MultiAgentModel предоставляет единый API для определения пользовательских окружений и классов агентов для сценариев с множеством агентов. Разработчики могут задавать пространства наблюдения и действий, структуры награды и каналы связи. Встроенная поддержка популярных RL-алгоритмов, таких как PPO, DQN и A2C, позволяет тренировать модели с минимальной настройкой. Инструменты визуализации в реальном времени помогают отслеживать взаимодействия агентов и показатели их эффективности. Модульная архитектура обеспечивает легкую интеграцию новых алгоритмов и пользовательских модулей. Также включает гибкую систему конфигурации для настройки гиперпараметров, утилиты логирования для отслеживания экспериментов и совместимость с OpenAI Gym для бесшовной портативности. Пользователи могут совместно работать над общими окружениями и воспроизводить зафиксированные сессии для анализа.

AgentSimJS предназначена для упрощения создания и выполнения моделей на основе агентов масштабируемых систем на JavaScript. Благодаря своей модульной архитектуре разработчики могут определять агентов с настраиваемыми состояниями, датчиками, функциями принятия решений и актуаторами, а затем интегрировать их в динамические окружения, параметризованные глобальными переменными. Фреймворк управляет симуляциями с дискретными временными шагами, обрабатывает обмен сообщениями между агентами и записывает данные взаимодействий для анализа. Модули визуализации поддерживают отображение в реальном времени с использованием HTML5 Canvas или внешних библиотек, а плагины позволяют интегрировать с статистическими инструментами. AgentSimJS работает как в современных браузерах, так и в Node.js, делая его пригодным для интерактивных веб-приложений, научных исследований, образовательных средств и быстрого прототипирования ройной интеллигентности, динамики толпы или распределенного ИИ.

AgentSpeak — это open-source реализация на Java языка программирования AgentSpeak(L), разработанная для облегчения создания и управления автономными агентами BDI (Вера—Желание— Намерение). Он включает среду выполнения, которая парсит код AgentSpeak(L), поддерживает базы убеждений агентов, инициирует события и выбирает и выполняет планы на основе текущих убеждений и целей. Интерпретатор поддерживает параллельное выполнение агентов, динамическое обновление планов и настраиваемую семантику. Благодаря модульной архитектуре, разработчики могут расширять ключевые компоненты, такие как выбор планов и редактирование убеждений. AgentSpeak позволяет академикам и промышленным компаниям прототипировать, моделировать и развёртывать интеллектуальных агентов в симуляциях, IoT-системах и сценариях мультиагентов.

Этот репозиторий содержит универсальную коллекцию компонентов многопользовательских систем и методов распределенной ИИ-координации. Он включает реализации алгоритмов согласия, протоколов переговоров Contract-Net, аукционных методов распределения задач, стратегий формирования коалиций и коммуникационных framework между агентами. Пользователи могут использовать встроенные среды моделирования для моделирования и тестирования поведения агентов при различных топологиях сети, сценариях задержки и отказах. Модульная структура позволяет разработчикам и исследователям интегрировать, расширять или настраивать отдельные модули координации для приложений в робототехнике, Интернете вещей, умных сетях и системах распределенного принятия решений.

AmongA и исследования мультиагентных AI-систем. Через простое API Python пользователи могут запускать любое число AI-агентов, каждый со своими персоналиями, подсказками и буферами памяти. Агенты участвуют в настраиваемых циклах бесед, поддерживая дебаты, мозговое штурм, принятие решений или симуляции игр. Фреймворк бесшовно интегрируется с основными API LLM (например, OpenAI, Anthropic), позволяя обмениваться сообщениями и хранить транскрипты. Разработчики могут расширять поведение, настраивая роли агентов, управляя очередностью и подключая внешние источники данных. AmongAIs также предлагает утилиты для анализа настроений, оценки по баллах и воспроизведения сессий. Идеально подходит для команд, исследующих возникающее взаимодействие, совместную генерацию идей и тестирование координации цифровых работников в исследовательских и производственных средах.

Репозиторий Berkeley Pacman Projects предлагает модульную кодовую базу на Python, в которой пользователи могут создавать и тестировать агентов ИИ в лабиринте Pacman. Мы руководствуемся обучением без предварительной информации и с ней (DFS, BFS, A*), состязательным многоагентным поиском (minimax, alpha-beta-отсечение) и обучением с подкреплением (Q-обучение с извлечением признаков). Встроенные графические интерфейсы визуализируют поведение агентов в реальном времени; встроенные тесты и автоградера проверяют правильность. Итеративно совершенствуя алгоритмы, пользователи приобретают практический опыт в исследовании пространства состояний, проектировании эвристик, состязательном рассуждении и обучении на основе наград в рамках единой игровой среды.

