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.

VillagerAgent предоставляет комплексный набор инструментов для создания AI-агентов, использующих крупные языковые модели. В основе — определение модульных интерфейсов инструментов, таких как веб-поиск, получение данных или пользовательские API. Фреймворк управляет памятью агента, сохраняя контекст диалога, факты и состояние сессии для бесшовных многоходовых взаимодействий. Гибкая система шаблонов подсказок обеспечивает последовательность сообщений и контроль поведения. Продвинутые функции включают координацию нескольких агентов для совместной работы и планирование фоновых операций. Написан на Python, VillagerAgent легко устанавливается через pip и интегрируется с популярными провайдерами LLM. Будь то создание чат-ботов поддержки клиентов, исследовательских ассистентов или инструментов автоматизации рабочих процессов, VillagerAgent упрощает проектирование, тестирование и развертывание интеллектуальных агентов.

Agent-Baba предоставляет полный набор инструментов для создания и управления автономными AI-агентами, подходящими для конкретных задач. Он предлагает архитектуру плагинов для расширения возможностей, систему памяти для сохранения контекста диалога и автоматизацию рабочих процессов для последовательного выполнения задач. Разработчики могут интегрировать такие инструменты, как веб-скреперы, базы данных и пользовательские API. Фреймворк упрощает настройку через декларативные схемы YAML или JSON, поддерживает совместную работу нескольких агентов и предоставляет панели мониторинга для отслеживания производительности и логов, что позволяет итеративно улучшать и бесшовно развертывать системы в различных средах.

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.

AgentForge предоставляет структурированную среду для определения, объединения и оркестрации отдельных навыков ИИ в целостных автономных агентов. Поддерживает память для сохранения контекста, интеграцию с внешними сервисами через плагины, коммуникацию между несколькими агентами, планирование задач и обработку ошибок. Разработчики могут настраивать собственные обработчики навыков, использовать встроенные модули для понимания естественного языка и интегрироваться с популярными LLM, такими как серия GPT от OpenAI. Модульный дизайн ускоряет циклы разработки, упрощает тестирование и развёртывание чатботов, виртуальных помощников, агентов анализа данных и ботов автоматизации по области.

Agentic-Systems предназначен для упрощения разработки сложных автономных приложений ИИ за счет модульной архитектуры, состоящей из компонентов агент, инструмент и память. Разработчики могут определять пользовательские инструменты, инкапсулируя внешние API или внутренние функции, а модули памяти сохраняют контекст между итерациями агента. Встроенный движок оркестрации планирует задачи, разрешает зависимости и управляет взаимодействиями нескольких агентов для совместных рабочих процессов. Разделяя логику агента и детали исполнения, этот фреймворк обеспечивает быстрые эксперименты, легкое масштабирование и точное управление поведением агента. Будь то прототипирование исследовательских помощников, автоматизация потоков данных или развертывание систем поддержки решений, Agentic-Systems предоставляет необходимые абстракции и шаблоны для ускорения разработки решений ИИ от начала до конца.

Agentic Shared Memory — это надёжное решение для управления контекстными данными в системах с несколькими агентами, управляемых ИИ. Используя векторные встраивания и эффективные структуры данных, он хранит наблюдения, решения и переходы состояния агентов, обеспечивая беспрепятственный доступ и обновление контекста. Агенты могут запрашивать совместную память для доступа к прошлым взаимодействиям или глобальному знанию, способствуя согласованному поведению и совместной работе по решению проблем. Библиотека поддерживает быстрые интеграции с популярными фреймворками ИИ, такими как LangChain или пользовательские организаторы агентов, предлагая настраиваемые стратегии хранения, окна контекста и функции поиска. Скрывая управление памятью, разработчики могут сосредоточиться на логике агента, одновременно обеспечивая масштабируемое и последовательное управление памятью в распределённых или централизованных системах. Это повышает общую производительность системы, снижает избыточные вычисления и усиливает интеллект агентов со временем.

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.

CrewAI Studio — это платформа на базе веб-приложения, позволяющая разработчикам проектировать, визуализировать и контролировать многопроцессные AI-рабочие процессы. Пользователи могут настраивать подсказки, цепочки логики, параметры памяти и внешние API интеграции каждого агента через графический холст. Студия подключается к популярным векторным базам данных, поставщикам LLM и точкам API плагинов. Поддерживается отладка в реальном времени, отслеживание истории диалогов и развертывание одним щелчком мыши в пользовательских средах, что упрощает создание мощных цифровых помощников.

DSpy Agents — это открытый инструментальный набор на Python, упрощающий создание автономных AI-агентов. Он обеспечивает модульную архитектуру для сборки агентов с настраиваемыми инструментами для веб-скрапинга, анализа документов, запросов к базам данных и интеграции с языковыми моделями (OpenAI, Hugging Face). Разработчики могут управлять сложными рабочими процессами с помощью предварительно созданных шаблонов агентов или определять собственные наборы инструментов для автоматизации таких задач, как суммирование исследований, поддержка клиентов и обработка данных. Встроенное управление памятью, логирование, генерация с дополнением поиска, сотрудничество нескольких агентов и лёгкое развёртывание через контейнеры или безсерверные среды ускоряют разработку приложений, управляемых агентами, без лишнего шаблонного кода.

