Этот репозиторий содержит универсальную коллекцию компонентов многопользовательских систем и методов распределенной ИИ-координации. Он включает реализации алгоритмов согласия, протоколов переговоров Contract-Net, аукционных методов распределения задач, стратегий формирования коалиций и коммуникационных framework между агентами. Пользователи могут использовать встроенные среды моделирования для моделирования и тестирования поведения агентов при различных топологиях сети, сценариях задержки и отказах. Модульная структура позволяет разработчикам и исследователям интегрировать, расширять или настраивать отдельные модули координации для приложений в робототехнике, Интернете вещей, умных сетях и системах распределенного принятия решений.

Многопроцессорная система рекомендаций для торговых центров — это платформа, основанная на ИИ и архитектуре мультиагентов, предназначенная для улучшения опыта покупок. В нее входят агенты покупок, которые следят за взаимодействиями посетителей; агенты предпочтений, анализирующие прошлые и текущие данные; и агенты рекомендаций, которые создают индивидуальные предложения по продуктам и акциям. Агенты обмениваются сообщениями через специальный протокол, чтобы обновлять пользовательские модели, делиться инсайтами и динамически корректировать рекомендации. Система поддерживает интеграцию с CMS и POS для получения данных о наличии товаров и продажах в реальном времени. Ее модульная структура позволяет разработчикам настраивать поведение агентов, интегрировать новые источники данных и развертывать систему на различных платформах. Идеально подходит для крупных розничных предприятий, повышая удовлетворенность клиентов и увеличивая продажи благодаря точечным, контекстно-зависимым рекомендациям.

CHAMP Multiagent AI предоставляет единое окружение для определения, обучения и оркестровки специализированных агентов ИИ, которые сотрудничают в выполнении бизнес-задач. Вы можете создавать агентов обработки данных, агентов поддержки принятия решений, планировщиков и агентов мониторинга, а затем соединять их с помощью визуальных рабочих процессов или API. В него входит управление моделями, коммуникация между агентами, мониторинг производительности и интеграция с существующими системами, обеспечивая масштабируемую автоматизацию и интеллектуальную координацию бизнес-процессов от начала до конца.

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.

CAMEL-AI — это фреймворк на Python, который позволяет разработчикам и исследователям создавать, настраивать и запускать несколько автономных ИИ-агентов, управляемых LLMs. Он включает встроенную поддержку генерации с дополнением извлечения (RAG), использования внешних инструментов, коммуникации между агентами, управления памятью и состоянием, а также планирования. Благодаря модульной архитектуре и легкой интеграции команды могут прототипировать сложные системы с несколькими агентами, автоматизировать рабочие процессы и масштабировать эксперименты на различных бекендах LLM.

Crewai предоставляет библиотеку на Python для проектирования и выполнения систем с несколькими ИИ-агентами. Пользователи могут определять отдельных агентов с специализированными ролями, настраивать каналы для обмена сообщениями между агентами и реализовывать динамичные планировщики для распределения задач в зависимости от текущего контекста. Модульная архитектура позволяет интегрировать различные LLM или пользовательские модели для каждого агента. Встроенные инструменты логирования и мониторинга отслеживают диалоги и решения, что обеспечивает беспрепятственную отладку и итеративное улучшение поведения агентов.

Многоагентная система AI предоставляет решение «от и до» для организации нескольких автономных агентов в облачных средах. Она использует безсерверную базу данных Neon, совместимую с Postgres, для хранения истории разговоров и состояния агентов, Azure Functions для масштабируемого выполнения логики агентов и API OpenAI для понимания и генерации естественного языка. Встроенные очереди сообщений и ролевая модель поведения позволяют агентам сотрудничать в таких задачах, как исследования, планирование, поддержка клиентов и анализ данных. Разработчики могут настраивать политики агентов, правила памяти и рабочие процессы под разнообразные бизнес-требования.

MultiAgentPuzzleSolver предоставляет модульную среду, где независимые агенты ИИ работают совместно для решения таких задач, как скользящие плитки, Кубик Рубика и логические сетки. Агенты делятся информацией о состоянии, договариваются о подзадачах и используют различные эвристики для более эффективного исследования пространства решений, чем одиночные подходы. Разработчики могут добавлять новые поведения агентов, настраивать протоколы коммуникации и расширять определения головоломок. В рамках фреймворка есть инструменты для визуализации взаимодействий агентов в реальном времени, сбора метрик и автоматизации экспериментов. Поддерживаются Python 3.8+, стандартные библиотеки и популярные ML-инструменты для беспрепятственной интеграции в исследовательские проекты.

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.