OpenSpiel est un cadre de recherche qui fournit une large gamme d'environnements (de jeux simples sur matrice à des jeux de plateau complexes comme Échecs, Go et Poker) et implémente divers algorithmes d'apprentissage par renforcement et de recherche (ex. itération de valeur, méthodes de gradient de politique, MCTS). Son noyau modulaire en C++ et ses liaisons Python permettent aux utilisateurs d'intégrer des algorithmes personnalisés, de définir de nouveaux jeux et de comparer les performances sur des benchmarks standards. Conçu pour l’extensibilité, il supporte des scénarios à un ou plusieurs agents, permettant d’étudier des stratégies coopératives et compétitives. Les chercheurs utilisent OpenSpiel pour prototyper rapidement des algorithmes, réaliser des expériences à grande échelle et partager du code reproductible.

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.

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.

ROCKET-1 est une plateforme open-source d'orchestration d'agents IA conçue pour construire des systèmes multi-agents avancés. Elle permet aux utilisateurs de définir des pipelines d'agents à l'aide d'une API modulaire, permettant une chaînage seamless des modèles linguistiques, des plugins et des magasins de données. Les fonctionnalités clés incluent la mémoire sémantique pour maintenir le contexte à travers les sessions, l'intégration dynamique d'outils pour les API externes et les bases de données, ainsi que des tableaux de bord de surveillance intégrés pour suivre les métriques de performance. Les développeurs peuvent personnaliser les workflows avec peu de code, évoluer horizontalement via des déploiements conteneurisés, et étendre la fonctionnalité via une architecture de plugins. ROCKET-1 supporte le débogage en temps réel, les redémarrages automatiques et les contrôles de sécurité, ce qui le rend idéal pour les bots d'assistance client, les assistants de recherche et les tâches d'automatisation d'entreprise.

VacuumWorld est une plateforme de simulation open-source conçue pour faciliter le développement et l'évaluation d'algorithmes d'apprentissage par renforcement multi-agents. Elle fournit des environnements basés sur une grille où des agents aspirateurs virtuels opèrent pour détecter et éliminer la saleté dans différents agencements personnalisables. Les utilisateurs peuvent ajuster des paramètres tels que la taille de la grille, la distribution de la saleté, le bruit de mouvement stochastique et les structures de récompense pour modéliser divers scénarios. Le cadre inclut un support intégré pour les protocoles de communication entre agents, des tableaux de visualisation en temps réel et des utilitaires de journalisation pour le suivi des performances. Avec des API Python simples, les chercheurs peuvent rapidement intégrer leurs algorithmes RL, comparer des stratégies coopératives ou compétitives, et réaliser des expériences reproductibles, rendant VacuumWorld idéal pour la recherche académique et l'enseignement.

Salieri est une plateforme innovante conçue pour simplifier le développement de projets IA via des applications multi-agents. En tirant parti des technologies IA avancées, Salieri augmente la productivité et l'efficacité, facilitant ainsi l'automatisation des flux de travail par les équipes. Le design intuitif et les fonctionnalités puissantes de Salieri permettent aux utilisateurs de traduire des idées détaillées en histoires interactives et illustrées, idéales pour des projets narratifs, des jeux, et plus encore. Offrant des systèmes robustes et efficaces, Salieri intègre des graphes de connaissances et des moteurs formels pour améliorer la précision et la rentabilité des modèles IA.

SARL offre des outils de prise de décision et supporte la dynamique avec l'IDE Eclipse, proposant support éditeur, génération de code, débogage et outils de test. Le moteur d'exécution peut cibler différentes plateformes, y compris des cadres de simulation (par ex., MadKit, Janus) et des systèmes réels en robotique et IoT. Les développeurs peuvent structurer des applications MAS complexes en assemblant des compétences et protocoles modulaires, simplifiant le développement de systèmes d'IA distribués et adaptatifs.

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.

OpenAI Swarm est une bibliothèque d'orchestration polyvalente permettant l'exécution parallèle et la prise de décision basée sur le consensus à travers plusieurs agents IA. Elle diffuse des tâches à des instances de modèles indépendants, agrège leurs sorties et applique des schémas de vote ou de classement configurables pour sélectionner le résultat le mieux noté. Les développeurs peuvent ajuster le nombre d'agents, les seuils de vote et les combinaisons de modèles pour renforcer la fiabilité, réduire les biais individuels et améliorer la qualité des solutions. Swarm prend en charge la chaînage des réponses, les boucles de rétroaction itératives et des journaux détaillés de raisonnement pour la vérifiabilité, améliorant les performances en résumé, classification, génération de code et tâches de raisonnement complexe via l'intelligence collective.

SuperSwarm est conçu pour orchestrer des flux de travail pilotés par l'IA en exploitant plusieurs agents spécialisés qui communiquent et collaborent en temps réel. Il supporte la décomposition dynamique des tâches, où un agent contrôleur principal divise des objectifs complexes en sous-tâches et les assigne à des agents experts. Les agents peuvent partager le contexte, échanger des messages et adapter leur approche en fonction des résultats intermédiaires. La plateforme offre un tableau de bord basé sur le web, une API RESTful et une CLI pour le déploiement et la surveillance. Les développeurs peuvent définir des rôles personnalisés, configurer des topologies de swarm et intégrer des outils externes via des plugins. SuperSwarm se scale horizontalement en utilisant l'orchestration de conteneurs, garantissant une performance robuste sous des charges de travail importantes. Les journaux, métriques et visualisations aident à optimiser les interactions des agents, ce qui le rend adapté à des tâches comme la recherche avancée, l'automatisation du support client, la génération de code et la prise de décision.

