Данное репозитории реализует появляющуюся коммуникацию в задачах обучения с подкреплением для нескольких агентов с помощью PyTorch. Пользователи могут настроить нейронные сети для отправителей и получателей для игры в референциальные игры или совместную навигацию, побуждая агентов развивать дискретный или непрерывный канал связи. Включены скрипты для обучения, оценки и визуализации изученных протоколов, а также утилиты для создания окружений, кодирования и декодирования сообщений. Исследователи могут расширять их пользовательскими задачами, изменять архитектуру сетей и анализировать эффективность протоколов, что способствует быстрому экспериментированию в области появления коммуникации агентов.

MACL — это модульный фреймворк на Python, предназначенный для упрощения создания и оркестрации нескольких ИИ-агентов. Позволяет определять отдельных агентов с индивидуальными навыками, настраивать каналы связи и планировать задачи в сети агентов. Агенты могут обмениваться сообщениями, договариваться о ответственности и динамически адаптироваться на основе общих данных. Встроенная поддержка популярных LLM и система плагинов для расширяемости позволяют MACL обеспечивать масштабируемые и удобные в обслуживании рабочие процессы ИИ в таких областях, как автоматизация клиентского сервиса, аналитика данных и симуляционные среды.

Open ACN — это надёжное решение платформ и фреймворков AI, разработанное для построения децентрализованных мультиагентных систем. Оно предлагает набор протоколов согласования, предназначенных для совместной работы агентов, обеспечивая надёжное принятие решений между геодистрибутивными узлами. В фреймворк входит модульный уровень коммуникации, настраиваемые плагины стратегий и встроенная среда симуляции для комплексных тестов. Разработчики могут определять поведение агентов, запускать их на Linux, macOS, Windows или Docker и использовать систему логирования и мониторинга в реальном времени. Предоставляя расширяемые API и гладкую интеграцию существующих моделей машинного обучения, Open ACN упрощает сложные задачи оркестрации и способствует созданию интероперабельных, устойчивых автономных сетей, пригодных для робототехники, автоматизации цепочек поставок, децентрализованных финансов и IoT.

PrisimAI предоставляет среду на базе браузера, где пользователи могут быстро создавать прототипы и разворачивать интеллектуальных агентов. Визуальный редактор потоков позволяет объединять компоненты на базе LLM, интегрировать внешние API, управлять долгосрочной памятью и организовывать многопошаговые задачи. Встроенная отладка и мониторинг упрощают тестирование и итерации, а marketplace плагинов позволяет расширять функциональность с помощью пользовательских инструментов. PrisimAI поддерживает совместную работу команд, контроль версий для дизайна агентов и однокнопочное развертывание для webhook, чатов или автономных сервисов.

Agent-FLAN предназначен для упрощения создания сложных приложений на базе ИИ агентов, разделяя задачи на роли планирования и выполнения. Пользователи задают поведение агентов и рабочие процессы с помощью конфигурационных файлов, указывая форматы данных, интерфейсы инструментов и протоколы коммуникации. Планировщик генерирует высокоуровневые планы задач, а исполнители выполняют конкретные действия, такие как вызовы API, обработка данных или создание контента с помощью крупных языковых моделей. Модульная архитектура поддерживает плагины, адаптеры инструментов, шаблоны подсказок и панели мониторинга в реальном времени. Отличается бесшовной интеграцией с популярными провайдерами LLM, такими как OpenAI, Anthropic и Hugging Face, позволяя быстро прототипировать, тестировать и запускать рабочие процессы с несколькими агентами для сценариев автоматизации исследований, генерации контента и бизнес-процессов.

AgentForge предоставляет структурированную среду для определения, объединения и оркестрации отдельных навыков ИИ в целостных автономных агентов. Поддерживает память для сохранения контекста, интеграцию с внешними сервисами через плагины, коммуникацию между несколькими агентами, планирование задач и обработку ошибок. Разработчики могут настраивать собственные обработчики навыков, использовать встроенные модули для понимания естественного языка и интегрироваться с популярными LLM, такими как серия GPT от OpenAI. Модульный дизайн ускоряет циклы разработки, упрощает тестирование и развёртывание чатботов, виртуальных помощников, агентов анализа данных и ботов автоматизации по области.

