CommNet — это библиотека ориентированная на исследования, реализующая архитектуру CommNet, позволяющую нескольким агентам делиться скрытыми состояниями на каждом шаге времени и обучаться координировать действия в кооперативных средах. Включает определения моделей PyTorch, скрипты обучения и оценки, оболочки среды для OpenAI Gym и утилиты для настройки каналов связи, количества агентов и глубины сети. Исследователи и разработчики могут использовать CommNet для прототипирования и бенчмаркинга стратегий межагентской коммуникации в задачах навигации, преследования–уклонения и сбора ресурсов.

ePH-MAPF обеспечивает эффективный процесс вычисления путей без столкновений для десятков и сотен агентов на сеточных картах. Использует приоритетные эвристики, техники инкрементального поиска и настраиваемые метрики стоимости (Манхэттен, Евклид), чтобы сбалансировать скорость и качество решения. Пользователи могут выбрать разные эвристические функции, интегрировать библиотеку в системы на Python и тестировать производительность на стандартных сценариях MAPF. Код модульный и хорошо документирован, что позволяет исследователям и разработчикам расширять его для динамических препятствий или специализированных сред.

MAGAIL реализует расширение генеративного противоборствующего имитационного обучения для мультиагентов, позволяя группам агентов обучаться скоординированному поведению, основываясь на демонстрациях экспертов. Построенный на Python с поддержкой PyTorch (или вариантов TensorFlow), MAGAIL состоит из модулей политики (генератора) и дискриминатора, обучающихся в противоборственном цикле. Агенты генерируют траектории в средах, таких как OpenAI Multi-Agent Particle Environment или PettingZoo, которые дискриминатор использует для оценки подлинности по сравнению с данными экспертов. Через итеративные обновления сети политики сходятся к стратегиям, похожим на стратегии экспертов, без явных функций награды. Модульная архитектура MAGAIL позволяет настраивать архитектуры сетей, загрузку данных экспертов, интеграцию среды и гиперпараметры обучения. Кроме того, встроенное логирование и визуализация с помощью TensorBoard облегчают мониторинг и анализ прогресса обучения и показателей эффективности мультиагентов.

Patrolling-Zoo предлагает гибкую структуру, позволяющую пользователям создавать и экспериментировать с задачами многогерового патрулирования на Python. Библиотека включает разнообразные окружения на основе сеток и графов, моделирующие сценарии наблюдения, мониторинга и охвата. Пользователи могут конфигурировать количество агентов, размер карты, топологию, функции наград и наблюдаемые пространства. Благодаря совместимости с PettingZoo и API Gym, она обеспечивает беспрепятственную интеграцию с популярными алгоритмами RL. Эта среда облегчает бенчмаркинг и сравнение MARL-техник в условиях единых настроек. Предоставляя стандартные сценарии и инструменты для настройки новых, Patrolling-Zoo ускоряет исследования в автономной робототехнике, безопасности, поисково-спасательных операциях и эффективном покрытии территории с помощью стратегий многогерового координирования.

A2A (Архитектура агент-агент) — это открытая платформа Google для разработки и эксплуатации распределённых ИИ-агентов, работающих совместно. Она предлагает модульные компоненты для определения ролей агентов, каналов связи и разделяемой памяти. Разработчики могут интегрировать различные поставщики LLM, настроить поведение агентов и управлять многошаговыми рабочими процессами. В A2A встроены функции мониторинга, обработки ошибок и возможности воспроизведения для отслеживания взаимодействий агентов. Предоставляя стандартизированный протокол для обнаружения агентов, передачи сообщений и распределения задач, A2A упрощает сложные схемы координации и повышает надёжность масштабируемых приложений на базе агентов в различных средах.

AI-Agents предлагает модульную архитектуру для определения и запуска Python-агентов ИИ. Разработчики могут настраивать поведение агентов, интегрировать внешние API или инструменты и управлять памятью агентов в разных сессиях. Он использует популярные LLM, поддерживает совместную работу нескольких агентов и расширяется при помощи плагинов для сложных рабочих потоков, таких как анализ данных, автоматизированная поддержка и персональные ассистенты.

