Данное репозитории обеспечивает практическую демонстрацию двусторонней связи между агентами, построенными на фреймворке JADE. Включает пример классов Java, показывающих настройку агентов, создание сообщений по стандарту FIPA-ACL и обработку поведения асинхронно. Разработчики могут наблюдать за отправкой агентом A запроса REQUEST, обработкой запроса агентом B и ответом сообщением INFORM. В коде показано регистрация агентов с помощью DFService, использование циклических и одноразовых поведений, применение шаблонов сообщений для фильтрации и ведение логов диалогов. Идеально подходит для прототипирования обменов между агентами, пользовательских протоколов или интеграции JADE-агентов в более крупные распределённые системы ИИ.

Автономные экономические агенты (AEA) Fetch.ai — это универсальный фреймворк, который дает возможность разработчикам проектировать, реализовывать и управлять автономными программными агентами, способными взаимодействовать друг с другом, с внешними средами и цифровыми реестрами. Используя архитектуру на основе плагинов, AEA предоставляет заранее подготовленные модули для протоколов связи, API криптографических реестров, децентрализованной идентичности и навыков принятия решений. Агенты могут обнаруживать и совершать транзакции на децентрализованных рынках, выполнять целенаправленное поведение и адаптироваться за счет потоков данных в реальном времени. Фреймворк поддерживает инструменты моделирования для тестирования и отладки сценариев с несколькими агентами, а также развертывания в реальных блокчейнах или пиринговых сетях. Благодаря встроенной совместимости и обмену сообщениями между агентами, AEA облегчает разработку сложных автономных экономических приложений, таких как торговля энергией, оптимизация цепочек поставок и координация IoT.

Фреймворк Autonomous Economic Agents (AEA) от Fetch.ai — это открытый исходный код SDK на Python и набор CLI-инструментов для создания модульных автономных агентов, которые могут вести переговоры, осуществлять транзакции и сотрудничать в децентрализованных средах. В его состав входят команды для скелетонизации проектов агентов, шаблоны для протоколов и навыков, модули соединения для интеграции с несколькими реестрами (Ethereum, Cosmos и др.), интерфейсы контрактов, компоненты поведения и принятия решений, инструменты тестирования и моделирования, а также механизм публикации для распространения агентов в сети Open Economic Framework. Разработчики используют его модульную архитектуру для быстрого прототипирования цифровых работников для DeFi-трейдинга, торговых площадок данных, IoT-координации и автоматизации цепочки поставок.

JaCaMo предоставляет единое окружение для разработки и запуска многоагентных систем (MAS), объединяя три основных компонента: язык программирования агентов Jason для агентов на базе BDI, CArtAgO для моделирования окружающей среды с помощью артефактов и Moise для задания организационных структур и ролей. Разработчики могут писать планы агентов, определять артефакты с операциями и организовывать группы агентов в рамках нормативных структур. Платформа включает инструменты для симуляции, отладки и визуализации взаимодействий MAS. Благодаря поддержке распределённого выполнения, репозиториям артефактов и гибкому обмену сообщениями, JaCaMo позволяет быстро создавать прототипы и проводить исследования в областях, таких как ройоподобный интеллект, коллаборативная робототехника и распределённое принятие решений. Его модульная архитектура обеспечивает масштабируемость и расширяемость для академических и промышленных проектов.

Проект использует фреймворк JADE (Java Agent DEvelopment) для построения мног Agentsystem. Определяются агенты, регистрирующиеся в AMS и DF платформы, обменивающиеся сообщениями ACL и выполняющие такие поведения, как циклические, одношаговые и FSM. В сценариях демонстрируются переговоры покупатель-продавец, протоколы контрактных сетей и распределение задач. Графический контейнер агента помогает отслеживать состояние агентов во время выполнения и поток сообщений.