Agentic Shared Memory — это надёжное решение для управления контекстными данными в системах с несколькими агентами, управляемых ИИ. Используя векторные встраивания и эффективные структуры данных, он хранит наблюдения, решения и переходы состояния агентов, обеспечивая беспрепятственный доступ и обновление контекста. Агенты могут запрашивать совместную память для доступа к прошлым взаимодействиям или глобальному знанию, способствуя согласованному поведению и совместной работе по решению проблем. Библиотека поддерживает быстрые интеграции с популярными фреймворками ИИ, такими как LangChain или пользовательские организаторы агентов, предлагая настраиваемые стратегии хранения, окна контекста и функции поиска. Скрывая управление памятью, разработчики могут сосредоточиться на логике агента, одновременно обеспечивая масштабируемое и последовательное управление памятью в распределённых или централизованных системах. Это повышает общую производительность системы, снижает избыточные вычисления и усиливает интеллект агентов со временем.

AIPE централизует оркестрацию AI-агентов с помощью плагинов для памяти, планирования, использования инструментов и межагентного сотрудничества. Разработчики могут определять роли агентов, использовать контекст через векторные хранилища и интегрировать внешние API или базы данных. Фреймворк предлагает встроенную веб-панель и CLI для тестирования подсказок, мониторинга состояния агентов и соединения задач. AIPE поддерживает несколько механизмов хранения памяти, таких как Redis, SQLite и хранилища в памяти. Его конфигурации с несколькими агентами позволяют назначать специализированные роли — сборщик данных, аналитик, суммаризатор — для совместной работы над сложными запросами. За счет абстрагирования инженерии подсказок, оберток API и обработки ошибок AIPE ускоряет развертывание AI-ассистентов для анализа документов, поддержки клиентов и автоматизированных рабочих процессов.

Платформа Isaree предназначена для упрощения разработки и внедрения AI-агентов. В своей основе она предоставляет унифицированную архитектуру для создания автономных агентов, способных вести диалог, принимать решения и сотрудничать. Разработчики могут определять несколько агентов с пользовательскими ролями, использовать поиск памяти на базе векторов и интегрировать внешние источники данных через плагины. В комплект входит SDK на Python и REST API для бесшовного взаимодействия, поддержка потоковой выдачи ответов в реальном времени и встроенная регистрация и метрики. Гибкая настройка позволяет масштабировать системы через Docker или облачные сервисы. Будь то создание чат-ботов с сохранением контекста, автоматизация многошаговых процессов или оркестровка исследовательских помощников — платформа Isaree обеспечивает расширяемость и надежность для решений корпоративного уровня.

autogen_multiagent предоставляет структурированный способ создания, настройки и координации нескольких AI-агентов в Python. Он предлагает динамическое создание агентов, каналы обмена сообщениями, планирование задач, циклы выполнения и утилиты мониторинга. Благодаря бесшовной интеграции с API OpenAI, можно назначать специализированные роли — такие как планировщик, исполнитель, резюме — каждому агенту и управлять их взаимодействием. Эта рамка идеально подходит для сценариев, требующих модульных и масштабируемых AI-работых процессов, таких как автоматизированный анализ документов, организация поддержки клиентов и многошаговая генерация кода.

AWS Bedrock Multi-Agent Blueprint обеспечивает модульную основу для реализации архитектуры с несколькими агентами на AWS Bedrock. В ней есть пример кода для определения ролей агентов — планировщика, исследователя, исполнителя и оценщика — которые взаимодействуют через общие очереди сообщений. Каждый агент может вызывать различные модели Bedrock с пользовательскими подсказками и передавать промежуточные результаты последующим агентам. Встроенное ведение журнала с помощью CloudWatch, схемы обработки ошибок и поддержка синхронного или асинхронного выполнения показывают, как управлять выбором моделей, пакетными задачами и полной оркестровкой. Разработчики могут клонировать репозиторий, настроить роли AWS IAM и конечные точки Bedrock, а затем развернуть через CloudFormation или CDK. Открытая архитектура поощряет расширение ролей, масштабирование агентов по задачам и интеграцию с S3, Lambda и Step Functions.

