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.

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.

Layra est conçue pour simplifier le développement d'agents alimentés par LLM en fournissant une architecture modulaire qui s'intègre avec divers outils et stockages de mémoire. Elle comprend un planificateur qui divise les tâches en sous-objectifs, un module de mémoire pour stocker la conversation et le contexte, et un système de plugins pour connecter des APIs externes ou des fonctions personnalisées. Layra supporte aussi l'orchestration de plusieurs instances d'agents pour collaborer sur des workflows complexes, en permettant une exécution en parallèle et la délégation de tâches. Avec des abstractions claires pour les outils, la mémoire et la définition de politiques, les développeurs peuvent rapidement prototyper et déployer des agents intelligents pour le support client, l'analyse de données, RAG, et plus encore. Elle est indépendante du backend de modélisation, supportant OpenAI, Hugging Face et des LLM locaux.

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.

Ce cadre permet aux utilisateurs de concevoir, configurer et déployer plusieurs agents IA qui communiquent via des messages JSON à travers un orchestrateur central. Chaque agent peut avoir des rôles, des invites et des modules de mémoire distincts, et il est possible d'intégrer n'importe quel fournisseur LLM en implémentant une interface de fournisseur. Le système supporte l'historique de conversation persistant, le routage dynamique et les extensions modulaires. Idéal pour simuler des débats, automatiser des flux de support client ou coordonner la génération de documents en plusieurs étapes. Il fonctionne sous Python avec un support Docker pour les déploiements conteneurisés.

MultiMind est une plateforme d'IA qui permet aux développeurs de construire des flux de travail multi-agents en définissant des agents spécialisés pour des tâches telles que l'analyse de données, les chatbots de support et la génération de contenu. Elle fournit un constructeur de flux de travail visuel ainsi que des SDK en Python et JavaScript, automatise la communication entre agents et maintient une mémoire persistante. Vous pouvez intégrer des API externes et déployer des projets sur le cloud MultiMind ou votre propre infrastructure, garantissant des applications d'IA modulaires et évolutives sans code boilerplate important.

Multi-Agent AI Assistant est un cadre modulaire basé sur Python qui orchestre plusieurs agents alimentés par GPT, chacun assigné à des rôles discrets tels que la planification, la recherche, l'analyse et l'exécution. Le système supporte la transmission de messages entre agents, le stockage de mémoire et l'intégration avec des outils et APIs externes, permettant une décomposition complexe des tâches et une résolution collaborative de problèmes. Les développeurs peuvent personnaliser le comportement des agents, ajouter de nouvelles boîtes à outils et configurer les flux de travail via de simples fichiers de configuration. En exploitant un raisonnement distribué entre agents spécialisés, le cadre accélère la recherche automatisée, l’analyse de données, le support décisionnel et l’automatisation des tâches. Le dépôt comprend des implémentations d'exemple et des modèles, permettant une prototypage rapide d'assistants intelligents et de travailleurs numériques capables de gérer des flux de travail de bout en bout en environnement commercial, éducatif et de recherche.

multiagent-golang fournit une approche structurée pour construire des systèmes multi-agents en Go. Il introduit une abstraction d'Agent où chaque agent peut être équipé de divers capteurs pour percevoir son environnement et d'actionneurs pour agir. Les agents s'exécutent simultanément en utilisant des goroutines et communiquent via des canaux de messagerie dédiés. Le framework comprend également une couche de simulation d'environnement pour gérer les événements, la gestion du cycle de vie des agents et le suivi des changements d'état. Les développeurs peuvent facilement étendre ou personnaliser les comportements des agents, configurer les paramètres de simulation et intégrer des modules pour la journalisation ou l'analyse. Il simplifie la création de simulations évolutives et concurrentes pour la recherche et le prototypage.

MultiAgent-Systems-StarCraft2-PySC2-Raw fournit un kit complet pour le développement, l'entraînement et l'évaluation de multiples agents IA dans StarCraft II. Il expose des contrôles de bas niveau pour le déplacement d'unités, la visée et les capacités, tout en permettant une conception flexible de récompenses et de scénarios. Les utilisateurs peuvent facilement insérer des architectures neuronales personnalisées, définir des stratégies de coordination en équipe et enregistrer des métriques. Basé sur PySC2, il supporte l'entraînement en parallèle, la création de points de contrôle et la visualisation, ce qui en fait un outil idéal pour faire progresser la recherche en apprentissage par renforcement multi-agent coopératif et adversarial.

