CodeFuse-muAgent — это рамочная платформа с открытым исходным кодом на Python, которая оркеструет нескольких автономных ИИ-агентов для совместного решения сложных задач. Разработчики определяют отдельные агенты со специализированными навыками - такими как обработка данных, понимание естественного языка или взаимодействие с внешними API - и настраивают протоколы связи для динамической делегации задач. Фреймворк обеспечивает централизованное управление памятью, логирование и мониторинг, оставаясь модель-агностичным и поддерживая интеграцию с популярными LLM и пользовательскими моделями ИИ. Используя CodeFuse-muAgent, команды могут создавать модульные рабочие процессы ИИ, автоматизировать многоступенчатые процессы и масштабировать развертывания в различных средах. Гибкие файлы конфигурации и расширяемые API позволяют быстро создавать прототипы, тестировать и дорабатывать системы, что делает его подходящим для использования в службах поддержки клиентов, цепочках генерации контента, исследовательских помощниках и других случаях.

Репозиторий Protocol Net Protocol предоставляет полную Java-реализацию взаимодействия по протоколу FIPA Contract Net. Разработчики могут создавать управляющих и контрактных агентов, которые обмениваются CFP (запросами предложений), предложениями, принятием и отказами через коммуникационные каналы агентов. В код включены основные модули для распространения задач, сбора ставок, оценки предложений на основе настраиваемых критериев, присуждения контрактов и мониторинга выполнения. Его можно интегрировать в большие системы с несколькими агентами или использовать как автономную библиотеку для исследований, промышленных расписаний или командной работы роботов.

CrewAI Agent Generator использует интерфейс командной строки для инициализации нового проекта ИИ-агента с структурированными папками, примерными шаблонами подсказок, определениями инструментов и тестовыми заготовками. Вы можете настраивать соединения с OpenAI, Azure или пользовательскими LLM-ендпоинтами; управлять памятью агента с помощью векторных хранилищ; организовывать работу нескольких агентов в совместных рабочих процессах; просматривать подробные логи разговоров; и развертывать ваших агентов на Vercel, AWS Lambda или Docker с помощью встроенных скриптов. Это ускоряет разработку и обеспечивает единообразную архитектуру AI-проектов.

demo_smolagents — пример реализации SmolAgents, микрофреймворка на Python для создания автономных ИИ-агентов на базе крупных языковых моделей. В этом демо представлены примеры настройки отдельных агентов с конкретными наборами инструментов, установки каналов связи между агентами и динамического управления передачей задач. Он показывает интеграцию LLM, вызовы инструментов, управление подсказками и шаблоны оркестрации для построения мультиагентных систем, способных координированно выполнять действия по инициативе пользователя и промежуточным результатам.

Dial4JaCa — это библиотечный плагин для платформы совместной работы нескольких агентов JaCaMo, перехватывающий межагентские сообщения, кодирующий намерения агентов и маршрутизирующий их через backend LLM (OpenAI, локальные модели). Он управляет контекстом диалога, обновляет базы знаний и напрямую интегрирует генерацию ответов в циклы рассуждений AgentSpeak(L). Разработчики могут настраивать подсказки, определять артефакты диалога и обрабатывать асинхронные вызовы, позволяя агентам интерпретировать высказывания пользователя, координировать задачи и извлекать внешнюю информацию на естественном языке. Его модульная архитектура поддерживает обработку ошибок, ведение логов и выбор нескольких LLM, идеально подходит для исследований, обучения и быстрого прототипирования диалоговых MAS.

Генератор Django Multi-AGI RAG-Llama3 — специализированная AI-рамка, которая объединяет техники уточненной генерации с несколькими агентами на базе Llama3. Он обрабатывает требования пользователя и внешнюю документацию, извлекая релевантные фрагменты кода, управляя несколькими AI-агентами для совместной разработки определений моделей Django, логики вида, шаблонов, маршрутизации URL и настроек проекта. Этот итеративный подход обеспечивает соответствие сгенерированного кода ожиданиям пользователя и лучшим практикам. Пользователи начинают с формирования базы знаний документации или примеров кода, затем запрашивают у агента конкретные функции. Система возвращает полный скелет проекта Django, включая модульные приложения, REST API-эндпоинты и настраиваемые шаблоны. Модульная природа позволяет разработчикам интегрировать собственную бизнес-логику и сразу разворачивать в продуктивной среде.

