Super-Agent-Party позволяет разработчикам определить объект Party, где отдельные AI-агенты выполняют различные роли, такие как планирование, исследование, составление черновика и рецензирование. Каждый агент можно настроить с помощью пользовательских подсказок, инструментов и параметров модели. Фреймворк управляет маршрутизацией сообщений и разделённым контекстом, позволяя агентам в реальном времени работать вместе над подзадачами. Поддерживается интеграция плагинов для сторонних сервисов, гибкие стратегии оркестровки и процедуры обработки ошибок. С интуитивным API пользователи могут динамически добавлять или удалять агентов, связывать рабочие процессы и визуализировать взаимодействия агентов. Построен на Node.js и совместим с основными облачными провайдерами, Super-Agent-Party упрощает разработку масштабируемых и поддерживаемых систем с несколькими агентами для автоматизации, генерации контента, анализа данных и других задач.

OpenAI Swarm — это универсальная библиотека оркестрации, позволяющая параллельно выполнять задачи и принимать решения на базе консенсуса через множество AI-агентов. Она广播ит задачи независимым моделям, собирает их результаты и применяет настраиваемые схемы голосования или ранжирования для выбора наивысшего результата. Разработчики могут настраивать количество агентов, пороги голосования и комбинации моделей для повышения надежности, уменьшения индивидуальных предубеждений и улучшения качества решений. Swarm поддерживает цепочки ответов, итерационные обратные связи и подробные логи рассуждений для аудита, повышая эффективность в задачах суммирования, классификации, генерации кода и сложных рассуждениях за счет коллективного интеллекта.

multiagent_envs — это модульный набор сред на Python, предназначенных для исследований и разработки в области обучения с подкреплением с несколькими агентами. Включает сценарии, такие как кооперативная навигация, хищник-жертва, социальные дилеммы и соревновательные арены. Каждая среда позволяет задавать число агентов, характеристики наблюдений, функции вознаграждения и динамику столкновений. Фреймворк легко интегрируется с популярными RL-библиотеками как Stable Baselines и RLlib, поддерживая векторизированное обучение, параллельное выполнение и легкое логирование. Пользователи могут расширять существующие сценарии или создавать новые с помощью простой API, ускоряя экспериментирование с алгоритмами MADDPG, QMIX, PPO в воспроизводимых условиях.