Multi-Agent Surveillance предлагает гибкую симуляционную среду, в которой несколько ИИ-агентов выступают в роли хищников или жертв в дискретном мире на сетке. Пользователи могут настраивать параметры окружения, такие как размеры сетки, количество агентов, радиусы обнаружения и структуры вознаграждения. В репозитории есть классы на Python для поведения агентов, скрипты генерации сценариев, встроенная визуализация с помощью matplotlib и бесшовная интеграция с популярными библиотеками обучения с подкреплением. Это облегчает создание эталонных тестов для координации нескольких агентов, разработку нестандартных стратегий наблюдения и проведение воспроизводимых экспериментов.

Multiagent_system предлагает полноценный набор инструментов для построения и управления средами с несколькими агентами. Пользователи могут задавать собственные сценарии моделирования, описывать поведение агентов и использовать предустановленные алгоритмы, такие как DQN, PPO и MADDPG. Фреймворк поддерживает синхронное и асинхронное обучение, позволяя агентам взаимодействовать одновременно или по очереди. Встроенные модули коммуникации облегчают обмен сообщениями между агентами для кооперативных стратегий. Конфигурация экспериментов упрощена с помощью YAML-файлов, а результаты автоматически сохраняются в формате CSV или в TensorBoard. Скрипты визуализации помогают интерпретировать траектории агентов, динамику наград и схемы коммуникации. Разработан для исследовательских и производственных задач, Multiagent_system легко масштабируется от одиночных прототипов до распределенного обучения на GPU-кластеров.

NavGround Learning предоставляет полный набор инструментов для разработки и бенчмаркинга агентов обучения с усилением в задачах навигации. Поддерживаются мультиигровые симуляции, моделирование столкновений, настраиваемые сенсоры и исполнительные устройства. Пользователи могут выбирать из предопределённых шаблонов политик или реализовывать собственные архитектуры, обучаться передовыми RL-алгоритмами и визуализировать показатели производительности. Интеграция с OpenAI Gym и Stable Baselines3 упрощает управление экспериментами, а встроенные инструменты логирования и визуализации позволяют углубленный анализ поведения агентов и динамики обучения.

Шепортинг — это открытая симуляционная платформа, предназначенная для исследований и разработок в области обучения с подкреплением с целью изучения и реализации задач пастушества с несколькими агентами. Она предоставляет среду, совместимую с Gym, в которой агенты могут обучаться выполнять поведение, такое как охватывание, сбор и рассеивание целевых групп в непрерывных или дискретных пространствах. В рамках реализованы модульные функции формировки наград, параметризация среды и утилиты для мониторинга обучения. Пользователи могут задавать препятствия, динамичные популяции агентов и собственные политики с использованием TensorFlow или PyTorch. Скрипты визуализации создают траектории и видео взаимодействия агентов. Модульная структура Шепортинга обеспечивает легкую интеграцию с существующими библиотеками RL, что позволяет воспроизводимые эксперименты, сравнение новых стратегий координации и быстрое создание прототипов решений на базе ИИ.

Swarm Simulator предоставляет настраиваемую среду для экспериментов с множеством агентов в реальном времени. Пользователи могут изменять ключевые параметры поведения — согласование, сплочение, разделение — и наблюдать за возникающей динамикой на визуальном холсте. Поддерживаются интерактивные ползунки UI, динамическое изменение количества агентов и экспорт данных для анализа. Идеально подходит для учебных демонстраций, прототипирования исследований или любительского изучения принципов роевого интеллекта.

SwarmFlow позволяет разработчикам создавать и координировать множество агентов ИИ с помощью настраиваемых рабочих процессов. Агенты могут асинхронно обмениваться сообщениями, делегировать подзадачи и интегрировать собственные плагины для логики, специфичной для области. Фреймворк управляет планированием задач, агрегацией результатов и обработкой ошибок, позволяя пользователям сосредоточиться на проектировании поведения агентов и стратегий взаимодействия. Модульная архитектура SwarmFlow облегчает создание сложных конвейеров для автоматического мозгового штурма, обработки данных и систем поддержки принятия решений, что делает прототипирование, масштабирование и мониторинг многопро агентных приложений простым.

AgentSimulation — это открытая библиотека Python, построенная на Pygame, для моделирования нескольких автономных агентов в 2D-среде. Она позволяет пользователям настраивать свойства агентов, поведения рулевого управления (поиск, бегство, блуждание), обнаружение столкновений, поиск пути и интерактивные правила. С поддержкой визуализации в реальном времени и модульной архитектурой она поддерживает быстрое прототипирование, учебные симуляции и небольшие исследования в области роевого интеллекта или взаимодействия нескольких агентов.