ComfyUI LLM Party расширяет среду на базе узлов ComfyUI, предоставляя набор узлов с поддержкой LLM, предназначенных для координации текстовых взаимодействий в дополнение к визуальным AI-рабочим потокам. Он предлагает чат-узлы для взаимодействия с большими языковыми моделями, узлы памяти для сохранения контекста и узлы маршрутизации для управления диалогами нескольких агентов. Пользователи могут соединять операции генерации языка, суммирования и принятия решений внутри своих конвейеров, объединяя текстовые AI и генерацию изображений. Расширение также поддерживает настраиваемые шаблоны подсказок, управление переменными и условную ветвление, позволяя автоматизировать создание повествовательных сценариев, описание изображений и динамическое описание сцен. Его модульный дизайн обеспечивает бесшовную интеграцию с существующими узлами, позволяя художникам и разработчикам создавать сложные AI-агентские рабочие процессы без программирования.

UnitMesh предлагает гибкую, модульную среду для определения, управления и выполнения цепочек AI-агентов. Обеспечивается бесшовная интеграция с OpenAI, Anthropic и пользовательскими моделями, поддержка SDK для Python и Node.js, встроенные хранилища памяти, подключатели инструментов и архитектура плагинов. Разработчики могут оркестрировать параллельные или последовательные рабочие процессы, отслеживать логи выполнения и расширять функциональность через пользовательские модули. Архитектура, основанная на событиях, гарантирует высокую производительность и масштабируемость в облачных и локальных развертываниях.

ElizaOS предоставляет надежный набор инструментов для проектирования, тестирования и внедрения автономных AI-агентов в проектах на TypeScript. Разработчики определяют личности агентов, цели и архитектуру памяти, затем используют систему планирования ElizaOS для определения последовательности задач. Модульная архитектура подключателей упрощает интеграцию с системами коммуникации — Discord, Telegram, Slack, X — и блокчейн-сетями через Web3-адаптеры. ElizaOS поддерживает различные бекенды LLM (OpenAI, Anthropic, Llama, Gemini), позволяя легко переключаться между моделями. Поддержка плагинов расширяет функциональность с помощью пользовательских навыков, логирования и мониторинга. Через CLI и SDK команды могут менять конфигурации агентов, отслеживать производительность и масштабировать развертывания в облачных или локальных средах. ElizaOS позволяет автоматизировать взаимодействия с клиентами, маркетинг в соцсетях и бизнес-процессы с помощью автономных цифровых работников.

EthicalEvalMAS обеспечивает модульную среду для оценки систем с несколькими агентами по ключевым этическим аспектам, таким как справедливость, автономия, конфиденциальность, прозрачность и благотворительность. Пользователи могут генерировать пользовательские сценарии или использовать встроенные шаблоны, задавать собственные метрики, запускать автоматические скрипты оценки и визуализировать результаты с помощью встроенных инструментов отчетности. Его расширяемая архитектура облегчает интеграцию с существующими платформами MAS и поддерживает воспроизводимое этическое бенчмаркинг для различных поведений агентов.

GenFuse AI предлагает платформу без кода, где пользователи могут создавать настраиваемых ИИ-агентов для автоматизации различных задач. С помощью визуального конструктора рабочих процессов вы можете подключать ИИ-агентов и инструменты, чтобы разрабатывать многогранную автоматизацию. Платформа включает в себя автоматические конвейеры, самообучающихся агентов и заранее подготовленные шаблоны, которые помогут вам быстро начать. GenFuse AI является независимым от модели, позволяя вам выбирать лучшую модель для каждого агента и интегрироваться с вашими приложениями и пользовательскими инструментами.

IntelligentMASPlatform создавалась для ускорения разработки и развертывания систем с несколькими агентами, предлагая модульную архитектуру с отдельными слоями для агентов, окружения и сервисов. Агенты взаимодействуют через совместимую с FIPA коммуникацию ACL, что обеспечивает динамические переговоры и координацию. В платформу входит универсальный моделятор окружения, позволяющий моделировать сложные сценарии, планировать задачи агентов и визуализировать взаимодействия в реальном времени с помощью встроенной панели. Для расширенного поведения реализованы модули обучения с подкреплением и поддерживаются пользовательские плагины поведения. Инструменты развертывания позволяют упаковать агентов в автономные приложения или распределенные сети. Также API платформы обеспечивает интеграцию с базами данных, IoT-устройствами и сторонними сервисами ИИ, что делает её подходящей для исследований, промышленной автоматизации и умных городов.

Isek — платформа для разработки ИИ-агентов с модульной архитектурой. Она предлагает систему плагинов для инструментов и источников данных, встроенную память для сохранения контекста и движок планирования для координации многошаговых задач. Можно запускать агентов локально или в облаке, интегрировать любой бэкенд LLM и расширять функциональность через сообщества или пользовательские модули. Isek ускоряет создание чат-ботов, виртуальных помощников и автоматизированных рабочих процессов, предоставляя шаблоны, SDK и CLI-инструменты для быстрой разработки.

