Acme est un framework basé sur Python qui simplifie le développement et l'évaluation d'agents d'apprentissage par renforcement. Il propose une collection d'implémentations d'agents préconstruites (par exemple, DQN, PPO, SAC), des enveloppes d'environnement, des tampons de répétition et des moteurs d'exécution distribués. Les chercheurs peuvent combiner et ajuster les composants pour prototyper de nouveaux algorithmes, surveiller les métriques d'entraînement avec la journalisation intégrée et exploiter des pipelines distribués évolutifs pour de large experiments. Acme s'intègre avec TensorFlow et JAX, prend en charge des environnements personnalisés via OpenAI Gym interfaces, et inclut des utilitaires pour la sauvegarde, l'évaluation et la configuration des hyperparamètres.

Agent-Squad est un framework modulaire en Python qui permet aux équipes de concevoir, déployer et exécuter des systèmes multi-agents pour l'exécution de tâches complexes. Au cœur du système, Agent-Squad permet aux utilisateurs de configurer divers profils d'agents—comme récupérateurs de données, résumeurs, codeurs et validateurs—qui communiquent via des canaux définis et partagent un contexte mémoire. En décomposant des objectifs de haut niveau en sous-tâches, le framework orchestre le traitement parallèle et exploite les LLM avec des API externes, des bases de données ou des outils personnalisés. Les développeurs peuvent définir des workflows en JSON ou en code, surveiller les interactions des agents et ajuster les stratégies de façon dynamique à l'aide des outils de journalisation et d'évaluation intégrés. Les applications courantes incluent des assistants de recherche automatisés, des pipelines de génération de contenu, des bots QA intelligents, et des processus de revue de code itératifs. La conception open-source s'intègre parfaitement avec les services AWS, permettant des déploiements évolutifs.

ANAC-agents est un framework basé sur Python qui centralise plusieurs implémentations d'agents de négociation pour la Compétition d'Agents de Négociation Automatisée (ANAC). Chaque agent dans le dépôt incarne différentes stratégies pour la modélisation de l'utilité, la génération de propositions, les tactiques de concession et les critères d'acceptation, facilitant les études comparatives et les prototypes rapides. Les utilisateurs peuvent définir des domaines de négociation avec des enjeux et profils de préférences personnalisés, puis simuler des négociations bilatérales ou des compétitions en tournoi entre agents. La boîte à outils comprend des scripts de configuration, des métriques d’évaluation, et des utilitaires de journalisation pour analyser la dynamique de négociation. Les chercheurs et développeurs peuvent étendre les agents existants, tester de nouveaux algorithmes ou intégrer des modules d'apprentissage externe, accélérant l'innovation dans le commerce automatisé et la prise de décision stratégique sous information incomplète.

Autonomais est un cadre d'agents IA modulaires conçu pour une autonomie totale dans la planification et l'exécution des tâches. Il intègre de grands modèles de langage pour générer des plans, orchestre les actions via un pipeline personnalisable et stocke le contexte dans des modules de mémoire pour une réflexion cohérente sur plusieurs étapes. Les développeurs peuvent connecter des outils externes comme des scrapeurs Web, des bases de données et des API, définir des gestionnaires d'actions personnalisés et affiner le comportement des agents via des compétences configurables. Le framework prend en charge la journalisation, la gestion des erreurs et le débogage étape par étape, garantissant une automatisation fiable des tâches de recherche, de l'analyse de données et des interactions Web. Avec son architecture extensible basée sur des plugins, Autonomais permet un développement rapide d'agents spécialisés capables de prises de décision complexes et d'utilisation dynamique d'outils.

Le SDK Swarms simplifie la création, la configuration et l’exécution de systèmes multi-agents collaboratifs utilisant de grands modèles linguistiques. Les développeurs définissent des agents avec des rôles distincts—chercheur, synthétiseur, critique—et les regroupent en essaims qui échangent des messages via un bus partagé. Le SDK gère la planification, la persistance du contexte et le stockage de la mémoire, permettant un résolution itérative des problèmes. Avec un support native pour OpenAI, Anthropic et d’autres fournisseurs LLM, il offre des intégrations flexibles. Les utilitaires pour la journalisation, l’agrégation des résultats et l’évaluation des performances aident les équipes à prototyper et déployer des flux de travail IA pour le brainstorming, la génération de contenu, le résumé et le soutien à la décision.

L'environnement de recherche coopérative fournit un environnement d'apprentissage par renforcement multi-agent flexible et compatible gym, adapté aux tâches de recherche coopérative dans des espaces en grille discrète et en espace continu. Les agents fonctionnent sous observabilité partielle et peuvent partager des informations en fonction de topologies de communication personnalisables. Le cadre supporte des scénarios prédéfinis tels que recherche et sauvetage, suivi de cibles dynamiques, et cartographie collaborative, avec des API pour définir des environnements et des structures de récompense personnalisés. Il s'intègre parfaitement avec des bibliothèques RL populaires comme Stable Baselines3 et Ray RLlib, inclut des utilitaires de journalisation pour l’analyse des performances, et offre des outils de visualisation en temps réel. Les chercheurs peuvent ajuster la taille de la grille, le nombre d'agents, la portée des capteurs et les mécanismes de partage des récompenses pour évaluer efficacement les stratégies de coordination et benchmarker de nouveaux algorithmes.

