Ce dépôt implémente la communication émergente dans l'apprentissage par renforcement multi-agent avec PyTorch. Les utilisateurs peuvent configurer des réseaux neuronaux pour l'émetteur et le récepteur afin de jouer à des jeux référentiels ou à une navigation coopérative, encourageant les agents à développer un canal de communication discret ou continu. Il fournit des scripts pour l'entraînement, l'évaluation et la visualisation des protocoles appris, ainsi que des utilitaires pour la création d'environnements, le codage et le décodage des messages. Les chercheurs peuvent l'étendre avec des tâches personnalisées, modifier les architectures de réseau et analyser l'efficacité des protocoles, favorisant des expérimentations rapides dans la communication d'agents émergents.

MACL est un cadre Python modulaire conçu pour simplifier la création et l'orchestration de multiples agents IA. Il vous permet de définir des agents individuels avec des compétences personnalisées, de configurer des canaux de communication et de planifier des tâches sur un réseau d'agents. Les agents peuvent échanger des messages, négocier des responsabilités et s'adapter dynamiquement en fonction des données partagées. Avec une prise en charge intégrée des LLM populaires et un système de plugins pour extensibilité, MACL permet des flux de travail IA évolutifs et faciles à maintenir dans des domaines tels que l'automatisation du service client, les pipelines d'analyse de données et les environnements de simulation.

Open ACN est une solution robuste de plateformes et frameworks IA conçue pour construire des systèmes multi-agents décentralisés. Il propose une suite de protocoles de consensus adaptés à la coopération des agents, garantissant une prise de décision fiable à travers des nœuds géodistribués. Le framework inclut des couches de communication modulaires, des plugins de stratégie personnalisables et un environnement de simulation intégré pour des tests de bout en bout. Les développeurs peuvent définir les comportements des agents, déployer sur Linux, macOS, Windows ou Docker, et utiliser des outils de journalisation et de surveillance en temps réel. En fournissant des API extensibles et une intégration transparente avec des modèles d'apprentissage automatique existants, Open ACN simplifie les tâches complexes d'orchestration, favorise des réseaux autonomes interopérables et résilients adaptés aux applications en robotique, automatisation de la chaîne d'approvisionnement, finance décentralisée et IoT.

PrisimAI offre un environnement basé sur le navigateur où les utilisateurs peuvent rapidement prototyper et déployer des agents intelligents. Grâce à un créateur de flux visuel, vous pouvez assembler des composants alimentés par LLM, intégrer des API externes, gérer la mémoire à long terme et orchestrer des tâches multi-étapes. Le débogage et la surveillance intégrés simplifient les tests et itérations, tandis qu’une place de marché de plugins permet une extension avec des outils personnalisés. PrisimAI supporte la collaboration entre équipes, le contrôle de version des conceptions d’agents, et le déploiement en un clic pour des webhooks, widgets de chat ou services autonomes.

Agent-FLAN est conçu pour simplifier la création d'applications sophistiquées pilotées par des agents IA en segmentant les tâches en rôles de planification et d'exécution. Les utilisateurs définissent le comportement des agents et les workflows via des fichiers de configuration, en précisant les formats d'entrée, les interfaces d'outils et les protocoles de communication. L'agent de planification génère des plans de tâches de haut niveau, tandis que les agents d'exécution réalisent des actions spécifiques, telles que l'appel d'API, le traitement de données ou la génération de contenu avec de grands modèles linguistiques. L'architecture modulaire d'Agent-FLAN supporte des adaptateurs d'outils plug-and-play, des modèles de prompts personnalisés, et des tableaux de bord de surveillance en temps réel. Il s'intègre de façon transparente avec des fournisseurs LLM populaires tels qu'OpenAI, Anthropic et Hugging Face, permettant aux développeurs de prototyper, tester et déployer rapidement des workflows multi-agents pour des scénarios tels que assistants de recherche automatisés, pipelines de génération de contenu dynamique et automatisation des processus d'entreprise.

