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.

JasonEnvironments предоставляет коллекцию модулей среды, разработанных специально для Jason-мультитсистемы. Каждый модуль открывает стандартизированный интерфейс, чтобы агенты могли воспринимать, действовать и взаимодействовать в различных сценариях, таких как преследование-уклонение, добыча ресурсов и совместные задачи. Библиотека легко интегрируется в существующие проекты Jason: просто добавьте JAR, настройте нужную среду в файле архитектуры агента и запустите симуляцию. Разработчики также могут расширять или настраивать параметры и правила для адаптации среды под свои исследовательские или образовательные нужды.

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.

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.

Этот фреймворк позволяет пользователям проектировать, настраивать и развертывать несколько AI-агентов, которые общаются через JSON-сообщения через центральный оркестратор. Каждый агент может иметь разные роли, подсказки и модули памяти, а также подключать любые поставщики LLM, реализовав интерфейс провайдера. Система поддерживает постоянную историю беседы, динамическую маршрутизацию и модульные расширения. Идеально подходит для моделирования дебатов, автоматизации потоков поддержки клиентов или координации многошагового создания документов. Работает на Python с поддержкой Docker для контейнеризированных развертываний.

MultiMind — это платформа ИИ, которая позволяет разработчикам создавать рабочие процессы с несколькими агентами, определяя специализированных агентов для задач, таких как анализ данных, поддержка с помощью чат-ботов и генерация контента. Она предоставляет визуальный строитель рабочий процессов, SDK для Python и JavaScript, автоматизирует коммуникацию между агентами и поддерживает постоянную память. Вы можете интегрировать внешние API и развертывать проекты в облаке MultiMind или на собственной инфраструктуре, обеспечивая масштабируемые, модульные приложения на базе ИИ без избыточного шаблонного кода.

Многоагентный помощник ИИ — это модульная платформа на Python, которая управляет несколькими GPT-агентами, назначенными на разные роли, такие как планирование, исследования, анализ и выполнение. Система поддерживает передачу сообщений между агентами, хранение памяти и интеграцию с внешними инструментами и API, позволяя разлагать сложные задачи и совместно решать проблемы. Разработчики могут настраивать поведение агентов, добавлять новые инструменты и конфигурировать рабочие процессы через простые файлы настроек. Используя распределенный вывод логики между специализированными агентами, платформа ускоряет автоматические исследования, анализ данных, принятие решений и автоматизацию задач. В репозитории есть примеры реализации и шаблоны, что позволяет быстро создавать прототипы интеллектуальных помощников и цифровых работников, способных управлять рабочими процессами от начала до конца в бизнесе, образовании и исследованиях.

multiagent-golang обеспечивает структурированный подход к созданию систем с несколькими агентами на Go. Вводится абстракция агента, где каждый агент может оснащаться различными датчиками для восприятия окружения и исполнительными механизмами для действий. Агенты работают параллельно с помощью горутин и общаются через выделенные каналы сообщений. Также реализован слой моделирования окружения для обработки событий, управления жизненным циклом агентов и отслеживания изменений состояния. Разработчики могут легко расширять или настраивать поведения агентов, задавать параметры моделирования и интегрировать дополнительные модули для логирования или аналитики. Это ускоряет создание масштабируемых и параллельных симуляций для исследований и прототипирования.

MultiAgent-Systems-StarCraft2-PySC2-Raw предоставляет полный инструментарий для разработки, обучения и оценки нескольких AI-агентов в StarCraft II. Он обеспечивает низкоуровневое управление движением юнитов, целью и способностями, а также гибкую настройку наград и сценариев. Пользователи могут легко интегрировать собственные архитектуры нейронных сетей, определять стратегии командного взаимодействия и записывать метрики. Основанный на PySC2, он поддерживает параллельное обучение, создание снимков и визуализацию, что делает его идеальным для исследований в области обучения с подкреплением с несколькими агентами.

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.

Odyssey предоставляет гибкую архитектуру для создания систем многопользовательских агентов. В нее входят ключевые компоненты, такие как Менеджер задач для определения и распределения сабзадач, Модули памяти для хранения контекста и истории разговоров, Контроллеры агентов для координации агентов на базе LLM и Менеджеры инструментов для интеграции внешних API или пользовательских функций. Разработчики могут настраивать рабочие процессы через YAML, выбирать готовые ядра LLM (например, GPT-4, локальные модели) и легко расширять платформу новыми инструментами или модулями памяти. Odyssey ведет логи взаимодействий, поддерживает асинхронное выполнение задач и циклы итеративной доработки, что делает ее идеальной для исследований, прототипирования и промышленных решений с несколькими агентами.

OpenAI Agent Swarm — это модульная система, предназначенная для упрощения координации нескольких GPT-агентов при выполнении различных задач. Каждый агент работает независимо с настраиваемыми подсказками и ролями, а ядро Swarm управляет циклом жизни агентов, передачей сообщений и планированием задач. Платформа включает инструменты для определения сложных рабочих процессов, мониторинга взаимодействий агентов в реальном времени и объединения результатов в последовательный вывод. Распределяя рабочие нагрузки между специализированными агентами, пользователи могут решать сложные задачи — от генерации контента и анализа исследований до автоматической отладки и суммирования данных. OpenAI Agent Swarm бесшовно интегрируется с API OpenAI, позволяя разработчикам быстро развертывать мультиигровые системы без необходимости строить инфраструктуру оркестрации с нуля.

