此儲存庫利用PyTorch實作多代理增強學習中的新興通信。使用者可配置發送與接收神經網路來進行參照遊戲或合作導航，促使代理建立離散或連續的通信通道。提供訓練、評估與視覺化的腳本，以及用於環境建立、訊息編碼與解碼的工具。研究人員可加入自訂任務、修改網路架構，並分析協議效率，加速新興代理通信的實驗。

MACL 是一個模組化的 Python 框架，旨在簡化多個 AI 智能體的創建與協調。它允許你定義具有自訂技能的獨立智能體，設置通信通道，並在智能體網絡中排程任務。智能體可以交換訊息、協商責任，並根據共享資料動態調整。內建支援常用 LLMs，以及擴展性的插件系統，使 MACL 能在客戶服務自動化、數據分析流程和模擬環境等領域中實現可擴展且易於維護的 AI 工作流程。

Agent-FLAN設計的目的是透過將任務分割為規劃角色和執行角色，來簡化複雜AI代理應用的建立。用戶透過設定檔定義代理行為與工作流程，指定輸入格式、工具介面與通訊協定。規劃代理會生成高層次的任務計畫，而執行代理則執行特定行動，如呼叫API、處理資料或使用大型語言模型產生內容。其模組化架構支援即插即用的工具適配器、自定義prompt範本與即時監控儀表板。它能無縫整合OpenAI、Anthropic及Hugging Face等主流LLM供應商，讓開發者快速 prototypes、測試，以及部署多代理工作流程，用於自動化研究助手、動態內容產生管道與企業流程自動化等場景。

AWS Bedrock Multi-Agent Blueprint提供一個模組化的框架，用以在AWS Bedrock上實現多代理架構。包含定義代理角色（規劃者、研究員、執行者與評估者）的範例程式碼，這些角色透過共用訊息佇列合作。每個代理都可調用不同的Bedrock模型，配合自訂提示語，並將中間輸出傳遞給下一個代理。內建CloudWatch日誌記錄、錯誤處理範例，以及同步或非同步執行支援，展示如何管理模型選擇、批次任務與端到端協調。開發者可克隆資源庫、設定AWS IAM角色與Bedrock端點，然後透過CloudFormation或CDK部署。開源設計鼓勵擴展角色、跨任務擴充代理，並整合S3、Lambda與Step Functions。

Swarms World提供一個統一界面，用於設計多代理系統，允許用戶以視覺或程式碼定義角色、通信協定和工作流程。代理可以協作、委派子任務，並實時匯總結果。平台支持本地、雲端和邊緣部署，擁有內建日誌、性能指標和自動擴展功能。一個去中心化的市場允許用戶發現、分享和貨幣化代理模組。支援流行的LLMs、API和定製模型，Swarms World加速建構穩健的企業級AI自動化。

Swarms.rs 是執行基於群組的 AI 代理程式的核心 Rust 運行時。它具有模組化插件系統以整合自訂邏輯或 AI 模型，點對點通信層以實現點對點消息傳遞，以及非同步執行器來調度代理行為。這些組件共同允許開發者設計、部署和擴展複雜的去中心化代理網絡，用於模擬、自動化和多代理協作任務。

Halite II 是一個開源挑戰框架，舉辦用戶撰寫的機器人之間的回合制策略比賽。每回合，代理接收地圖狀態，發出移動及攻擊命令，並競爭控制最多的領土。平台包括遊戲伺服器、地圖解析器與視覺化工具。開發者可以在本地測試、改進啟發式演算法、優化性能，並提交到線上排行榜。系統支持反覆改良機器人、多智能體合作與標準化環境中的策略研究。

SwarmZero提供一個可擴展的開源環境，用來定義、管理和執行AI代理群。開發者可以聲明代理角色、自定義提示，並通過統一的協調器API鏈接工作流程。此框架與主要的LLM提供商整合，支援插件擴充並記錄會話數據以便除錯和性能分析。無論是協調研究機器人、內容創作還是數據分析器，SwarmZero都能簡化多代理的協作並確保結果透明且可重複。

Multi-Agent 是一個幫助你建立並編排多個並行運行的 AI 代理的開發者工具包。每個代理都具有獨立的記憶存儲、提示配置和訊息佇列。你可以定義自訂行為、建立代理間的溝通渠道，並根據代理角色自動委派任務。它利用 OpenAI 的 Chat API 來理解與產生語言，並提供模組化的組件來進行工作流程編排、日誌記錄與錯誤處理。這使得可以建立專門的代理，例如研究助手、資料處理器或客戶支援機器人，共同完成多面向的任務。

Multi-Agent-AI-Dynamic-Interaction提供一個靈活的環境，用於設計、配置和運行由多個自主AI代理組成的系統。每個代理可以被賦予特定的角色、目標和通訊協議。該框架管理訊息傳遞、會話上下文及序列或並行的交互。它支持與OpenAI GPT、其他大型語言模型API以及自定義模組的整合。用戶通過YAML或Python腳本定義場景，指定代理細節、工作流程步驟和停止條件。系統記錄所有交互，用於調試和分析，並允許對代理行為進行細粒度控制，以進行協作、談判、決策和解決複雜問題的實驗。

Multiagent-Prediction-Reward 是一個針對研究的框架，整合預測模型與獎勵分配機制，用於多智能體增強學習。其包含環境包裝器、預測同行動的神經模組，以及可自定義的獎勵路由邏輯，根據智能體的表現進行調整。該專案提供配置文件、範例腳本和評估儀表板，方便進行合作任務的實驗。用戶可以擴展代碼，測試新型獎勵函數、整合新環境及與既有多智能體 RL 演算法進行基準測試。

RoboCup Rescue Agent Simulation是一個開源框架，模擬多個AI驅動的代理在城市災害環境中合作，尋找並拯救受害者。它提供導航、地圖、通信及感測器整合介面。用戶可撰寫自訂的代理策略、執行批次實驗及視覺化代理表現指標。平台支持場景配置、日誌記錄與結果分析，加速多代理系統及災難反應算法的研究。