Fetch.ai — это платформа с открытым исходным кодом и набор инструментов для разработки программного обеспечения, предназначенная для создания автономных агентов, представляющих цифровых двойников в децентрализованной сети. Она предоставляет SDK на Python и Rust, Открыическую экономическую платформу (OEF) для поиска пиров и бесшовную интеграцию с её реестром для безопасных транзакций. Разработчики могут определять пользовательские навыки агентов — такие как создание рынка, предоставление данных или торги задачами — и размещать их в тестовых сетях или в основном блокчейне. Агенты Fetch.ai самостоятельно взаимодействуют, ведут переговоры и выполняют смарт-контракты, что обеспечивает мощную координацию нескольких агентов для цепей поставок, IoT-систем, мобильных сервисов, энергетических сетей и других областей.

Возникающая коммуникация в агентах — это открытая платформа на PyTorch, предназначенная для исследователей, изучающих, как многопользовательские системы разрабатывают собственные протоколы связи. Библиотека предлагает гибкие реализации совместных задач обучения с подкреплением, включая референциальные игры, комбинированные игры и задачи идентификации объектов. Пользователи определяют архитектуры говорящих и слушающих агентов, задают свойства каналов сообщений, такие как размер словаря и длина последовательности, и выбирают стратегии обучения, такие как градиенты политики или контролируемое обучение. В рамках представлены скрипты для запуска экспериментов, анализа эффективности коммуникации и визуализации возникающих языков. Модульная конструкция обеспечивает лёгкое расширение новыми игровыми средами или пользовательскими функциями потерь. Исследователи могут воспроизводить опубликованные исследования, создавать эталонные модели новых алгоритмов и исследовать композиционность и семантику языков агентов.

Esquilax — это легкий фреймворк на TypeScript, предназначенный для создания и оркестрации сложных рабочих процессов с ИИ-агентами. Он предоставляет разработчикам очевидный API для декларативного определения агентов, назначения модулей памяти и интеграции пользовательских действий через плагины, такие как вызовы API или запросы к базе данных. Встроенная поддержка обработки контекста и координации нескольких агентов помогает упростить создание чатботов, цифровых ассистентов и автоматических процессов. Архитектура на основе событий позволяет динамически связывать задачи и запускать их, а инструменты логирования и отладки дают полный контроль над взаимодействиями агентов. Благодаря абстракции рутинного кода, Esquilax ускоряет прототипирование масштабируемых AI-приложений.

F1Tenth Two-Agent Simulator — это специализированная среда моделирования, созданная на базе ROS и Gazebo, для эмуляции двух автономных транспортных средств в масштабе 1/10, участвующих в гонках или сотрудничающих на пользовательских трассах. Поддерживаются реалистичная физика шин, эмуляция сенсоров, обнаружение столкновений и ведение журналов данных. Пользователи могут подключать собственные алгоритмы планирования и управления, настраивать параметры агентов и запускать сценарии соревнований для оценки эффективности, безопасности и стратегий координации в контролируемых условиях.

Fabrice AI позволяет разработчикам создавать сложные системы AI-агентов, использующие большие языковые модели (LLMs) в средах Node.js и браузерах. Встроенные модули памяти позволяют сохранять историю диалогов, интеграция инструментов расширяет возможности агента с помощью пользовательских API, а система плагинов обеспечивает расширяемость за счет сообществ. Благодаря типобезопасным шаблонам запросов, координации нескольких агентов и настраиваемым поведением выполнения, Fabrice AI упрощает создание чат-ботов, автоматизации задач и виртуальных помощников. Кроссплатформенный дизайн обеспечивает бесшовное развертывание в веб-приложениях, безсерверных функциях или настольных приложениях, ускоряя разработку интеллектуальных, контекстных AI-сервисов.

GenWorlds - это фреймворк для разработки AI, предназначенный для упрощения создания многопользовательских систем. Используя событийную коммуникацию через веб-сокеты, он позволяет разработчикам настраивать интерактивные среды, где автономные агенты могут асинхронно взаимодействовать друг с другом и с окружающей средой. Эти агенты сотрудничают, планируют действия и совместно выполняют сложные задачи, что делает GenWorlds мощной платформой для создания масштабируемых и гибких AI-экосистем.

AWS Bedrock Multi-Agent Collaboration — это управляемая функция сервиса, которая позволяет оркестрировать нескольких AI-агентов, основанных на фундаментальных моделях, для совместной работы над сложными задачами. Вы настраиваете профили агентов с конкретными ролями, определяете схемы обмена сообщениями для связи и устанавливаете общий блок памяти для сохранения контекста. Во время выполнения агенты могут запрашивать данные из внешних источников, делегировать подпроцессы и объединять выходные данные. Такой коллаборативный подход поддерживает итеративные циклы мышления, повышает точность задач и позволяет динамически масштабировать агентов в зависимости от нагрузки. Интегрированный с консолью AWS, CLI и SDK сервис предоставляет панели мониторинга для визуализации взаимодействий агентов и показателей эффективности, упрощая разработку и оперативный контроль интеллектуальных мульти-агентных рабочих процессов.