MultiAgentes использует модульную архитектуру для определения окружений и агентов, поддерживая синхронные и асинхронные взаимодействия между агентами. Включает базовые классы для окружений и агентов, предопределённые сценарии совместных и соревновательных задач, инструменты для настройки функций вознаграждения и API для обмена сообщениями и совместного использования наблюдений. Инструменты визуализации обеспечивают мониторинг поведения агентов в реальном времени, при этом модули логирования записывают метрики производительности для анализа. Фреймворк легко интегрируется с совместимыми с Gym библиотеками RL, позволяя обучать агентов с помощью существующих алгоритмов. MultiAgentes спроектирован с расчётом на расширяемость, позволяя разработчикам добавлять новые шаблоны окружений, типы агентов и протоколы связи для удовлетворения потребностей различных исследований и образовательных целей.

MultiAgentSystems предназначена для упрощения процесса создания и оценки приложений многоагентного обучения с подкреплением (MARL). Платформа включает реализации современных алгоритмов, таких как MADDPG, QMIX, VDN, а также централизованное обучение с децентрализованным исполнением. В ней реализованы модульные обертки для сред OpenAI Gym, протоколы коммуникации между агентами и утилиты для журналирования метрик, таких как награда и сходимость. Исследователи могут настраивать архитектуры агентов, гиперпараметры, моделировать сценарии, включая совместную навигацию, распределение ресурсов и противоборствующие игры. Благодаря встроенной поддержке PyTorch, ускорению на GPU и интеграции с TensorBoard, MultiAgentSystems ускоряет эксперименты и бенчмаркинг в области коллаборативного и соревновательного многоагентного обучения.

OpenAgentSpec определяет комплексный набор схем JSON, API-интерфейсов и руководств по протоколам для ИИ-агентов. В него входит регистрация агентов, объявление возможностей, форматы сообщений, обработка событий, управление памятью и механизмы расширения. Следуя спецификации, организации могут создавать агентов, которые надежно взаимодействуют друг с другом и с хост-средами, снижая затраты на интеграцию и способствуя формированию многоразовой экосистемы совместимых компонентов ИИ.

SuperSwarm предназначен для оркестрации рабочих процессов на базе ИИ с участием нескольких специализированных агентов, которые взаимодействуют и сотрудничают в режиме реального времени. Он поддерживает динамическую декомпозицию задач, при которой главный контролирующий агент разбивает сложные цели на подсущности и назначает их экспертным агентам. Агенты могут делиться контекстом, обмениваться сообщениями и адаптировать свои подходы с учетом промежуточных результатов. Платформа предлагает веб-интерфейс, REST API и CLI для развертывания и мониторинга. Разработчики могут определять пользовательские роли, конфигурировать топологии роя и интегрировать внешние инструменты через плагины. SuperSwarm масштабируется горизонтально с использованием оркестрации контейнеров, обеспечивая надежную работу при больших нагрузках. Логи, метрики и визуализации помогают оптимизировать взаимодействия агентов, делая ее подходящей для передовых исследований, автоматизации поддержки клиентов, генерации кода и процессов принятия решений.

AgentMesh — ориентированный на разработчика каркас, который позволяет регистрировать отдельные ИИ-агенты и связывать их в динамическую сеть. Каждый агент может специализироваться на конкретной задаче — например, подсказки LLM, извлечение или пользовательская логика, — при этом AgentMesh занимается маршрутизацией, балансировкой нагрузки, обработкой ошибок и телеметрией по всей сети. Это дает возможность создавать сложные многошаговые рабочие процессы, соединять агентов последовательно и горизонтально масштабировать выполнение. Благодаря модульным транспортам, сеансам с состоянием и расширяемым хукам, AgentMesh ускоряет создание надежных распределенных систем ИИ-агентов.

AgentSmith — это модульная платформа для оркестрации агентов, написанная на Python, которая позволяет разработчикам определять, конфигурировать и совместно запускать нескольких ИИ-агентов. Каждый агент может выполнять специализированные роли — исследователь, планировщик, программист или рецензент — и общаться через внутреннюю систему сообщений. AgentSmith поддерживает управление памятью через хранилища векторов, такие как FAISS или Pinecone, разбиение задач на подпункты и автоматический контроль для достижения целей. Конфигурация агентов и пайплайнов осуществляется через удобочитаемые YAML-файлы, а платформа легко интегрируется с API OpenAI и собственными моделями LLM. Встроены средства логирования, мониторинга и обработки ошибок, что делает ее идеальной для автоматизации процессов разработки программного обеспечения, анализа данных и систем поддержки принятия решений.