Swarms World предоставляет единый интерфейс для проектирования мультиядерных систем, позволяя пользователям определять роли, протоколы связи и рабочие процессы визуально или через код. Агенты могут сотрудничать, делегировать подзадачи и объединять результаты в реальном времени. Платформа поддерживает локальные, облачные и периферийные развертывания с встроенной регистрацией, метриками производительности и автомасштабированием. Децентрализованный рынок позволяет пользователям находить, делиться и монетизировать модули агентов. Поддержка популярных LLM, API и пользовательских моделей ускоряет разработку надежных корпоративных ИИ-автоматизаций в масштабах.

Swarms.rs — это основной рантайм на Rust для выполнения программ с роевыми AI-агентами. Он включает модульную систему плагинов для интеграции пользовательской логики или моделей ИИ, слой обмена сообщениями для p2p-коммуникации и асинхронный исполнитель для планирования поведения агентов. Все эти компоненты позволяют создавать, развертывать и масштабировать сложные децентрализованные сети агентов для моделирования, автоматизации и совместных задач.

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.

Решатель NQueen на базе GA использует модульную многозадачную архитектуру 2APL, где каждый агент кодирует кандидатскую конфигурацию N-Queen. Агентам оценивают свою пригодность, подсчитывая непересекающиеся пары ферзей, после чего они делятся конфигурациями с высокой пригодностью. Генетические операторы — отбор, кроссовер и мутация — применяются к популяции агентов для генерации новых кандидатских досок. В ходе последовательных итераций агенты коллективно приходят к допустимым решениям N-Queen. Фреймворк реализован на Java, поддерживает настройку параметров, таких как размер популяции, частота кроссовера, вероятность мутации и протоколы коммуникации агентов, а также выводит подробные логи и визуализации процесса эволюции.

SwarmZero предлагает масштабируемую, с открытым исходным кодом среду для определения, управления и выполнения групп ИИ-агентов. Разработчики могут объявлять роли агентов, настраивать подсказки и цеплять рабочие процессы через унифицированный API оркестратора. Этот фреймворк интегрируется с основными поставщиками LLM, поддерживает расширения через плагины и ведет журнал данных сессий для отладки и анализа производительности. Не важно — координируете ли вы исследовательских ботов, создателей контента или аналитиков данных, SwarmZero упрощает совместную работу мультиагентных систем и обеспечивает прозрачные, воспроизводимые результаты.

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.

Multi-Agent — это набор инструментов для разработчиков, который помогает создавать и управлять несколькими параллельно работающими агентами ИИ. Каждый агент хранит собственную память, настройки подсказок и очередь сообщений. Вы можете определять пользовательское поведение, настраивать каналы связи между агентами и автоматически делегировать задачи в зависимости от ролей агентов. Он использует API Chat OpenAI для понимания и генерации языка и предоставляет модульные компоненты для оркестрации рабочих процессов, логгирования и обработки ошибок. Это позволяет создавать специализированных агентов, таких как научные ассистенты, обработчики данных или боты поддержки клиентов, которые совместно работают над сложными задачами.

Multi-Agent-AI-Dynamic-Interaction предлагает гибкую среду для разработки, настройки и запуска систем, состоящих из нескольких автономных ИИ-агентов. Каждого агента можно наделить конкретными ролями, целями и протоколами связи. Фреймворк управляет передачей сообщений, контекстом беседы и последовательными или параллельными взаимодействиями. Он поддерживает интеграцию с OpenAI GPT, другими API LLM и пользовательскими модулями. Пользователи задают сценарии через YAML или Python-скрипты, указывая детали агентов, шаги рабочей схемы и критерии остановки. Система регистрирует все взаимодействия для отладки и анализа, а также обеспечивает тонкую настройку поведения агентов для экспериментов по сотрудничеству, переговорам, принятию решений и решению сложных задач.

RoboCup Rescue Agent Simulation — это рамочная платформа с открытым исходным кодом, моделирующая городские катастрофические ситуации, где несколько управляемых ИИ агентов сотрудничают для поиска и спасения жертв. Она предоставляет интерфейсы для навигации, картографии, связи и интеграции сенсоров. Пользователи могут писать собственные стратегии агентов, запускать пакетные эксперименты и визуализировать показатели эффективности агентов. Платформа поддерживает настройку сценариев, ведение логов и анализ результатов, что ускоряет исследования в области мультиагентных систем и алгоритмов реагирования на бедствия.