AGNO Agents IA propose une suite d'agents IA personnalisables et pré-construits pour gérer diverses tâches : résumer de grands documents, scraper et interpréter le contenu web, répondre à des questions spécifiques au domaine, examiner du code source, analyser des ensembles de données et alimenter des chatbots avec mémoire. Son design modulaire permet d'ajouter de nouveaux outils ou d'intégrer des API externes. Les agents sont orchestrés via des pipelines LangChain et accessibles via des points de terminaison REST. AGNO supporte des workflows multi-agents, la journalisation et une mise en service facile, permettant aux développeurs d’accélérer l’automatisation pilotée par l’IA dans leurs applications.

Le Dynamic Multi-Agent RAG Pathway offre une architecture modulaire où chaque agent gère des tâches spécifiques — telles que la récupération de documents, la recherche vectorielle, le résumé de contexte ou la génération — tandis qu’un orchestrateur central routage dynamiquement les entrées et sorties entre eux. Les développeurs peuvent définir des agents personnalisés, assembler des pipelines via des fichiers de configuration simples, et tirer parti du journalisation intégrée, de la surveillance et du support de plugin. Ce cadre accélère le développement de solutions RAG complexes, permettant une décomposition adaptative des tâches et un traitement parallèle pour améliorer le débit et la précision.

JasonEnvironments fournit une collection de modules environnementaux conçus spécifiquement pour le système multi-agent Jason. Chaque module expose une interface standardisée permettant aux agents de percevoir, agir et interagir dans divers scénarios tels que poursuite-fuite, recherche de ressources et tâches coopératives. La bibliothèque est facile à intégrer dans des projets Jason existants : il suffit d'inclure le JAR, de configurer l'environnement souhaité dans le fichier d'architecture de l'agent et de lancer la simulation. Les développeurs peuvent également étendre ou personnaliser les paramètres et règles pour adapter l'environnement à leurs besoins de recherche ou éducatifs.

Le Framework du Système Multi-Agent offre une structure modulaire pour construire et orchestrer plusieurs agents IA au sein d'applications Python. Il inclut un gestionnaire d'agents pour créer et superviser les agents, une colonne vertébrale de communication supportant divers protocoles (par exemple, passage de messages, diffusion d'événements), ainsi que des magasins de mémoire personnalisables pour la conservation des connaissances à long terme. Les développeurs peuvent définir des rôles d'agents distincts, attribuer des tâches spécialisées, et configurer des stratégies de coopération telles que la recherche de consensus ou le vote. Le cadre s'intègre parfaitement avec des modèles IA externes et des bases de connaissances, permettant aux agents de raisonner, apprendre, et s'adapter. Idéal pour les simulations distribuées, les grappes d'agents conversationnels, et les pipelines de décision automatisés, le système accélère la résolution de problèmes complexes en exploitant l'autonomie parallèle.

Le projet utilise le cadre JADE (Java Agent DEvelopment) pour construire un environnement multi-agent. Il définit des agents qui s'enregistrent auprès du AMS et du DF de la plateforme, échangent des messages ACL et exécutent des comportements tels que cycliques, à une seule étape et FSM. Les scénarios exemples incluent des négociations acheteur-vendeur, des protocoles de contrat en réseau et l'attribution de tâches. Un conteneur GUI pour agents aide à surveiller l'état d'exécution des agents et le flux de messages.

Swarm Squad exploite des agents IA autonomes qui fonctionnent en concert pour gérer et exécuter des flux de travail complexes. Les utilisateurs définissent des objectifs et configurent des rôles d'agents — tels que recherche, rédaction, analyse et planification — via une interface intuitive. Chaque agent est spécialisé dans sa fonction, échangeant des données et des retours pour affiner les résultats de manière itérative. La plateforme s'intègre avec des services populaires comme Google Drive, Slack et les systèmes CRM, permettant un transfert de données fluide et des transferts de tâches. Les tableaux de bord en temps réel suivent la performance des agents, tandis que des alertes automatisées garantissent des interventions opportunes. Des fonctionnalités de personnalisation avancées permettent aux utilisateurs de script des comportements d'agents personnalisés et de déclencher des workflows conditionnels, offrant une solution unifiée de bout en bout pour les campagnes marketing, la prospection client, la génération de rapports et d’autres processus métier critiques.

Ce dépôt propose un cadre multi-agents personnalisable simulant un centre d'appel de taxi. Il définit des agents IA distincts : CustomerAgent pour demander des courses, DispatchAgent pour choisir des conducteurs en fonction de la proximité, DriverAgent pour confirmer les affectations et mettre à jour les statuts, et NotificationAgent pour la facturation et les messages. Les agents interagissent via une boucle orchestratrice utilisant des appels GPT d'OpenAI et la mémoire, permettant un dialogue asynchrone, la gestion des erreurs et la journalisation. Les développeurs peuvent étendre ou adapter les invites des agents, intégrer des systèmes en temps réel, et prototyper des workflows de service client et de dispatch alimentés par l'IA.

PommerLearn permet aux chercheurs et aux développeurs d'entraîner des robots RL multi-agents dans l'environnement de jeu Pommerman. Il inclut des implémentations prêt-à-l'emploi d'algorithmes populaires (PPO, DQN), des fichiers de configuration flexibles pour les hyperparamètres, une journalisation automatique et une visualisation des métriques d'entraînement, un checkpointing de modèles et des scripts d'évaluation. Son architecture modulaire facilite l'extension avec de nouveaux algorithmes, la personnalisation des environnements et l'intégration avec des bibliothèques ML standard telles que PyTorch.

SuperBot est un cadre complet d'agent AI permettant aux développeurs de déployer des assistants autonomes et sensibles au contexte via Python et la ligne de commande. Il intègre les modèles de chat d'OpenAI avec un système de mémoire, des fonctionnalités d'appel de fonctions et une architecture de plugins. Les agents peuvent exécuter des commandes shell, lancer du code, interagir avec des fichiers, effectuer des recherches sur le web et maintenir l'état de la conversation. SuperBot supporte l'orchestration multi-agent pour des workflows complexes, le tout configurable via des scripts Python simples et des commandes CLI. Son design extensible permet d'ajouter des outils personnalisés, d'automatiser des tâches et d'intégrer des API externes pour créer des applications robustes basées sur l'IA.