Java Action Generic — это легкая, модульная библиотека, которая позволяет разработчикам реализовать автономные поведения агентов на Java, определяя универсальные действия. Действия — это параметрыемые единицы работы, которые агенты могут выполнять, планировать и объединять во время выполнения. Фреймворк обеспечивает последовательный интерфейс для действий, позволяя создавать пользовательские действия, управлять параметрами и интегрировать с управлением жизненным циклом агента LightJason. Поддержка событий и параллельности позволяет агентам выполнять задачи, такие как динамическое принятие решений, взаимодействие с внешними сервисами и организация сложных сценариев поведения. Библиотека продвигает повторное использование и модульный дизайн, она подходит для исследований, моделирования, IoT и игровых AI-приложений на любой платформе, поддерживающей JVM.

openai-agents-python — это полнофункционательный пакет Python, предназначенный для помощи разработчикам в создании полностью автономных AI-агентов. Он предоставляет абстракции для планирования агента, интеграции инструментов, состояний памяти и циклов выполнения. Пользователи могут регистрировать пользовательские инструменты, задавать цели агенту и позволять фреймворку координировать пошаговое рассуждение. В библиотеку также входят утилиты для тестирования и логирования действий агента, что облегчает итерацию поведения и устранение ошибок в сложных многопроходных задачах.

Kin Kernel — это легкий, открытый каркас для построения цифровых работников на базе ИИ. Он обеспечивает единый механизм для оркестрации больших языковых моделей, управления контекстной памятью и интеграции пользовательских инструментов или API. Благодаря архитектуре, основанной на событиях, Kin Kernel поддерживает асинхронное выполнение задач, отслеживание сессий и расширяемые плагины. Разработчики могут определять поведение агента, регистрировать внешние функции и настраивать маршрутизацию через множество LLM для автоматизации процессов, от извлечения данных до поддержки клиентов. В системе встроена регистрация журналов и обработка ошибок для мониторинга и отладки. Для гибкости Kin Kernel может быть интегрирован в веб-сервисы, микросервисы или самостоятельные Python-приложения, что позволяет организациям разворачивать надежных агентов ИИ в масштабах.

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.

AgentFence предоставляет единый слой безопасности для AI-агентов, включающий выполнение политик, контроль доступа и обнаружение аномалий. Предлагает SDK для Python, Node.js и REST API для легкой интеграции с вашими LLM-приложениями. Благодаря панелям мониторинга в реальном времени и детализированным журналам аудита команды по соответствию могут полностью отслеживать поведение агентов. Настраиваемые политики позволяют определить допустимые действия, правила использования данных и роли пользователей. Автоматические оповещения уведомляют заинтересованные стороны о нарушениях политик, а исторические журналы поддерживают судебный анализ и нормативную отчетность.

Agentic-AI — это open-source фреймворк на Python, упрощающий создание автономных агентов, использующих крупные языковые модели, такие как GPT от OpenAI. Он включает основные модули для планирования задач, хранения памяти и интеграции инструментов, позволяя агентам разбивать высокоуровневые цели на исполняемые шаги. Фреймворк поддерживает плагины для пользовательских инструментов — API, веб-скрапинг, запросы в базы данных — что позволяет агентам взаимодействовать с внешними системами. В нем реализован движок цепочного рассуждения для координации планирования и циклов выполнения, механизмы контекстного восстановления памяти и принятия решений. Разработчики могут легко настраивать поведение агента, отслеживать журналы действий и расширять функциональность для масштабируемой, адаптируемой автоматизации с помощью ИИ в различных областях.

Blue Agent служит комплексным набором инструментов для построения AI-агентов на Node.js. Он позволяет реализовывать цепочки размышлений для улучшения логики, интегрировать внешние инструменты и API для расширенного функционала, а также сохранять память диалогов для удержания контекста. В рамках имеется движок планирования, который последовательно выполняет задачи, модуль исполнения для действий и встроенное логирование для отслеживания решений агента. Разработчики могут создавать свои интерфейсы инструментов, управлять многоэтапными рабочими процессами и использовать вызовы функций для взаимодействия с сервисами. Модульная архитектура Blue Agent позволяет легко расширять функциональность через плагины и поддерживает инструменты отладки для наблюдения за поведением агентов, что делает его идеальным для разработки продвинутых чат-ботов, автономных ассистентов и автоматизированных pipeline.

Minimalist Agent предоставляет базовую структуру для создания AI-агентов на Python. Он использует классы агентов LangChain и API OpenAI для выполнения многошагового мышления, динамического выбора инструментов и исполнения функций. Вы можете клонировать репозиторий, настроить ключ API OpenAI, определить собственные инструменты или конечные точки и запускать CLI-скрипт для взаимодействия с агентом. Проект ориентирован на ясность и расширяемость, что облегчает изучение, изменение и расширение поведения основных агентов для экспериментов или обучения.

Плагин GAMA Genstar добавляет возможность работы с генеративным ИИ в платформу GAMA, предоставляя коннекторы к OpenAI, локальным LLM и эндпоинтам пользовательских моделей. Пользователи определяют подсказки и пайплайны в GAML для генерации решений агентов, описаний сред и параметров сценариев на лету. Плагин поддерживает синхронные и асинхронные API-запросы, кэширование ответов и настройку параметров. Он упрощает интеграцию моделей на естественном языке в крупномасштабные симуляции, уменьшая объем ручного скриптинга и стимулируя создание более богатого и адаптивного поведения агентов.