Возникающая коммуникация в агентах — это открытая платформа на PyTorch, предназначенная для исследователей, изучающих, как многопользовательские системы разрабатывают собственные протоколы связи. Библиотека предлагает гибкие реализации совместных задач обучения с подкреплением, включая референциальные игры, комбинированные игры и задачи идентификации объектов. Пользователи определяют архитектуры говорящих и слушающих агентов, задают свойства каналов сообщений, такие как размер словаря и длина последовательности, и выбирают стратегии обучения, такие как градиенты политики или контролируемое обучение. В рамках представлены скрипты для запуска экспериментов, анализа эффективности коммуникации и визуализации возникающих языков. Модульная конструкция обеспечивает лёгкое расширение новыми игровыми средами или пользовательскими функциями потерь. Исследователи могут воспроизводить опубликованные исследования, создавать эталонные модели новых алгоритмов и исследовать композиционность и семантику языков агентов.

Решатель NQueen на базе GA использует модульную многозадачную архитектуру 2APL, где каждый агент кодирует кандидатскую конфигурацию N-Queen. Агентам оценивают свою пригодность, подсчитывая непересекающиеся пары ферзей, после чего они делятся конфигурациями с высокой пригодностью. Генетические операторы — отбор, кроссовер и мутация — применяются к популяции агентов для генерации новых кандидатских досок. В ходе последовательных итераций агенты коллективно приходят к допустимым решениям N-Queen. Фреймворк реализован на Java, поддерживает настройку параметров, таких как размер популяции, частота кроссовера, вероятность мутации и протоколы коммуникации агентов, а также выводит подробные логи и визуализации процесса эволюции.

GenWorlds - это фреймворк для разработки AI, предназначенный для упрощения создания многопользовательских систем. Используя событийную коммуникацию через веб-сокеты, он позволяет разработчикам настраивать интерактивные среды, где автономные агенты могут асинхронно взаимодействовать друг с другом и с окружающей средой. Эти агенты сотрудничают, планируют действия и совместно выполняют сложные задачи, что делает GenWorlds мощной платформой для создания масштабируемых и гибких AI-экосистем.

GPT-agents — это набор инструментов для разработчиков, который упрощает создание и управление автономными AI-агентами с использованием GPT. Он включает встроенные классы Агентов, модульную систему интеграции инструментов и управление постоянной памятью для поддержки текущего контекста. Этот фреймворк обрабатывает циклы планирования диалогов и сотрудничество нескольких агентов, позволяя задавать цели, планировать подзадачи и связывать агентов в сложных рабочих процессах. Поддерживаются настраиваемые инструменты, выбор модели и обработка ошибок для обеспечения надежной и масштабируемой автоматизации в различных областях.

LiteSwarm — это комплексная структура оркестрации агентов ИИ, предназначенная для облегчения совместной работы нескольких специализированных агентов. Пользователи определяют отдельных агентов с разными ролями — такими как извлечение данных, анализ, суммирование или вызовы внешних API — и связывают их в визуальный рабочий процесс. LiteSwarm занимается коммуникацией между агентами, хранением постоянной памяти, восстановлением после ошибок и логированием. Поддерживает интеграцию API, расширения кода и мониторинг в реальном времени, что позволяет командам проектировать, тестировать и внедрять сложные решения с несколькими агентами без большого инженерного времени.

Swarms.ai предоставляет визуальный интерфейс для определения и соединения нескольких агентов ИИ в умные рабочие процессы. Каждый агент можно настроить с определёнными ролями, источниками данных и кастомными интеграциями API. Агенты взаимодействуют путём обмена сообщениями, запуска действий и обмена контекстом, чтобы решить сложные задачи от начала до конца. Платформа предлагает контроль доступа по ролям, управление версиями и анализ в реальном времени для отслеживания эффективности стаи. Не требуется программирование: пользователи перетаскивают компоненты, задают триггеры и связывают выходы для автоматизированных процессов поддержки, продаж, операционных задач и др.

Meta-Agent-with-More-Agents — это расширяемая open-source архитектура метаагента, позволяющая нескольким специализированным подагентам взаимодействовать для выполнения сложных задач. Utilizes LangChain для оркестровки агентов и API OpenAI для обработки естественного языка. Разработчики могут создавать пользовательские агенты для задач извлечения данных, анализа чувств, принятия решений или генерации контента. Мета-агент координирует разбиение задачи, отправляет цели подходящим агентам, собирает их выходные данные и итеративно уточняет результаты через циклы обратной связи. Модульная архитектура поддерживает параллельную обработку, ведение журналов и обработку ошибок. Идеально подходит для автоматизации многозадачных процессов, исследовательских пайплайнов и систем поддержки решений, она упрощает создание надежных распределенных ИИ-систем, абстрагируя коммуникацию между агентами и управление жизненным циклом.

Multi-Agent-LLM предназначен для упрощения оркестрации нескольких ИИ-агентов на базе больших языковых моделей. Пользователи могут определять отдельных агентов с уникальными персонажами, хранилищем памяти и встроенными внешними инструментами или API. Централизованный AgentManager управляет циклами коммуникации, позволяя агентам обмениваться сообщениями в общей среде и совместно достигать сложных целей. Фреймворк поддерживает замену провайдеров LLM (например, OpenAI, Hugging Face), гибкие шаблоны запросов, истории разговоров и пошаговые контексты инструментов. Разработчикам доступны встроенные утилиты для логирования, обработки ошибок и динамического создания агентов, что позволяет масштабировать автоматизацию многоступенчатых рабочих процессов, исследовательских задач и пайплайнов принятия решений.