MultiAgentSystems a été conçu pour simplifier le processus de construction et d’évaluation des applications d’apprentissage par renforcement multi-agent (MARL). La plateforme inclut des implémentations d’algorithmes de pointe tels que MADDPG, QMIX, VDN, ainsi que la formation centralisée avec une exécution décentralisée. Elle propose des wrappers d’environnement modulaires compatibles avec OpenAI Gym, des protocoles de communication pour l’interaction des agents et des utilitaires de journalisation pour suivre des métriques telles que la modulation des récompenses et les taux de convergence. Les chercheurs peuvent personnaliser l’architecture des agents, ajuster les hyperparamètres et simuler des scénarios comprenant la navigation coopérative, l’allocation de ressources et des jeux adverses. Avec un support intégré pour PyTorch, l’accélération GPU et l’intégration avec TensorBoard, MultiAgentSystems accélère l’expérimentation et la mise en place de benchmarks dans des domaines multi-agent collaboratifs et compétitifs.

Odyssey offre une architecture flexible pour la création de systèmes multi-agent collaboratifs. Il comprend des composants centraux tels que le Task Manager pour définir et répartir les sous-tâches, modules de mémoire pour stocker le contexte et l'historique des conversations, contrôleurs d'agents pour la coordination des agents alimentés par LLM, et gestionnaires d'outils pour l'intégration d'API externes ou de fonctions personnalisées. Les développeurs peuvent configurer des workflows via des fichiers YAML, sélectionner des noyaux LLM préconstruits (par ex. GPT-4, modèles locaux), et étendre le framework avec de nouveaux outils ou backends de mémoire. Odyssey journalise les interactions, supporte l'exécution asynchrone des tâches et permet des boucles de raffinage itératif, le rendant idéal pour la recherche, le prototypage et les applications multi-agent prêtes pour la production.

OpenAI Agent Swarm est un framework modulaire conçu pour rationaliser la coordination de plusieurs agents alimentés par GPT dans diverses tâches. Chaque agent fonctionne de manière indépendante avec des prompts et des définitions de rôles personnalisables, tandis que le cœur de Swarm gère le cycle de vie de l'agent, la transmission de messages et la planification des tâches. La plateforme inclut des outils pour définir des flux de travail complexes, surveiller les interactions des agents en temps réel et agréger les résultats dans des sorties cohérentes. En répartissant les charges de travail entre des agents spécialisés, les utilisateurs peuvent aborder des scénarios de résolution de problèmes complexes, de la génération de contenu à l'analyse de recherche, en passant par le débogage automatisé et le résumé de données. OpenAI Agent Swarm s'intègre parfaitement à l'API d'OpenAI, permettant aux développeurs de déployer rapidement des systèmes multi-agents sans construire d'infrastructure d'orchestration à partir de zéro.

Les agents d'apprentissage par renforcement pour les jeux PettingZoo sont une bibliothèque en Python qui propose des algorithmes prêts à l'emploi DQN, PPO et A2C pour l'apprentissage par renforcement multi-agent dans les environnements PettingZoo. Elle comprend des scripts standardisés pour l'entraînement et l'évaluation, des hyperparamètres configurables, une journalisation intégrée dans TensorBoard et prend en charge à la fois les jeux compétitifs et coopératifs. Les chercheurs et développeurs peuvent cloner le dépôt, ajuster les paramètres de l'environnement et de l'algorithme, exécuter des sessions d'entraînement et visualiser les métriques pour accélérer leur développement et comparer leurs expériences en RL multi-agent.

MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

ComfyUI LLM Party étend l’environnement basé sur des nœuds de ComfyUI en proposant une gamme de nœuds alimentés par LLM conçus pour orchestrer les interactions textuelles parallèlement aux flux de travail visuels de l’IA. Il offre des nœuds de chat pour dialoguer avec de grands modèles de langage, des nœuds de mémoire pour la rétention du contexte, et des nœuds de routage pour gérer les dialogues multi-agent. Les utilisateurs peuvent chaîner des opérations de génération de langage, de résumé et de prise de décision dans leurs pipelines, fusionnant l’IA textuelle et la génération d’images. L’extension supporte aussi des modèles de invites personnalisées, la gestion de variables, et le ramification conditionnelle, permettant aux créateurs d’automatiser la génération de récits, la légende d’images et la description dynamique des scènes. Sa conception modulaire permet une intégration transparente avec les nœuds existants, donnant aux artistes et développeurs la possibilité de créer des workflows de agents IA sophistiqués sans compétences en programmation.

Le système multi-agent e-commerce sur JADE montre comment des agents autonomes peuvent gérer les flux de travail de shopping en ligne. Les agents acheteurs recherchent des produits et négocient les prix avec les agents vendeurs. Les agents vendeurs gèrent les stocks et les stratégies de tarification. Les agents logistique planifient les expéditions et mettent à jour le statut des commandes. Le système montre la communication entre agents via ACL, l'extension du comportement et le déploiement de conteneurs sur la plateforme JADE.

L'IntelligentMASPlatform est conçue pour accélérer le développement et le déploiement de systèmes multi-agents en proposant une architecture modulaire avec des couches séparées pour les agents, l'environnement et les services. Les agents communiquent en utilisant la messagerie ACL conforme à FIPA, permettant une négociation et une coordination dynamiques. La plateforme inclut un simulateur d'environnement polyvalent qui permet aux développeurs de modéliser des scénarios complexes, de planifier des tâches d'agents et de visualiser les interactions en temps réel via un tableau de bord intégré. Pour des comportements avancés, elle intègre des modules d'apprentissage par renforcement et supporte des plugins de comportements personnalisés. Les outils de déploiement permettent d'emballer les agents en applications autonomes ou en réseaux distribués. De plus, l'API de la plateforme facilite l'intégration avec des bases de données, des appareils IoT ou des services IA tiers, la rendant adaptée à la recherche, à l'automatisation industrielle et aux cas d'utilisation en villes intelligentes.

LinkAgent fournit un micronoyau léger pour construire des agents d'IA avec des composants plug-in. Les utilisateurs peuvent enregistrer des backends de modèles de langage, des modules de récupération et des API externes en tant qu'outils, puis les assembler en workflows utilisant des planificateurs et routeurs intégrés. LinkAgent supporte des gestionnaires de mémoire pour la persistance du contexte, l'invocation dynamique d'outils et une logique de décision configurable pour un raisonnement complexe à plusieurs étapes. Avec peu de code, les équipes peuvent automatiser des tâches telles que le QA, l'extraction de données, l'orchestration de processus et la génération de rapports.

LiteMultiAgent offre un SDK modulaire pour construire et exécuter plusieurs agents IA en parallèle ou en séquence, chacun avec des rôles et responsabilités uniques. Il fournit des magasins de mémoire intégrés, des pipelines de messagerie, des adaptateurs de plugins et des boucles d'exécution pour gérer une communication inter-agent complexe. Les utilisateurs peuvent personnaliser le comportement des agents, intégrer des outils ou API externes et surveiller les conversations via des logs. La conception légère du framework et la gestion des dépendances en font une solution idéale pour le prototypage rapide et le déploiement en production de workflows collaboratifs d’IA.

OmniSteward est une plateforme modulaire d'orchestration d'agents IA construite sur Python, connectée à OpenAI, à des LLM locaux et supportant des modèles personnalisés. Elle fournit des modules de mémoire pour stocker le contexte, des kits d'outils pour les appels API, la recherche web, l'exécution de code et les requêtes de base de données. Les utilisateurs définissent des modèles d'agents avec des invites, des flux de travail et des déclencheurs. Le framework orchestre plusieurs agents en parallèle, gère l'historique des conversations et automatise les tâches via des pipelines. Il comprend également de la journalisation, des tableaux de bord de surveillance, une architecture de plugins et une intégration avec des services tiers. OmniSteward simplifie la création d'assistants spécifiques à un domaine pour la recherche, les opérations, le marketing, etc., en offrant flexibilité, évolutivité et transparence open-source pour les entreprises et les développeurs.