Данное репозитории обеспечивает практическую демонстрацию двусторонней связи между агентами, построенными на фреймворке JADE. Включает пример классов Java, показывающих настройку агентов, создание сообщений по стандарту FIPA-ACL и обработку поведения асинхронно. Разработчики могут наблюдать за отправкой агентом A запроса REQUEST, обработкой запроса агентом B и ответом сообщением INFORM. В коде показано регистрация агентов с помощью DFService, использование циклических и одноразовых поведений, применение шаблонов сообщений для фильтрации и ведение логов диалогов. Идеально подходит для прототипирования обменов между агентами, пользовательских протоколов или интеграции JADE-агентов в более крупные распределённые системы ИИ.

AgentMesh предоставляет модульную инфраструктуру, позволяющую разработчикам создавать сети AI-агентов, каждый из которых сосредоточен на конкретной задаче или области. Агенты могут обнаруживаться и регистрироваться динамически во время выполнения, обмениваться сообщениями асинхронно и следовать настраиваемым правилам маршрутизации. Фреймворк управляет повторными попытками, резервными копиями и восстановлением ошибок, поддерживая многогранные конвейеры для обработки данных, поддержки принятия решений или диалоговых приложений. Легко интегрируется с существующими моделями LLM и пользовательскими моделями через простой интерфейс плагинов.

Фреймворк Autonomous Economic Agents (AEA) от Fetch.ai — это открытый исходный код SDK на Python и набор CLI-инструментов для создания модульных автономных агентов, которые могут вести переговоры, осуществлять транзакции и сотрудничать в децентрализованных средах. В его состав входят команды для скелетонизации проектов агентов, шаблоны для протоколов и навыков, модули соединения для интеграции с несколькими реестрами (Ethereum, Cosmos и др.), интерфейсы контрактов, компоненты поведения и принятия решений, инструменты тестирования и моделирования, а также механизм публикации для распространения агентов в сети Open Economic Framework. Разработчики используют его модульную архитектуру для быстрого прототипирования цифровых работников для DeFi-трейдинга, торговых площадок данных, IoT-координации и автоматизации цепочки поставок.

Проект использует фреймворк JADE (Java Agent DEvelopment) для построения мног Agentsystem. Определяются агенты, регистрирующиеся в AMS и DF платформы, обменивающиеся сообщениями ACL и выполняющие такие поведения, как циклические, одношаговые и FSM. В сценариях демонстрируются переговоры покупатель-продавец, протоколы контрактных сетей и распределение задач. Графический контейнер агента помогает отслеживать состояние агентов во время выполнения и поток сообщений.

MultiAgentes использует модульную архитектуру для определения окружений и агентов, поддерживая синхронные и асинхронные взаимодействия между агентами. Включает базовые классы для окружений и агентов, предопределённые сценарии совместных и соревновательных задач, инструменты для настройки функций вознаграждения и API для обмена сообщениями и совместного использования наблюдений. Инструменты визуализации обеспечивают мониторинг поведения агентов в реальном времени, при этом модули логирования записывают метрики производительности для анализа. Фреймворк легко интегрируется с совместимыми с Gym библиотеками RL, позволяя обучать агентов с помощью существующих алгоритмов. MultiAgentes спроектирован с расчётом на расширяемость, позволяя разработчикам добавлять новые шаблоны окружений, типы агентов и протоколы связи для удовлетворения потребностей различных исследований и образовательных целей.