LinkAgent предоставляет легкий микронуклеус для создания ИИ-агентов с плагиныными компонентами. Пользователи могут регистрировать бэкенды языковых моделей, модули поиска и внешние API как инструменты, а затем собирать их в рабочие процессы с помощью встроенных планировщиков и маршрутизаторов. LinkAgent поддерживает обработчики памяти для сохранения контекста, динамический вызов инструментов и настраиваемую логику принятия решений для сложных многосвязанных рассуждений. Минимальный код позволяет автоматизировать задачи, такие как контроль качества, извлечение данных, оркестровка процессов и создание отчетов.

LiteMultiAgent предоставляет модульный SDK для создания и запуска нескольких AI-агентов параллельно или последовательно, каждый с уникальными ролями и обязанностями. В него встроены хранилища памяти, обмен сообщениями, адаптеры плагинов и циклы выполнения для управления сложной коммуникацией между агентами. Пользователи могут настраивать поведение агентов, интегрировать внешние инструменты или API и контролировать диалоги через логи. Легкий дизайн фреймворка и управление зависимостями делают его идеальным для быстрого прототипирования и развертывания совместных рабочих процессов AI в производстве.

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.

mcp-agent-graph обеспечивает графовый уровень оркестрации для AI-агентов, позволяя разработчикам моделировать сложные рабочие процессы из нескольких шагов в виде ориентированных графов. Каждый узел графа соответствует задаче или функции агента, фиксируя входные, выходные данные и зависимости. Ребра определяют поток данных между агентами, обеспечивая правильный порядок выполнения. Механизм поддерживает последовательную и параллельную работу, автоматическое разрешение зависимостей и интеграцию с пользовательскими Python-функциями или внешними сервисами. Встроенная визуализация позволяет инспектировать топологию графа и отлаживать рабочие процессы. Этот фреймворк оптимизирует разработку модульных, масштабируемых систем с несколькими агентами для обработки данных, рабочих процессов на естественном языке либо объединения моделей ИИ.

Мультияентные системы предназначены для упрощения создания, настройки и запуска распределенных архитектур на основе агентов. Разработчики могут определять поведение агентов, онтологии коммуникации и описание сервисов через классы Java. Фреймворк управляет настройкой контейнеров, передачей сообщений и жизненным циклом агентов. На основе стандартных протоколов FIPA он поддерживает P2P-переговоры, совместное планирование и модульное расширение. Пользователи могут запускать, отслеживать и отлаживать сценарии с несколькими агентами на одном устройстве или в сети, что делает его идеальным для исследований, обучения и небольших развертываний.

MultiAgent2 предоставляет комплексный набор инструментов для оркестровки автономных AI-агентов на базе больших языковых моделей. Разработчики могут определять агентов с настраиваемыми персонажами, стратегиями и контекстами памяти, что позволяет им вести диалоги, делиться информацией и решать задачи совместно. Фреймворк поддерживает плагины для хранения долгосрочной памяти, доступ на основе ролей к общим данным и настраиваемые каналы коммуникации для синхронного или асинхронного диалога. CLI и Python SDK позволяют быстро прототипировать, тестировать и развертывать системы с несколькими агентами для исследований, автоматической поддержки клиентов, пайплайнов по созданию контента и систем поддержки принятия решений. Благодаря абстракции коммуникации между агентами и управлению памятью, MultiAgent2 ускоряет разработку сложных AI-приложений.

NeuralABM — это open-source библиотека на Python, использующая PyTorch для интеграции нейронных сетей в агентное моделирование. Пользователи могут задавать архитектуру агентов в виде нейронных модулей, определять динамику среды и обучать поведение агентов с помощью обратного распространения ошибок на этапах симуляции. Фреймворк поддерживает пользовательские сигналы вознаграждения, обучение по куррикулуму и синхронное или асинхронное обновление, что позволяет исследовать возникающие феномены. В комплект входят утилиты для логирования, визуализации и экспорта наборов данных, что позволяет исследователям и разработчикам анализировать производительность агентов, отлаживать модели и оптимизировать дизайн симуляций. NeuralABM упрощает сочетание обучения с подкреплением и ABM для приложений в области социальных наук, экономики, робототехники и AI-управляемого поведения NPC в играх. Он предоставляет модульные компоненты для настройки среды, поддерживает взаимодействие нескольких агентов и позволяет внедрять внешние датасеты или API для реальных симуляций. Открытая архитектура способствует воспроизводимости и совместной работе благодаря ясной конфигурации экспериментов и интеграции систем контроля версий.