此儲存庫利用PyTorch實作多代理增強學習中的新興通信。使用者可配置發送與接收神經網路來進行參照遊戲或合作導航，促使代理建立離散或連續的通信通道。提供訓練、評估與視覺化的腳本，以及用於環境建立、訊息編碼與解碼的工具。研究人員可加入自訂任務、修改網路架構，並分析協議效率，加速新興代理通信的實驗。

MACL 是一個模組化的 Python 框架，旨在簡化多個 AI 智能體的創建與協調。它允許你定義具有自訂技能的獨立智能體，設置通信通道，並在智能體網絡中排程任務。智能體可以交換訊息、協商責任，並根據共享資料動態調整。內建支援常用 LLMs，以及擴展性的插件系統，使 MACL 能在客戶服務自動化、數據分析流程和模擬環境等領域中實現可擴展且易於維護的 AI 工作流程。

Agent-Baba 提供完整工具包，用於建立和管理適合特定任務的自主AI代理。其具有擴展能力的插件架構、能保存會話語境的記憶系統，以及能進行序列任務執行的工作流程自動化。開發者可以將網頁爬蟲、資料庫和自訂API等工具整合到代理中。此框架透過宣告式YAML或JSON結構簡化配置，支援多代理協作，並提供監控儀表板，以追蹤代理表現和日誌，促進迭代改進和多環境無縫部署。

Agent-FLAN設計的目的是透過將任務分割為規劃角色和執行角色，來簡化複雜AI代理應用的建立。用戶透過設定檔定義代理行為與工作流程，指定輸入格式、工具介面與通訊協定。規劃代理會生成高層次的任務計畫，而執行代理則執行特定行動，如呼叫API、處理資料或使用大型語言模型產生內容。其模組化架構支援即插即用的工具適配器、自定義prompt範本與即時監控儀表板。它能無縫整合OpenAI、Anthropic及Hugging Face等主流LLM供應商，讓開發者快速 prototypes、測試，以及部署多代理工作流程，用於自動化研究助手、動態內容產生管道與企業流程自動化等場景。

Agentic-Systems旨在簡化複雜自主式AI應用的開發，提供由代理、工具及記憶體元件組成的模組化架構。開發者可以定義自訂工具，封裝外部API或內部函數，同時記憶模組則在代理迭代中保存上下文資訊。內建的協調引擎排程任務、解決依賴並管理多代理互動，以支援協作流程。透過將代理邏輯與執行細節解耦，這個框架能快速實驗、輕鬆擴展並細緻控制代理行為。無論是建立研究助理原型、資料流水線自動化，或部署決策支援代理，Agentic-Systems都提供必要的抽象與模板，加速端到端的AI解決方案開發。

Agentic Shared Memory為基於AI的多代理環境提供一個強大的上下文數據管理解決方案。使用向量嵌入和高效資料結構，存儲代理的觀察、決策與狀態轉移，實現無縫的上下文檢索與更新。代理可查詢共享記憶，以存取過去的互動或全球知識，促進行為的一致性與合作解決問題。此函式庫支援與LangChain等流行AI框架或自訂代理協調者的即插即用整合，提供可定制的保留策略、上下文窗口及搜索功能。透過抽象記憶管理，開發者專注於代理邏輯，同時確保在分散或集中的部署中記憶體的可擴展性與一致性，提升系統整體性能，減少重複計算，並增強代理智力。

autogen_multiagent提供在Python中實例化、配置和協調多個AI代理的結構化方式。它提供動態代理創建、代理間訊息通道、任務規劃、執行循環與監控工具。與OpenAI API無縫整合，讓你為每個代理分配專用角色如規劃者、執行者、摘要者，並協調它們的互動。此框架非常適合模組化、可擴展的AI工作流程，例如自動化文檔分析、客戶支援協調以及多步驟的程式碼生成。

Swarms.rs 是執行基於群組的 AI 代理程式的核心 Rust 運行時。它具有模組化插件系統以整合自訂邏輯或 AI 模型，點對點通信層以實現點對點消息傳遞，以及非同步執行器來調度代理行為。這些組件共同允許開發者設計、部署和擴展複雜的去中心化代理網絡，用於模擬、自動化和多代理協作任務。

智能體中的新興通訊是一個開源的PyTorch框架，專為探索多智能體系統如何發展自己的通訊協議的研究人員設計。該資料庫提供靈活的合作強化學習任務實現，包括參照游戲、組合彩游戲和對象識別挑戰。用戶定義說話者和聽者的架構，指定訊息通道的屬性（如詞匯大小和序列長度），並選擇訓練策略（如策略梯度或監督學習）。框架包括端到端的腳本用於執行實驗、分析通訊效率和可視化新興語言。其模組化設計允許輕鬆擴展新的游戲環境或自定義損失函數。研究人員可以復現已發表的研究、基準測試新算法，並探究新興智能體語言的組合性和語意。