Hashiru AgentX — унифицированный оркестратор ИИ-рабочих потоков, размещенный на Hugging Face Spaces. Он позволяет пользователям вводить инструкции на естественном языке и выбирать из предготовленных агентов для выполнения кода, поиска в интернете и анализа документов. За сценой он динамически формирует цепочки инструментов, выполняет фрагменты Python в защищенной песочнице, запрашивает онлайн-ресурсы и извлекает инсайты из загруженных файлов. Результаты возвращаются в диалоговом формате, что позволяет итеративно уточнять запросы и легко загружать результаты.

HMAS — это open-source фреймворк на Python, позволяющий разрабатывать иерархические многоагентные системы. Он предлагает абстракции для определения иерархий агентов, протоколов межагентной связи, интеграции среды и встроенных циклов обучения. Исследователи и разработчики могут использовать HMAS для прототипирования сложных взаимодействий агентов, обучения скоординированных политик и оценки производительности в моделируемых средах. Его модульная архитектура облегчает расширение и настройку агентов, сред и стратегий обучения.

HFO_DQN объединяет Python и TensorFlow, чтобы предоставить полный поток для обучения футбольных агентов с помощью Deep Q-Networks. Пользователи могут клонировать репозиторий, установить зависимости, включая симулятор HFO и библиотеки Python, и настроить параметры обучения в YAML-файлах. Этот фреймворк реализует повторный опыт, обновления целевых сетей, ε-жадное исследование и формирование наград, адаптированные для области полуценра. Включает сценарии для обучения агентов, логирование производительности, оценочные матчи и визуализацию результатов. Его модульная структура позволяет интегрировать собственные архитектуры нейронных сетей, альтернативные алгоритмы RL и стратегии координации нескольких агентов. Выходные данные включают обученные модели, метрики производительности и визуализации поведения, способствуя исследованиям в области обучения с подкреплением и многопользовательских систем.

Microsoft AutoGen разработан для облегчения разработки от начала до конца автономных AI-агентов с помощью модульных компонентов для управления памятью, планирования задач, интеграции инструментов и коммуникации. Разработчики могут определять собственные инструменты с структурированными схемами и подключать их к основным поставщикам LLM, таким как OpenAI и Azure OpenAI. Framework поддерживает оркестрацию как одного, так и нескольких агентов, позволяя создавать совместные рабочие процессы, где агенты координируют выполнение сложных задач. Его архитектура «подключи и используй» позволяет легко расширять систему новыми хранилищами памяти, стратегиями планирования и протоколами связи. Инкапсулируя детали низкоуровневой интеграции, AutoGen ускоряет создание прототипов и развертывание приложений на базе искусственного интеллекта по различным направлениям, таким как поддержка клиентов, анализ данных и автоматизация процессов.

JADE — это фреймворк для разработки агентов на базе Java, упрощающий создание распределённых многоагентных систем. Он предоставляет инфраструктуру, соответствующую FIPA, включая среду выполнения, транспорт сообщений, каталог агентов и управление агентами. Разработчики пишут классы агентов на Java, развертывают их в контейнерах и используют графические инструменты, такие как RMA и Sniffer, для отладки и мониторинга. JADE поддерживает мобильность агентов, планирование поведения и операции жизненного цикла, обеспечивая масштабируемый и модульный дизайн для исследований, координации IoT, моделирования и автоматизации предприятий.

Jason-RL добавляет слой обучения с подкреплением в многопользовательскую систему Jason, позволяя агентам AgentSpeak BDI изучать политики выбора действий по наградной обратной связи. Реализует алгоритмы Q-обучения и SARSA, поддерживает настройку параметров обучения (скорость обучения, коэффициент дисконтирования, стратегию исследования) и регистрирует метрики тренировки. Определяя функции наград в планах агентов и запуская симуляции, разработчики могут наблюдать за улучшением решений агентов со временем и их адаптацией к меняющимся условиям без ручного кодирования политик.

Layra предназначена для упрощения разработки агентов, поддерживаемых LLM, предоставляя модульную архитектуру, которая интегрируется с различными инструментами и хранилищами памяти. Включает планировщик, раздевающий задачи на подцели, модуль памяти для хранения диалогов и контекста, а также систему плагинов для подключения внешних API или пользовательских функций. Layra также позволяет координировать несколько экземпляров агентов, сотрудничая в сложных рабочих потоках, обеспечивая параллельное выполнение и делегирование задач. Благодаря четким абстракциям инструментов, памяти и определения политик разработчики могут быстро прототипировать и развертывать интеллектуальных агентов для поддержки клиентов, анализа данных, RAG и т.п. Он является framework-agnostic и поддерживает OpenAI, Hugging Face и локальные LLM.