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.

Репозиторий Protocol Net Protocol предоставляет полную Java-реализацию взаимодействия по протоколу FIPA Contract Net. Разработчики могут создавать управляющих и контрактных агентов, которые обмениваются CFP (запросами предложений), предложениями, принятием и отказами через коммуникационные каналы агентов. В код включены основные модули для распространения задач, сбора ставок, оценки предложений на основе настраиваемых критериев, присуждения контрактов и мониторинга выполнения. Его можно интегрировать в большие системы с несколькими агентами или использовать как автономную библиотеку для исследований, промышленных расписаний или командной работы роботов.

FMAS (Гибкая система мультиагентов) — это открытая библиотека Python для построения, выполнения и визуализации моделирования мультиагентов. Вы можете определить агентов с собственной логикой принятия решений, настроить модель окружения, установить каналы обмена сообщениями для коммуникации и запускать масштабируемое моделирование. FMAS предоставляет хуки для мониторинга состояния агентов, отладки взаимодействий и экспорта результатов. Его модульная архитектура поддерживает плагины для визуализации, сбора метрик и интеграции с внешними источниками данных, что делает его идеальным для исследований, обучения и прототипирования автономных систем в реальных условиях.

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.