Многопроцессорная система рекомендаций для торговых центров — это платформа, основанная на ИИ и архитектуре мультиагентов, предназначенная для улучшения опыта покупок. В нее входят агенты покупок, которые следят за взаимодействиями посетителей; агенты предпочтений, анализирующие прошлые и текущие данные; и агенты рекомендаций, которые создают индивидуальные предложения по продуктам и акциям. Агенты обмениваются сообщениями через специальный протокол, чтобы обновлять пользовательские модели, делиться инсайтами и динамически корректировать рекомендации. Система поддерживает интеграцию с CMS и POS для получения данных о наличии товаров и продажах в реальном времени. Ее модульная структура позволяет разработчикам настраивать поведение агентов, интегрировать новые источники данных и развертывать систему на различных платформах. Идеально подходит для крупных розничных предприятий, повышая удовлетворенность клиентов и увеличивая продажи благодаря точечным, контекстно-зависимым рекомендациям.

AWS Bedrock Multi-Agent Blueprint обеспечивает модульную основу для реализации архитектуры с несколькими агентами на AWS Bedrock. В ней есть пример кода для определения ролей агентов — планировщика, исследователя, исполнителя и оценщика — которые взаимодействуют через общие очереди сообщений. Каждый агент может вызывать различные модели Bedrock с пользовательскими подсказками и передавать промежуточные результаты последующим агентам. Встроенное ведение журнала с помощью CloudWatch, схемы обработки ошибок и поддержка синхронного или асинхронного выполнения показывают, как управлять выбором моделей, пакетными задачами и полной оркестровкой. Разработчики могут клонировать репозиторий, настроить роли AWS IAM и конечные точки Bedrock, а затем развернуть через CloudFormation или CDK. Открытая архитектура поощряет расширение ролей, масштабирование агентов по задачам и интеграцию с S3, Lambda и Step Functions.

Swarms — это разработческий каркас, обеспечивающий создание, оркестрацию и выполнение многоплатформенных AI-рабочих процессов. Вы задаёте агентов с конкретными ролями, настраиваете их поведение с помощью подсказок LLM и связываете их с внешними инструментами или API. Swarms управляет межагентной коммуникацией, планированием задач и сохранением памяти. Архитектура плагинов позволяет легко интегрировать пользовательские модули, такие как ридеры, базы данных или панели мониторинга, а встроенные коннекторы поддерживают популярных поставщиков LLM. Независимо от того, нужны ли вам скоординированный анализ данных, автоматическая поддержка клиентов или сложные конвейеры принятия решений, Swarms предоставляет основу для развертывания масштабируемых автономных агентных экосистем.

Multi-Agent-Blueprint — это комплексная платформа с открытым исходным кодом для построения и оркестрации нескольких ИИ-агентов, которые взаимодействуют для выполнения сложных задач. В основе лежит модульная система для определения различных ролей агентом, таких как исследователи, аналитики и исполнители, каждый с выделенными хранилищами памяти и шаблонами подсказок. Инструмент бесшовно интегрируется с крупными языковыми моделями, API внешних знаний и пользовательскими инструментами, что позволяет динамическую делегацию задач и циклы обратной связи между агентами. Включает встроенное логирование и мониторинг для отслеживания взаимодействий и результатов. Благодаря настраиваемым рабочим процессам и сменным компонентам разработчики и исследователи могут быстро прототипировать цепочки агентов для приложений, таких как генерация контента, анализ данных, разработка продуктов или автоматическая поддержка клиентов.

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.

Nuzon-AI предоставляет фреймворк для агента на базе Python, который позволяет определять задачи, управлять диалоговой памятью и расширять возможности через плагины. Поддерживается интеграция с крупными LLM (OpenAI, локальные модели), что позволяет агентам выполнять веб-взаимодействия, анализ данных и автоматизированные рабочие процессы. Архитектура включает реестр навыков, систему вызова инструментов и слой оркестрации нескольких агентов, позволяя создавать комбинации для поддержки клиентов, исследовательской помощи и личной продуктивности. С помощью конфигурационных файлов можно настроить поведение каждого агента, политику хранения памяти и ведение логов для отладки или аудита.

Этот репозиторий предоставляет настраиваемую многоглавую платформу для моделирования центра вызовов такси. Определяет отдельных ИИ-агентов: CustomerAgent для запроса поездок, DispatchAgent для выбора водителей на основе близости, DriverAgent для подтверждения назначений и обновления статусов, а также NotificationAgent для выставления счетов и сообщений. Агенты взаимодействуют через цикл оркестрации с использованием вызовов GPT от OpenAI и памяти, что позволяет асинхронный диалог, обработку ошибок и логирование. Разработчики могут расширять или адаптировать запросы агентов, интегрировать системы в реальном времени и прототипировать рабочие процессы по обслуживанию клиентов и диспетчеризации, основанные на ИИ.

Java-Action-Datetime — это модуль расширения для фреймворка LightJason, предназначенный для обработки всех временных операций внутри ваших агентов. Он предоставляет действия по получению текущего штампа времени, парсингу строк даты/времени в объекты времени Java, применению настраиваемых шаблонов форматирования, выполнению арифметических операций, таких как добавление или вычитание продолжительности, вычисление разницы между датами и временами, а также преобразованию между часовыми поясами. Эти действия легко интегрируются в код агентов LightJason, сокращая шаблонный код и обеспечивая надежное, последовательное рассуждение о времени в распределенных системах.

MASChat предоставляет гибкую рамочную основу для организации диалогов между несколькими AI-агентами, основанными на языковых моделях. Разработчики могут определять агентов с конкретными ролями — например, исследователь, сумматор или критик — и указывать их подсказки, разрешения и протоколы связи. Центральный менеджер MASChat управляет маршрутизацией сообщений, обеспечивает сохранение контекста и логирует взаимодействия для прослеживаемости. Коordинируя специализированных агентов, MASChat разлагает сложные задачи — например, исследование, создание контента или анализ данных — на параллельные рабочие процессы, повышая эффективность и инсайт. Интегрируется с API GPT от OpenAI или локальными моделями и поддерживает расширения через плагины для пользовательского поведения. MASChat идеально подходит для прототипирования стратегий многопользовательского взаимодействия, моделирования совместных сред и изучения возникающих поведений в системах ИИ.