GenWorlds是一個旨在促進多代理系統創建的AI開發框架。它利用基於事件的通信框架通過websocket，允許開發者設置互動環境，自主代理可以非同步地相互互動及其周圍環境。這些代理協作、規劃行動並共同執行複雜任務，讓GenWorlds成為創建可擴展且靈活的AI生態系統的強大平台。

Microsoft AutoGen旨在促進自主AI代理之端到端開發，提供模組化的記憶管理、任務規劃、工具整合和通信元件。開發者可以定義具有結構化架構的自訂工具，並連結到主要的LLM供應商如OpenAI和Azure OpenAI。此框架支援單一或多代理的協同，實現讓代理協調完成複雜任務的合作流程。其即插即用的架構允許輕鬆擴展新的記憶存儲、規劃策略和通信協定。透過抽象低層次的整合細節，AutoGen加快了原型開發和部署人工智慧驅動應用的速度，應用範圍涵蓋客服、資料分析與流程自動化等領域。

Swarms.ai提供一個視覺界面來定義並連接多個AI代理，形成智慧型工作流程。每個代理可以配置特定角色、資料來源和自訂API整合。代理透過傳遞訊息、觸發行動和分享背景來協作，從而端對端處理複雜任務。平台還提供角色基礎的存取控制、版本控制和即時分析，以監控群聚性能。無需程式碼：用戶只需拖放組件、設置觸發器並連接輸出，即可設計自動化流程，應用於支援、銷售、營運等。

Meta-Agent-with-More-Agents 是一個擴展性開源框架，實現了元代理架構，使多個專門的子代理可以合作完成複雜任務。它利用LangChain進行代理調度，並使用OpenAI API進行自然語言處理。開發者可以定義自訂的代理，用於數據擷取、情感分析、決策或內容生成。元代理負責任務分解、將目標派發給相應的代理、收集它們的輸出，並通過反饋循環不斷完善結果。其模組化設計支持平行處理、日誌記錄和錯誤處理。非常適合自動化多步工作流程、研究管道和動態決策支持系統，並簡化建立穩健的分散式AI系統，抽象化代理間通信與生命週期管理。

Multi-Agent-LLM的設計旨在簡化由大型語言模型驅動的多個人工智能代理的協調。用戶可以定義具有獨特個人角色、記憶存儲和整合外部工具或API的獨立代理。一個中心的AgentManager管理通信循環，允許代理在共享環境中交換訊息並共同推進複雜目標。該框架支援切換LLM提供商（如OpenAI、Hugging Face）、靈活的提示範本、對話歷史和逐步工具上下文。開發者可利用內建的日誌、錯誤處理及動態代理生成工具，實現多步驟工作流程、研究任務和決策管道的可擴展自動化。

Multi-Agent 是一個幫助你建立並編排多個並行運行的 AI 代理的開發者工具包。每個代理都具有獨立的記憶存儲、提示配置和訊息佇列。你可以定義自訂行為、建立代理間的溝通渠道，並根據代理角色自動委派任務。它利用 OpenAI 的 Chat API 來理解與產生語言，並提供模組化的組件來進行工作流程編排、日誌記錄與錯誤處理。這使得可以建立專門的代理，例如研究助手、資料處理器或客戶支援機器人，共同完成多面向的任務。

Multiagent-Prediction-Reward 是一個針對研究的框架，整合預測模型與獎勵分配機制，用於多智能體增強學習。其包含環境包裝器、預測同行動的神經模組，以及可自定義的獎勵路由邏輯，根據智能體的表現進行調整。該專案提供配置文件、範例腳本和評估儀表板，方便進行合作任務的實驗。用戶可以擴展代碼，測試新型獎勵函數、整合新環境及與既有多智能體 RL 演算法進行基準測試。

OpenAI Agents 提供一個模組化的環境，用於定義、運行和管理基於 OpenAI 語言模型的自主 AI 代理。開發者可以配置帶有記憶存儲的代理、註冊自訂工具或插件、協調多代理合作，並通過內建日誌監控執行狀況。該框架負責 API 請求、上下文管理以及非同步任務排程，便於快速原型設計複雜的 AI 驅動工作流程和應用，例如數據擷取、客戶支援自動化、程式碼生成與研究協助。