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-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.

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.

autogen_multiagent предоставляет структурированный способ создания, настройки и координации нескольких AI-агентов в Python. Он предлагает динамическое создание агентов, каналы обмена сообщениями, планирование задач, циклы выполнения и утилиты мониторинга. Благодаря бесшовной интеграции с API OpenAI, можно назначать специализированные роли — такие как планировщик, исполнитель, резюме — каждому агенту и управлять их взаимодействием. Эта рамка идеально подходит для сценариев, требующих модульных и масштабируемых AI-работых процессов, таких как автоматизированный анализ документов, организация поддержки клиентов и многошаговая генерация кода.

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.

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.

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.

Microsoft AutoGen разработан для облегчения разработки от начала до конца автономных AI-агентов с помощью модульных компонентов для управления памятью, планирования задач, интеграции инструментов и коммуникации. Разработчики могут определять собственные инструменты с структурированными схемами и подключать их к основным поставщикам LLM, таким как OpenAI и Azure OpenAI. Framework поддерживает оркестрацию как одного, так и нескольких агентов, позволяя создавать совместные рабочие процессы, где агенты координируют выполнение сложных задач. Его архитектура «подключи и используй» позволяет легко расширять систему новыми хранилищами памяти, стратегиями планирования и протоколами связи. Инкапсулируя детали низкоуровневой интеграции, AutoGen ускоряет создание прототипов и развертывание приложений на базе искусственного интеллекта по различным направлениям, таким как поддержка клиентов, анализ данных и автоматизация процессов.

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.

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.

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.

OpenAI Agents предоставляет модульную среду для определения, выполнения и управления автономными AI-агентами на базе языковых моделей OpenAI. Разработчики могут конфигурировать агентов с хранилищами памяти, регистрировать пользовательские инструменты или плагины, координировать работу нескольких агентов и отслеживать выполнение с помощью встроенного логгирования. Фреймворк управляет вызовами API, управлением контекстом и асинхронным планированием задач, позволяя быстро создавать прототипы сложных рабочих процессов на базе ИИ и приложений, таких как извлечение данных, автоматизация поддержки клиентов, генерация кода, исследовательская деятельность.