AgentForge fournit un environnement structuré pour définir, combiner et orchestrer des compétences IA individuelles en agents autonomes cohésifs. Il supporte la mémoire de conversation pour la rétention de contexte, l'intégration de plugins pour services externes, la communication multi-agent, la planification des tâches et la gestion des erreurs. Les développeurs peuvent configurer des gestionnaires de compétences personnalisés, utiliser des modules intégrés pour la compréhension du langage naturel et s'intégrer avec des LLM populaires comme la série GPT d'OpenAI. La conception modulaire d'AgentForge accélère les cycles de développement, facilite les tests et simplifie le déploiement de chatbots, d'assistants virtuels, d'agents d'analyse de données et de robots d'automatisation spécifiques à un domaine.

Agentic Shared Memory fournit une solution robuste pour la gestion des données contextuelles dans des environnements multi-agents pilotés par l’IA. En utilisant des vecteurs d’intégration et des structures de données efficaces, il stocke des observations, décisions et transitions d’état des agents, permettant un accès et une mise à jour transparents du contexte. Les agents peuvent interroger la mémoire partagée pour accéder à des interactions passées ou à des connaissances globales, favorisant un comportement cohérent et une résolution collaborative de problèmes. La bibliothèque supporte une intégration plug-and-play avec des cadres IA populaires comme LangChain ou des orchestrateurs d’agents personnalisés, offrant des stratégies de rétention personnalisables, des fenêtres de contexte et des fonctions de recherche. En abstraisant la gestion de la mémoire, les développeurs peuvent se concentrer sur la logique de l’agent tout en assurant une gestion scalable et cohérente de la mémoire dans des déploiements distribués ou centralisés. Cela améliore la performance globale du système, réduit les calculs redondants et renforce l’intelligence des agents au fil du temps.

AIPE centralise l'orchestration des agents IA avec des modules interchangeables pour la mémoire, la planification, l'utilisation d'outils et la collaboration multi-agents. Les développeurs peuvent définir des personas d'agents, incorporer du contexte via des magasins vectoriels, et intégrer des API ou bases de données externes. Le cadre offre un tableau de bord web intégré et une CLI pour tester les prompts, surveiller l’état des agents et enchaîner les tâches. AIPE supporte plusieurs backends de mémoire comme Redis, SQLite et en mémoire. Ses configurations multi-agents permettent d’attribuer des rôles spécialisés — extracteur de données, analyste, résumé — pour collaborer sur des requêtes complexes. En abstraisant l’ingénierie des prompts, les wrappers API et la gestion d’erreurs, AIPE accélère le déploiement d’assistants alimentés par l’IA pour la QA de documents, le support client et l’automatisation de workflows.

La plateforme Isaree est conçue pour rationaliser le développement et le déploiement d'agents IA. Elle offre, au cœur, une architecture unifiée pour créer des agents autonomes capables de conversation, de prise de décision et de collaboration. Les développeurs peuvent définir plusieurs agents avec des rôles personnalisés, exploiter la récupération de mémoire basée sur des vecteurs et intégrer des sources de données externes via des modules extensibles. La plateforme inclut un SDK Python et une API REST pour une interaction transparente, supporte le streaming en temps réel des réponses et offre une journalisation et des métriques intégrées. Sa configuration flexible permet une mise à l’échelle dans différents environnements avec Docker ou des services cloud. Que ce soit pour construire des chatbots avec contexte persistants, automatiser des workflows multi-étapes ou orchestrer des assistants de recherche, la plateforme Isaree offre extensibilité et fiabilité pour des solutions IA de niveau entreprise.

autogen_multiagent offre une manière structurée d'instancier, configurer et coordonner plusieurs agents IA en Python. Il propose la création dynamique d'agents, des canaux de messagerie entre agents, la planification de tâches, des boucles d'exécution et des utilitaires de surveillance. En s'intégrant parfaitement avec l'API OpenAI, il permet d'assigner des rôles spécialisés—comme planificateur, exécutant, résumé—à chaque agent et d'orchestrer leurs interactions. Ce framework est idéal pour des scénarios nécessitant des workflows IA modulaires et évolutifs, tels que l'analyse automatisée de documents, l'orchestration du support client, et la génération de code multi-étapes.

