AgentFence предоставляет единый слой безопасности для AI-агентов, включающий выполнение политик, контроль доступа и обнаружение аномалий. Предлагает SDK для Python, Node.js и REST API для легкой интеграции с вашими LLM-приложениями. Благодаря панелям мониторинга в реальном времени и детализированным журналам аудита команды по соответствию могут полностью отслеживать поведение агентов. Настраиваемые политики позволяют определить допустимые действия, правила использования данных и роли пользователей. Автоматические оповещения уведомляют заинтересованные стороны о нарушениях политик, а исторические журналы поддерживают судебный анализ и нормативную отчетность.

Плагин GAMA Genstar добавляет возможность работы с генеративным ИИ в платформу GAMA, предоставляя коннекторы к OpenAI, локальным LLM и эндпоинтам пользовательских моделей. Пользователи определяют подсказки и пайплайны в GAML для генерации решений агентов, описаний сред и параметров сценариев на лету. Плагин поддерживает синхронные и асинхронные API-запросы, кэширование ответов и настройку параметров. Он упрощает интеграцию моделей на естественном языке в крупномасштабные симуляции, уменьшая объем ручного скриптинга и стимулируя создание более богатого и адаптивного поведения агентов.

Multi-Agent Surveillance предлагает гибкую симуляционную среду, в которой несколько ИИ-агентов выступают в роли хищников или жертв в дискретном мире на сетке. Пользователи могут настраивать параметры окружения, такие как размеры сетки, количество агентов, радиусы обнаружения и структуры вознаграждения. В репозитории есть классы на Python для поведения агентов, скрипты генерации сценариев, встроенная визуализация с помощью matplotlib и бесшовная интеграция с популярными библиотеками обучения с подкреплением. Это облегчает создание эталонных тестов для координации нескольких агентов, разработку нестандартных стратегий наблюдения и проведение воспроизводимых экспериментов.

Multiagent_system предлагает полноценный набор инструментов для построения и управления средами с несколькими агентами. Пользователи могут задавать собственные сценарии моделирования, описывать поведение агентов и использовать предустановленные алгоритмы, такие как DQN, PPO и MADDPG. Фреймворк поддерживает синхронное и асинхронное обучение, позволяя агентам взаимодействовать одновременно или по очереди. Встроенные модули коммуникации облегчают обмен сообщениями между агентами для кооперативных стратегий. Конфигурация экспериментов упрощена с помощью YAML-файлов, а результаты автоматически сохраняются в формате CSV или в TensorBoard. Скрипты визуализации помогают интерпретировать траектории агентов, динамику наград и схемы коммуникации. Разработан для исследовательских и производственных задач, Multiagent_system легко масштабируется от одиночных прототипов до распределенного обучения на GPU-кластеров.

Swarm Simulator предоставляет настраиваемую среду для экспериментов с множеством агентов в реальном времени. Пользователи могут изменять ключевые параметры поведения — согласование, сплочение, разделение — и наблюдать за возникающей динамикой на визуальном холсте. Поддерживаются интерактивные ползунки UI, динамическое изменение количества агентов и экспорт данных для анализа. Идеально подходит для учебных демонстраций, прототипирования исследований или любительского изучения принципов роевого интеллекта.

AgentSimulation — это открытая библиотека Python, построенная на Pygame, для моделирования нескольких автономных агентов в 2D-среде. Она позволяет пользователям настраивать свойства агентов, поведения рулевого управления (поиск, бегство, блуждание), обнаружение столкновений, поиск пути и интерактивные правила. С поддержкой визуализации в реальном времени и модульной архитектурой она поддерживает быстрое прототипирование, учебные симуляции и небольшие исследования в области роевого интеллекта или взаимодействия нескольких агентов.

IntelligentMASPlatform создавалась для ускорения разработки и развертывания систем с несколькими агентами, предлагая модульную архитектуру с отдельными слоями для агентов, окружения и сервисов. Агенты взаимодействуют через совместимую с FIPA коммуникацию ACL, что обеспечивает динамические переговоры и координацию. В платформу входит универсальный моделятор окружения, позволяющий моделировать сложные сценарии, планировать задачи агентов и визуализировать взаимодействия в реальном времени с помощью встроенной панели. Для расширенного поведения реализованы модули обучения с подкреплением и поддерживаются пользовательские плагины поведения. Инструменты развертывания позволяют упаковать агентов в автономные приложения или распределенные сети. Также API платформы обеспечивает интеграцию с базами данных, IoT-устройствами и сторонними сервисами ИИ, что делает её подходящей для исследований, промышленной автоматизации и умных городов.

NeuralABM — это open-source библиотека на Python, использующая PyTorch для интеграции нейронных сетей в агентное моделирование. Пользователи могут задавать архитектуру агентов в виде нейронных модулей, определять динамику среды и обучать поведение агентов с помощью обратного распространения ошибок на этапах симуляции. Фреймворк поддерживает пользовательские сигналы вознаграждения, обучение по куррикулуму и синхронное или асинхронное обновление, что позволяет исследовать возникающие феномены. В комплект входят утилиты для логирования, визуализации и экспорта наборов данных, что позволяет исследователям и разработчикам анализировать производительность агентов, отлаживать модели и оптимизировать дизайн симуляций. NeuralABM упрощает сочетание обучения с подкреплением и ABM для приложений в области социальных наук, экономики, робототехники и AI-управляемого поведения NPC в играх. Он предоставляет модульные компоненты для настройки среды, поддерживает взаимодействие нескольких агентов и позволяет внедрять внешние датасеты или API для реальных симуляций. Открытая архитектура способствует воспроизводимости и совместной работе благодаря ясной конфигурации экспериментов и интеграции систем контроля версий.