AgentSpeak est une implémentation open-source en Java du langage de programmation AgentSpeak(L), conçue pour faciliter la création et la gestion d'agents autonomes BDI (Croyance-Désir-Intention). Il possède un environnement d'exécution qui analyse le code AgentSpeak(L), maintient les bases de croyances des agents, déclenche des événements et sélectionne puis exécute des plans en fonction des croyances et objectifs actuels. L'interpréteur supporte l'exécution concurrente des agents, les mises à jour dynamiques de plans et des sémantiques personnalisables. Avec une architecture modulaire, les programmeurs peuvent étendre des composants centraux tels que la sélection de plans et la révision des croyances. AgentSpeak permet aux chercheurs et à l'industrie de prototyper, simuler et déployer des agents intelligents dans des simulations, des systèmes IoT et des scénarios multi-agents.

Le dépôt Berkeley Pacman Projects offre une base de code Python modulaire où les utilisateurs construisent et testent des agents IA dans un labyrinthe Pacman. Il guide les apprenants à travers la recherche non informée et informée (DFS, BFS, A*), la recherche multi-agents adversariale (minimax, élagage alpha-bêta), et l'apprentissage par renforcement (Q-learning avec extraction de caractéristiques). Des interfaces graphiques intégrées visualisent le comportement des agents en temps réel, tandis que des cas de test intégrés et un autograder vérifient la correction. En itérant sur les implémentations d'algorithmes, les utilisateurs acquièrent une expérience pratique en exploration de l'espace d'états, conception d'heuristiques, raisonnement adversarial, et apprentissage basé sur les récompenses au sein d'un cadre de jeu unifié.

Le framework UnitMesh offre un environnement flexible et modulaire pour définir, gérer et exécuter des chaînes d'agents IA. Il permet une intégration transparente avec OpenAI, Anthropic et des modèles personnalisés, supporte les SDKs Python et Node.js, et fournit des magasins de mémoire intégrés, des connecteurs d'outils et une architecture de plugins. Les développeurs peuvent orchestrer des workflows parallèles ou séquentiels, suivre les logs d'exécution et étendre la fonctionnalité via des modules personnalisés. Son architecture basée sur des événements garantit haute performance et scalabilité en déploiement cloud ou sur site.

ElizaOS fournit une suite d'outils robuste pour concevoir, tester et déployer des agents IA autonomes dans des projets TypeScript. Les développeurs définissent les personnalités des agents, leurs objectifs et leurs hiérarchies de mémoire, puis utilisent le système de planification d'ElizaOS pour définir les flux de travail des tâches. Son architecture modulaire de connecteurs facilite l’intégration avec des plateformes de communication—Discord, Telegram, Slack, X—et des réseaux blockchain via des adaptateurs Web3. ElizaOS supporte plusieurs backends LLM (OpenAI, Anthropic, Llama, Gemini), permettant une transition transparente entre les modèles. La prise en charge des plugins étend la fonctionnalité avec des compétences personnalisées, des fonctions de journalisation et d’observabilité. À travers son CLI et SDK, les équipes peuvent itérer sur les configurations d'agents, surveiller la performance en direct, et faire évoluer les déploiements dans des environnements cloud ou sur site. ElizaOS permet aux entreprises d'automatiser les interactions client, l’engagement sur les réseaux sociaux et les processus métier avec des travailleurs numériques autonomes.

EthicalEvalMAS offre un environnement modulaire pour évaluer les systèmes multi-agents à travers des dimensions éthiques clés telles que la justice, l'autonomie, la vie privée, la transparence et la bienveillance. Les utilisateurs peuvent générer des scénarios personnalisés ou utiliser des modèles intégrés, définir des métriques sur mesure, exécuter des scripts d'évaluation automatisés et visualiser les résultats via des outils intégrés de reporting. Son architecture extensible permet l'intégration avec des plates-formes MAS existantes et facilite le benchmarking éthique reproductible pour différents comportements d'agents.

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.

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.

MultiAgent2 fournit une boîte à outils complète pour orchestrer des agents IA autonomes alimentés par de grands modèles de langage. Les développeurs peuvent définir des agents avec des personas, des stratégies et des contextes de mémoire personnalisables, leur permettant de converser, partager des informations et résoudre collectivement des problèmes. Le framework supporte des options de stockage interchangeables pour la mémoire à long terme, l'accès basé sur les rôles aux données partagées, et des canaux de communication configurables pour des dialogues synchrones ou asynchrones. Son CLI et SDK Python facilitent le prototypage rapide, les tests et le déploiement de systèmes multi-agents pour des cas d'utilisation allant des expériences de recherche, support client automatisé, pipelines de génération de contenu, au système de support décisionnel. En abstraisant la communication inter-agent et la gestion de la mémoire, MultiAgent2 accélère le développement d'applications complexes alimentées par l'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.