AWS Bedrock Multi-Agent Blueprint offre un cadre modulaire pour implémenter une architecture multi-agent sur AWS Bedrock. Il inclut un exemple de code pour définir les rôles d'agents — planificateur, chercheur, exécuteur et évaluateur — qui collaborent via des files d'attente de messages partagées. Chaque agent peut invoquer différents modèles Bedrock avec des invites personnalisées et transmettre des sorties intermédiaires aux agents suivants. La journalisation intégrée avec CloudWatch, les modèles de gestion des erreurs et la prise en charge de l'exécution synchrone ou asynchrone illustrent comment gérer la sélection de modèles, les tâches par lots et l'orchestration de bout en bout. Les développeurs clonant le dépôt, configurent les rôles IAM AWS et les points de terminaison Bedrock, puis déploient via CloudFormation ou CDK. Le design open source encourage l'extension des rôles, la mise à l'échelle des agents par tâche, et l'intégration avec S3, Lambda et Step Functions.

Swarms World propose une interface unifiée pour concevoir des systèmes multi-agents, permettant aux utilisateurs de définir des rôles, des protocoles de communication et des flux de travail visuellement ou via du code. Les agents peuvent collaborer, déléguer des sous-tâches et agréger les résultats en temps réel. La plateforme supporte les déploiements sur site, cloud et Edge, avec une journalisation intégrée, des métriques de performance et une mise à l'échelle automatique. Un marché décentralisé permet aux utilisateurs de découvrir, partager et monétiser des modules d'agents. Avec le support des LLMs, API et modèles personnalisés, Swarms World accélère le développement d'automatisations IA robustes et d'entreprise à grande échelle.

Swarms.rs est le runtime principal en Rust pour exécuter des programmes d'agents IA basés sur des essaims. Il comprend un système modulaire de plugins pour intégrer une logique personnalisée ou des modèles IA, une couche de passage de messages pour la communication p2p, et un exécuteur asynchrone pour planifier les comportements des agents. Ces composants permettent aux développeurs de concevoir, déployer et faire évoluer des réseaux complexes d'agents décentralisés pour la simulation, l'automatisation et la collaboration multi-agents.

La Communication Émergente chez les Agents est un cadre PyTorch open-source conçu pour les chercheurs explorant comment les systèmes multi-agent développent leurs propres protocoles de communication. La bibliothèque offre des implémentations flexibles de tâches d'apprentissage par renforcement coopératif, y compris des jeux référentiels, des jeux combinatoires et des défis d'identification d'objets. Les utilisateurs définissent des architectures d'agents locuteurs et auditeurs, spécifient les propriétés des canaux de message comme la taille du vocabulaire et la longueur de la séquence, et sélectionnent des stratégies d'entraînement telles que les gradients de politique ou l'apprentissage supervisé. Le cadre comprend des scripts de bout en bout pour exécuter des expériences, analyser l'efficacité de communication et visualiser les langues émergentes. Sa conception modulaire facilite l'extension avec de nouveaux environnements de jeu ou des fonctions de perte personnalisées. Les chercheurs peuvent reproduire des études publiées, benchmarker de nouveaux algorithmes et explorer la compositionnalité et la sémantique des langues d'agents émergents.

Le solveur NQueen basé sur GA utilise une architecture modulaire multi-agent 2APL où chaque agent encode une configuration candidate pour N-Reines. Les agents évaluent leur fitness en comptant le nombre de paires de reines non en attaque, puis partagent les configurations à haute fitness avec d'autres. Des opérateurs génétiques—sélection, crossover et mutation—sont appliqués à la population d'agents pour générer de nouvelles configurations candidates. Au fil des itérations, les agents convergent collectivement vers des solutions valides pour N-Reines. Le framework est implémenté en Java, supporte le réglage des paramètres de la population, du taux de crossover, de la probabilité de mutation et des protocoles de communication des agents, et fournit des journaux détaillés et des visualisations du processus évolutif.