Ребята RL-агенты для PettingZoo — это библиотека на Python, обеспечивающая готовые алгоритмы DQN, PPO и A2C для многопользовательского обучения с подкреплением в средах PettingZoo. Включает стандартизированные скрипты обучения и оценки, настраиваемые гиперпараметры, встроенное логирование в TensorBoard и поддержку как соревновательных, так и кооперативных игр. Исследователи и разработчики могут клонировать репозиторий, настраивать параметры среды и алгоритмов, запускать тренировки и визуализировать метрики для быстрой разработки и сравнения своих экспериментов по многопользовательскому RL.

MultiAgentModel предоставляет единый API для определения пользовательских окружений и классов агентов для сценариев с множеством агентов. Разработчики могут задавать пространства наблюдения и действий, структуры награды и каналы связи. Встроенная поддержка популярных RL-алгоритмов, таких как PPO, DQN и A2C, позволяет тренировать модели с минимальной настройкой. Инструменты визуализации в реальном времени помогают отслеживать взаимодействия агентов и показатели их эффективности. Модульная архитектура обеспечивает легкую интеграцию новых алгоритмов и пользовательских модулей. Также включает гибкую систему конфигурации для настройки гиперпараметров, утилиты логирования для отслеживания экспериментов и совместимость с OpenAI Gym для бесшовной портативности. Пользователи могут совместно работать над общими окружениями и воспроизводить зафиксированные сессии для анализа.

ComfyUI LLM Party расширяет среду на базе узлов ComfyUI, предоставляя набор узлов с поддержкой LLM, предназначенных для координации текстовых взаимодействий в дополнение к визуальным AI-рабочим потокам. Он предлагает чат-узлы для взаимодействия с большими языковыми моделями, узлы памяти для сохранения контекста и узлы маршрутизации для управления диалогами нескольких агентов. Пользователи могут соединять операции генерации языка, суммирования и принятия решений внутри своих конвейеров, объединяя текстовые AI и генерацию изображений. Расширение также поддерживает настраиваемые шаблоны подсказок, управление переменными и условную ветвление, позволяя автоматизировать создание повествовательных сценариев, описание изображений и динамическое описание сцен. Его модульный дизайн обеспечивает бесшовную интеграцию с существующими узлами, позволяя художникам и разработчикам создавать сложные AI-агентские рабочие процессы без программирования.

Многоагентная система электронной коммерции на JADE демонстрирует, как автономные агенты могут управлять рабочими потоками онлайн-шопинга. Агенты-покупатели ищут товары и ведут переговоры с агентами-продавцами. Агенты-продавцы управляют запасами и ценовыми стратегиями. Агенты-логистика планируют отгрузки и обновляют статус заказов. Система демонстрирует межагентную коммуникацию через ACL, расширение поведения и развертывание контейнеров на платформе JADE.

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.

LinkAgent предоставляет легкий микронуклеус для создания ИИ-агентов с плагиныными компонентами. Пользователи могут регистрировать бэкенды языковых моделей, модули поиска и внешние API как инструменты, а затем собирать их в рабочие процессы с помощью встроенных планировщиков и маршрутизаторов. LinkAgent поддерживает обработчики памяти для сохранения контекста, динамический вызов инструментов и настраиваемую логику принятия решений для сложных многосвязанных рассуждений. Минимальный код позволяет автоматизировать задачи, такие как контроль качества, извлечение данных, оркестровка процессов и создание отчетов.

LiteMultiAgent предоставляет модульный SDK для создания и запуска нескольких AI-агентов параллельно или последовательно, каждый с уникальными ролями и обязанностями. В него встроены хранилища памяти, обмен сообщениями, адаптеры плагинов и циклы выполнения для управления сложной коммуникацией между агентами. Пользователи могут настраивать поведение агентов, интегрировать внешние инструменты или API и контролировать диалоги через логи. Легкий дизайн фреймворка и управление зависимостями делают его идеальным для быстрого прототипирования и развертывания совместных рабочих процессов AI в производстве.

OmniSteward — это модульная платформа оркестрации ИИ-агентов на Python, которая подключается к OpenAI, локальным LLM и поддерживает пользовательские модели. Она предоставляет модули памяти для хранения контекста, наборы инструментов для API-вызовов, веб-поиска, выполнения кода и запросов к базам данных. Пользователи определяют шаблоны агентов с подсказками, рабочими потоками и триггерами. Фреймворк оркестрирует нескольких агентов параллельно, управляет историей диалогов и автоматизирует задачи с помощью пайплайнов. Также включает логирование, панели мониторинга, плагины, интеграцию с сторонними сервисами. OmniSteward упрощает создание специализированных помощников для исследований, операций, маркетинга и других областей, предлагая гибкость, масштабируемость и открытый исходный код для предприятий и разработчиков.