщика, исследователя, исполнителя и оценщика — которые взаимодействуют через общие очереди сообщений. Каждый агент может вызывать различные модели Bedrock с пользовательскими подсказками и передавать промежуточные результаты последующим агентам. Встроенное ведение журнала с помощью CloudWatch, схемы обработки ошибок и поддержка синхронного или асинхронного выполнения показывают, как управлять выбором моделей, пакетными задачами и полной оркестровкой. Разработчики могут клонировать репозиторий, настроить роли AWS IAM и конечные точки Bedrock, а затем развернуть через CloudFormation или CDK. Открытая архитектура поощряет расширение ролей, масштабирование агентов по задачам и интеграцию с S3, Lambda и Step Functions.

Swarms World предоставляет единый интерфейс для проектирования мультиядерных систем, позволяя пользователям определять роли, протоколы связи и рабочие процессы визуально или через код. Агенты могут сотрудничать, делегировать подзадачи и объединять результаты в реальном времени. Платформа поддерживает локальные, облачные и периферийные развертывания с встроенной регистрацией, метриками производительности и автомасштабированием. Децентрализованный рынок позволяет пользователям находить, делиться и монетизировать модули агентов. Поддержка популярных LLM, API и пользовательских моделей ускоряет разработку надежных корпоративных ИИ-автоматизаций в масштабах.

Swarms.rs — это основной рантайм на Rust для выполнения программ с роевыми AI-агентами. Он включает модульную систему плагинов для интеграции пользовательской логики или моделей ИИ, слой обмена сообщениями для p2p-коммуникации и асинхронный исполнитель для планирования поведения агентов. Все эти компоненты позволяют создавать, развертывать и масштабировать сложные децентрализованные сети агентов для моделирования, автоматизации и совместных задач.

Halite II — это открытый фреймворк соревнований, который проводит пошаговые стратегические матчи между пользователями, написавшими своих ботов. В каждом ходе агенты получают состояние карты, посылают команды перемещения и атаки, и борются за контроль наибольшей территории. Платформа включает игровой сервер, парсер карт и инструмент визуализации. Разработчики могут тестировать локально, дорабатывать эвристики, оптимизировать производительность под временные ограничения и публиковать ботов в онлайн-листинг. Система поддерживает итеративное улучшение ботов, сотрудничество мультиигроков и разработку стратегий в стандартизированной среде.

SwarmZero предлагает масштабируемую, с открытым исходным кодом среду для определения, управления и выполнения групп ИИ-агентов. Разработчики могут объявлять роли агентов, настраивать подсказки и цеплять рабочие процессы через унифицированный API оркестратора. Этот фреймворк интегрируется с основными поставщиками LLM, поддерживает расширения через плагины и ведет журнал данных сессий для отладки и анализа производительности. Не важно — координируете ли вы исследовательских ботов, создателей контента или аналитиков данных, SwarmZero упрощает совместную работу мультиагентных систем и обеспечивает прозрачные, воспроизводимые результаты.

Multi-Agent — это набор инструментов для разработчиков, который помогает создавать и управлять несколькими параллельно работающими агентами ИИ. Каждый агент хранит собственную память, настройки подсказок и очередь сообщений. Вы можете определять пользовательское поведение, настраивать каналы связи между агентами и автоматически делегировать задачи в зависимости от ролей агентов. Он использует API Chat OpenAI для понимания и генерации языка и предоставляет модульные компоненты для оркестрации рабочих процессов, логгирования и обработки ошибок. Это позволяет создавать специализированных агентов, таких как научные ассистенты, обработчики данных или боты поддержки клиентов, которые совместно работают над сложными задачами.

Multi-Agent-AI-Dynamic-Interaction предлагает гибкую среду для разработки, настройки и запуска систем, состоящих из нескольких автономных ИИ-агентов. Каждого агента можно наделить конкретными ролями, целями и протоколами связи. Фреймворк управляет передачей сообщений, контекстом беседы и последовательными или параллельными взаимодействиями. Он поддерживает интеграцию с OpenAI GPT, другими API LLM и пользовательскими модулями. Пользователи задают сценарии через YAML или Python-скрипты, указывая детали агентов, шаги рабочей схемы и критерии остановки. Система регистрирует все взаимодействия для отладки и анализа, а также обеспечивает тонкую настройку поведения агентов для экспериментов по сотрудничеству, переговорам, принятию решений и решению сложных задач.

Multiagent-Prediction-Reward — это исследовательский каркас, объединяющий предсказательные модели и механизмы распределения наград для многог агентного обучения с усилением. В его состав входят оболочки окружения, нейронные модули для прогнозирования действий сверстников и настраиваемая логика маршрутизации наград, адаптирующаяся к результатам работы агентов. Репозиторий содержит конфигурационные файлы, образцовые скрипты и панели оценки для проведения экспериментов по совместным задачам. Пользователи могут расширять код для тестирования новых функций наград, интеграции новых окружений и сравнения с существующими алгоритмами RL для множественных агентов.

RoboCup Rescue Agent Simulation — это рамочная платформа с открытым исходным кодом, моделирующая городские катастрофические ситуации, где несколько управляемых ИИ агентов сотрудничают для поиска и спасения жертв. Она предоставляет интерфейсы для навигации, картографии, связи и интеграции сенсоров. Пользователи могут писать собственные стратегии агентов, запускать пакетные эксперименты и визуализировать показатели эффективности агентов. Платформа поддерживает настройку сценариев, ведение логов и анализ результатов, что ускоряет исследования в области мультиагентных систем и алгоритмов реагирования на бедствия.