Agents with ADK — это открытая платформа на Python, предназначенная для упрощения создания интеллектуальных агентов, управляемых большими языковыми моделями. В нее входят модульные шаблоны агентов, встроенные модули памяти, интерфейсы выполнения инструментов и возможности координации нескольких агентов. Разработчики могут быстро интегрировать пользовательские функции или внешние API, настраивать цепочки планирования и логического вывода, а также следить за взаимодействиями агентов. Эта платформа поддерживает интеграцию с популярными поставщиками LLM и включает системы ведения журналов, повторных попыток и расширяемости для промышленного использования.

CArtAgO (Общая инфраструктура артефактов для открытых окружений агентов) - это лёгкий и расширяемый фреймворк для реализации инфраструктур окружения в системах с несколькими агентами. Он вводит концепцию артефактов — первоклассных объектов, представляющих ресурсы окружения с определёнными операциями, наблюдаемыми свойствами и интерфейсами событий. Разработчики определяют типы артефактов на Java, регистрируют их в классах окружения и предоставляют операции и события для потребления агентами. Агенты взаимодействуют с артефактами с помощью стандартных действий (например, createArtifact, observe), получают асинхронные уведомления о изменениях состояния и координируют свои действия через общие ресурсы. CArtAgO легко интегрируется с платформами, такими как Jason, JaCaMo, JADE и Spring Agent, что позволяет разрабатывать гибридные системы. Фреймворк включает встроенную поддержку документации артефактов, динамической загрузки и мониторинга в реальном времени, ускоряя прототипирование сложных приложений на базе агентов.

Среда совместного поиска обеспечивает гибкую, совместимую с gym многопользовательскую среду обучения с подкреплением, предназначенную для задач совместного поиска как на дискретных сетках, так и в непрерывных пространствах. Агентов можно управлять при частичном наблюдении и обмениваться информацией в соответствии с настраиваемыми топологиями связи. Фреймворк поддерживает предопределенные сценарии, такие как поиск и спасение, отслеживание целей в динамике и совместное картографирование, предлагает API для определения пользовательских сценариев и структур наград. Интегрируется с популярными RL-библиотеками, такими как Stable Baselines3 и Ray RLlib, включает средства журналирования для анализа производительности и встроенные инструменты визуализации для мониторинга в реальном времени. Исследователи могут изменять размеры сеток, число агентов, диапазон сенсоров и механизмы обмена наградами для оценки стратегий координации и эффективной проверки новых алгоритмов.

OpenAI Agents MCP Server предоставляет прочную основу для развертывания и управления автономными агентами на базе моделей OpenAI. Он предлагает гибкий RESTful API для создания, настройки и управления агентами, позволяя разработчикам оркестровать многошаговые задачи, координировать взаимодействия между агентами и сохранять постоянную память между сессиями. Фреймворк поддерживает плагинообразные интеграции инструментов, расширенное логирование диалогов и настраиваемые стратегии планирования. Абстрагируя инфраструктурные аспекты, MCP Server упрощает разработку, ускоряет прототипирование и обеспечивает масштабируемость развертываний в продакшене — для чат-ассистентов, автоматизации рабочих процессов и цифровых работников на базе ИИ.

Шепортинг — это открытая симуляционная платформа, предназначенная для исследований и разработок в области обучения с подкреплением с целью изучения и реализации задач пастушества с несколькими агентами. Она предоставляет среду, совместимую с Gym, в которой агенты могут обучаться выполнять поведение, такое как охватывание, сбор и рассеивание целевых групп в непрерывных или дискретных пространствах. В рамках реализованы модульные функции формировки наград, параметризация среды и утилиты для мониторинга обучения. Пользователи могут задавать препятствия, динамичные популяции агентов и собственные политики с использованием TensorFlow или PyTorch. Скрипты визуализации создают траектории и видео взаимодействия агентов. Модульная структура Шепортинга обеспечивает легкую интеграцию с существующими библиотеками RL, что позволяет воспроизводимые эксперименты, сравнение новых стратегий координации и быстрое создание прототипов решений на базе ИИ.