Multi-Agent-LLM est conçu pour simplifier l'orchestration de plusieurs agents IA alimentés par de grands modèles de langage. Les utilisateurs peuvent définir des agents individuels avec des personas uniques, un stockage mémoire et l'intégration d'outils ou API externes. Un AgentManager central gère les boucles de communication, permettant aux agents d'échanger des messages dans un environnement partagé et de progresser collectivement vers des objectifs complexes. Le framework supporte la permutation des fournisseurs LLM (par ex., OpenAI, Hugging Face), des modèles de prompt flexibles, des historiques de conversation et des contextes d'outils étape par étape. Les développeurs bénéficient d'utilitaires intégrés pour la journalisation, la gestion des erreurs et le spawning dynamique d'agents, ce qui permet une automatisation évolutive des flux de travail multi-étapes, des tâches de recherche et des pipelines de décision.

Shepherding est un cadre de simulation open-source conçu pour les chercheurs et développeurs en apprentissage par renforcement afin d'étudier et d'implémenter des tâches de bergerie multi-agents. Il fournit un environnement compatible Gym où les agents peuvent apprendre à effectuer des comportements tels que faire le tour, collecter et disperser des groupes cibles dans des espaces continus ou discrets. Le cadre comprend des fonctions modulaires pour le façonnage de récompenses, la paramétrisation de l'environnement et des utilitaires de journalisation pour surveiller les performances d'entraînement. Les utilisateurs peuvent définir des obstacles, des populations d'agents dynamiques et des politiques personnalisées en utilisant TensorFlow ou PyTorch. Les scripts de visualisation génèrent des tracés de trajectoires et des enregistrements vidéo des interactions des agents. La conception modulaire de Shepherding permet une intégration transparente avec les bibliothèques RL existantes, facilitant la reproductibilité des expériences, le benchmarking de stratégies de coordination innovantes et le prototypage rapide de solutions de bergerie basées sur l'IA.

Super-Agent-Party permet aux développeurs de définir un objet Party où des agents IA individuels jouent des rôles distincts tels que la planification, la recherche, la rédaction et la révision. Chaque agent peut être configuré avec des invites personnalisées, des outils et des paramètres de modèle. Le framework gère l'acheminement des messages et le contexte partagé, permettant aux agents de collaborer en temps réel sur des sous-tâches. Il supporte l'intégration de plugins pour des services tiers, des stratégies d'orchestration flexibles et des routines de gestion des erreurs. Avec une API intuitive, les utilisateurs peuvent ajouter ou supprimer des agents dynamiquement, enchaîner des flux de travail et visualiser les interactions entre agents. Basé sur Node.js et compatible avec les principaux fournisseurs cloud, Super-Agent-Party simplifie le développement de systèmes multi-agent évolutifs et maintenables pour l'automatisation, la génération de contenu, l'analyse de données, et plus encore.

Le framework BeeAI offre une architecture entièrement modulaire pour construire des agents intelligents capables d'effectuer des tâches, de gérer des états et d'interagir avec des outils externes. Il comprend un gestionnaire de mémoire pour la conservation à long terme du contexte, un système de plugins pour l'intégration de compétences personnalisées, ainsi qu'un support intégré pour le chaînage d'API et la coordination multi-agents. Le framework propose des SDKs Python et JavaScript, une interface en ligne de commande pour la création de projets et des scripts de déploiement pour le cloud, Docker ou les dispositifs Edge. Des tableaux de bord de surveillance et des outils de journalisation aident à suivre la performance des agents et à diagnostiquer les problèmes en temps réel.

DeepMind MAS Environment est une bibliothèque Python fournissant une interface standardisée pour construire et simuler des tâches d'apprentissage par renforcement multi-agent. Elle permet aux utilisateurs de configurer le nombre d'agents, de définir les espaces d'observation et d'action, et de personnaliser les structures de récompense. Le framework supporte les canaux de communication entre agents, la journalisation des performances et les capacités de rendu. Les chercheurs peuvent intégrer sans problème DeepMind MAS Environment avec des bibliothèques RL populaires comme TensorFlow et PyTorch pour benchmarker de nouveaux algorithmes, tester des protocoles de communication et analyser les domaines de contrôle discret et continu.

openai-agents-python est un package Python complet conçu pour aider les développeurs à construire des agents IA entièrement autonomes. Il fournit des abstractions pour la planification des agents, l'intégration d'outils, les états de mémoire et les boucles d'exécution. Les utilisateurs peuvent enregistrer des outils personnalisés, spécifier des objectifs pour les agents et laisser le cadre orchestrer le raisonnement étape par étape. La bibliothèque inclut également des utilitaires pour tester et enregistrer les actions des agents, facilitant ainsi l'itération sur les comportements et le dépannage des tâches complexes en plusieurs étapes.

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.

NeuralABM est une bibliothèque open-source en Python qui exploite PyTorch pour intégrer des réseaux neuronaux dans la modélisation basée sur des agents. Les utilisateurs peuvent spécifier des architectures d'agents sous forme de modules neuronaux, définir la dynamique de l'environnement et entraîner le comportement des agents via la rétro-propagation sur les étapes de simulation. Le framework supporte des signaux de récompense personnalisés, l'apprentissage par curriculum, ainsi que des mises à jour synchrones ou asynchrones, permettant d'étudier des phénomènes émergents. Avec des utilitaires pour la journalisation, la visualisation et l'exportation de jeux de données, chercheurs et développeurs peuvent analyser la performance des agents, déboguer les modèles et itérer sur la conception des simulations. NeuralABM facilite la combinaison de l'apprentissage par renforcement avec l'ABM pour des applications en sciences sociales, économie, robotique et comportements NPC pilotés par IA dans les jeux. Il fournit des composants modulaires pour la personnalisation de l'environnement, supporte les interactions multi-agents, et offre des hooks pour intégrer des jeux de données ou API externes pour des simulations du monde réel. La conception ouverte favorise la reproductibilité et la collaboration via une configuration claire des expériences et une intégration du contrôle de version.