Patrolling-Zooは、Pythonでマルチエージェント巡回タスクを作成・実験できる柔軟なフレームワークを提供します。ライブラリには、監視、モニタリング、カバレッジシナリオをシミュレーションする、多様なグリッドベースとグラフベースの環境が含まれています。ユーザーはエージェントの数、マップサイズ、トポロジー、報酬関数、観測空間を設定可能です。PettingZooとGym APIとの互換性により、一般的な強化学習アルゴリズムとのシームレスな統合をサポートします。この環境は、一定の設定の下でMARL手法のベンチマークと比較を容易にします。標準化されたシナリオと新しいものをカスタマイズするツールを提供することで、Patrolling-Zooは自律ロボティクス、セキュリティ監視、捜索救助操作、多エージェント協調戦略を用いた効率的なエリアカバレッジの研究を加速させます。

A2A（Agent-to-Agent Architecture）は、Googleのオープンソースフレームワークで、協調して動作する分散型AIエージェントの開発と運用を可能にします。エージェントの役割、通信チャネル、共有メモリを定義するモジュール構成を提供します。さまざまなLLMプロバイダーの統合やエージェントの動作のカスタマイズ、多段階のワークフローのオーケストレーションが可能です。A2Aには、エージェントの相互作用を追跡するためのビルドイン監視、エラー管理、リプレイ機能が搭載されています。標準化されたプロトコルにより、エージェントの探索、メッセージ交換、タスク割り当てを簡素化し、複雑な調整パターンを容易にし、さまざまな環境でのエージェントベースのアプリケーションの信頼性を高めます。

Agents with ADKは、大規模言語モデルに基づくインテリジェントエージェントの作成を簡素化するためのオープンソースPythonフレームワークです。モジュール式のエージェントテンプレート、内蔵のメモリ管理、ツール実行インターフェース、多エージェント調整の能力を備えています。開発者は、カスタム関数や外部APIを迅速に追加し、プランニングや推論のチェーンを設定し、エージェントのやり取りを監視できます。このフレームワークは、人気のLLMプロバイダーとの連携をサポートし、ロギング、リトライロジック、運用展開のための拡張性を提供します。

CArtAgO（Common ARTifact Infrastructure for AGents Open environments）は、マルチエージェントシステムにおける環境インフラを実装するための軽量で拡張性のあるフレームワークです。環境リソースを表す第一級のエンティティであるアーティファクトの概念を導入し、定義された操作、観測可能なプロパティ、イベントインターフェースを備えています。開発者はJavaでアーティファクトタイプを定義し、環境クラスに登録し、操作とイベントをエージェントに公開します。エージェントは標準操作（例：createArtifact、observe）を用いてアーティファクトとやり取りし、非同期通知を受け取りながら状態変化を把握し、共有リソースを通じて調整します。CArtAgOは、Jason、JaCaMo、JADE、Spring Agentなどのエージェントプラットフォームと容易に統合でき、ハイブリッドシステムの開発を可能にします。フレームワークには、アーティファクトのドキュメント化、動的ロード、ランタイム監視のためのビルトインサポートが備わっており、複雑なエージェントベースのアプリケーションの迅速なプロトタイピングを促進します。

Cooperative Search Environmentは、離散格子空間と連続空間の両方で協力検索タスクに最適化された柔軟でgym互換のマルチエージェント強化学習環境を提供します。エージェントは部分観測の下で動作し、カスタマイズ可能な通信トポロジーに基づいて情報を共有できます。フレームワークは、探索と救助、動的ターゲット追跡、協調マッピングなどの事前定義されたシナリオをサポートし、カスタム環境や報酬構造を定義するためのAPIを備えています。Stable Baselines3やRay RLlibなどの人気RLライブラリとシームレスに統合され、性能分析用のロギングユーティリティやリアルタイム監視用のビジュアルツールも含まれます。研究者は、格子のサイズ、エージェントの数、センサー範囲、報酬共有メカニズムを調整して、協調戦略を評価し、新しいアルゴリズムを効果的にベンチマークできます。

OpenAI Agents MCP Serverは、OpenAIモデルを搭載した自律エージェントの展開と管理のための堅牢な基盤を提供します。柔軟なRESTful APIを公開し、エージェントの作成、設定、制御を可能にし、開発者はマルチステップタスクのオーケストレーション、エージェント間の相互作用の調整、セッション間の永続的なメモリ維持が行えます。このフレームワークはプラグインのようなツール統合、進んだ会話のロギング、カスタマイズ可能な計画戦略をサポートします。インフラストラクチャの問題を抽象化することで、MCP Serverは開発パイプラインを効率化し、迅速なプロトタイピングと会話型アシスタント、ワークフロー自動化、AI駆動のデジタルワーカーのスケーラブルな展開を促進します。

Shepherdingは、マルチエージェントの牧羊タスクを研究・実装するためのオープンソースのシミュレーションフレームワークです。Gym互換の環境を提供し、エージェントは連続または離散空間でターゲットグループを追跡、収集、分散させる行動を学習できます。フレームワークにはモジュール式の報酬調整関数、環境パラメータ化、トレーニングパフォーマンス監視のためのロギングユーティリティが含まれています。ユーザーはTensorFlowやPyTorchを用いて障害物や動的エージェント群、カスタムポリシーを定義できます。可視化スクリプトは軌跡のプロットやエージェントのやり取りの動画記録を生成します。Shepherdingのモジュール式設計により、既存のRLライブラリとシームレスに統合でき、再現性のある実験や新しい協調戦略のベンチマーク、AI駆動の牧羊ソリューションの迅速なプロトタイピングを可能にします。