SwarmZero offre un environnement open-source évolutif pour définir, gérer et exécuter des essaims d'agents IA. Les développeurs peuvent déclarer des rôles d'agents, personnaliser des invites et chaîner des workflows via une API d'orchestrateur unifiée. Le framework s'intègre aux principaux fournisseurs de LLM, supporte des extensions de plugins et enregistre les données de session pour le débogage et l'analyse de performance. Que ce soit pour coordonner des bots de recherche, des créateurs de contenu ou des analyseurs de données, SwarmZero rationalise la collaboration multi-agent et garantit des résultats reproductibles et transparents.

Microsoft AutoGen a été conçu pour faciliter le développement complet d'agents IA autonomes en fournissant des composants modulaires pour la gestion de la mémoire, la planification des tâches, l'intégration d'outils et la communication. Les développeurs peuvent définir des outils personnalisés avec des schémas structurés et se connecter à des fournisseurs LLM majeurs comme OpenAI et Azure OpenAI. Le framework supporte l'orchestration d'un ou plusieurs agents, permettant des workflows collaboratifs où les agents coordonnent l'exécution de tâches complexes. Son architecture plug-and-play permet une extension facile avec de nouveaux magasins de mémoire, stratégies de planification et protocoles de communication. En abstraisant les détails d'intégration de bas niveau, AutoGen accélère la création de prototypes et le déploiement d'applications pilotées par IA dans des domaines tels que le support client, l'analyse de données et l'automatisation des processus.

Multi-Agent est une boîte à outils pour développeurs qui vous aide à construire et orchestrer plusieurs agents IA s’exécutant en parallèle. Chaque agent conserve son propre stockage de mémoire, sa configuration de prompt et sa file d’attente de messages. Vous pouvez définir des comportements personnalisés, mettre en place des canaux de communication entre agents et déléguer automatiquement des tâches en fonction des rôles des agents. Il exploite l’API Chat d’OpenAI pour la compréhension et la génération linguistique, tout en fournissant des composants modulaires pour l’orchestration de flux de travail, la journalisation et la gestion des erreurs. Cela permet de créer des agents spécialisés — tels que des assistants de recherche, des processeurs de données ou des bots de support client — qui travaillent ensemble sur des tâches complexes.

Multi-Agent-AI-Dynamic-Interaction offre un environnement flexible pour concevoir, configurer et exécuter des systèmes composés de multiples agents IA autonomes. Chaque agent peut se voir attribuer des rôles, objectifs et protocoles de communication spécifiques. Le framework gère le passage des messages, le contexte de conversation ainsi que les interactions séquentielles ou parallèles. Il supporte l’intégration avec OpenAI GPT, d’autres API LLM et des modules personnalisés. Les utilisateurs définissent des scénarios via YAML ou scripts Python, en spécifiant les détails des agents, les étapes du flux de travail et les critères d’arrêt. Le système enregistre toutes les interactions pour le débogage et l’analyse, permettant un contrôle précis du comportement des agents pour des expériences en collaboration, négociation, prise de décision et résolution de problèmes complexes.

RoboCup Rescue Agent Simulation est un cadre open-source qui modélise des environnements urbains de catastrophe où plusieurs agents pilotés par IA collaborent pour localiser et sauver des victimes. Il propose des interfaces pour la navigation, la cartographie, la communication et l’intégration de capteurs. Les utilisateurs peuvent écrire des stratégies d’agents personnalisées, exécuter des expériences par lot, et visualiser les indicateurs de performance des agents. La plateforme supporte la configuration des scénarios, la journalisation et l’analyse des résultats pour accélérer la recherche dans les systèmes multi-agents et les algorithmes de réponse aux catastrophes.