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.

VillagerAgent предоставляет комплексный набор инструментов для создания AI-агентов, использующих крупные языковые модели. В основе — определение модульных интерфейсов инструментов, таких как веб-поиск, получение данных или пользовательские API. Фреймворк управляет памятью агента, сохраняя контекст диалога, факты и состояние сессии для бесшовных многоходовых взаимодействий. Гибкая система шаблонов подсказок обеспечивает последовательность сообщений и контроль поведения. Продвинутые функции включают координацию нескольких агентов для совместной работы и планирование фоновых операций. Написан на Python, VillagerAgent легко устанавливается через pip и интегрируется с популярными провайдерами LLM. Будь то создание чат-ботов поддержки клиентов, исследовательских ассистентов или инструментов автоматизации рабочих процессов, VillagerAgent упрощает проектирование, тестирование и развертывание интеллектуальных агентов.

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.

AIPE централизует оркестрацию AI-агентов с помощью плагинов для памяти, планирования, использования инструментов и межагентного сотрудничества. Разработчики могут определять роли агентов, использовать контекст через векторные хранилища и интегрировать внешние API или базы данных. Фреймворк предлагает встроенную веб-панель и CLI для тестирования подсказок, мониторинга состояния агентов и соединения задач. AIPE поддерживает несколько механизмов хранения памяти, таких как Redis, SQLite и хранилища в памяти. Его конфигурации с несколькими агентами позволяют назначать специализированные роли — сборщик данных, аналитик, суммаризатор — для совместной работы над сложными запросами. За счет абстрагирования инженерии подсказок, оберток API и обработки ошибок AIPE ускоряет развертывание AI-ассистентов для анализа документов, поддержки клиентов и автоматизированных рабочих процессов.

CrewAI Studio — это платформа на базе веб-приложения, позволяющая разработчикам проектировать, визуализировать и контролировать многопроцессные AI-рабочие процессы. Пользователи могут настраивать подсказки, цепочки логики, параметры памяти и внешние API интеграции каждого агента через графический холст. Студия подключается к популярным векторным базам данных, поставщикам LLM и точкам API плагинов. Поддерживается отладка в реальном времени, отслеживание истории диалогов и развертывание одним щелчком мыши в пользовательских средах, что упрощает создание мощных цифровых помощников.

Решатель NQueen на базе GA использует модульную многозадачную архитектуру 2APL, где каждый агент кодирует кандидатскую конфигурацию N-Queen. Агентам оценивают свою пригодность, подсчитывая непересекающиеся пары ферзей, после чего они делятся конфигурациями с высокой пригодностью. Генетические операторы — отбор, кроссовер и мутация — применяются к популяции агентов для генерации новых кандидатских досок. В ходе последовательных итераций агенты коллективно приходят к допустимым решениям N-Queen. Фреймворк реализован на Java, поддерживает настройку параметров, таких как размер популяции, частота кроссовера, вероятность мутации и протоколы коммуникации агентов, а также выводит подробные логи и визуализации процесса эволюции.