La bibliothèque AI offre un cadre complet pour la conception et l'exécution d'agents IA. Elle comprend des constructeurs d'agents, une orchestration de chaînes, des interfaces de modèles, l'intégration d'outils et le support des magasins vectoriels. La plateforme adopte une approche API-first, une documentation exhaustive et des projets d'exemple. Que vous créiez des chatbots, des agents de récupération de données ou des assistants d'automatisation, l'architecture modulaire de la bibliothèque AI garantit que chaque composant — tels que les modèles linguistiques, les mémoires et les outils externes — peut être facilement configuré, combiné et surveillé en environnement de production.

Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.

AgenticRAG fournit une architecture modulaire pour créer des agents autonomes exploitant la génération augmentée par récupération (RAG). Elle offre des composants pour indexer des documents dans des magasins vectoriels, récupérer le contexte pertinent et l’introduire dans des LLM afin de générer des réponses contextuelles. Les utilisateurs peuvent intégrer des API et outils externes, configurer des mémoires pour suivre l’historique des conversations, et définir des flux de travail personnalisés pour gérer des processus décisionnels à plusieurs étapes. Le framework supporte des bases de données vectorielles populaires comme Pinecone et FAISS, ainsi que des fournisseurs de LLM tels que OpenAI, permettant une transition fluide ou une configuration multi-modèles. Avec des abstractions intégrées pour les boucles d'agents et la gestion des outils, AgenticRAG facilite le développement d'agents capables de FAQ documentaire, de recherche automatisée et d’automatisation basée sur la connaissance, réduisant le code boilerplate et accélérant le déploiement.

AI Agent Example est un référentiel de démonstration pratique pour les développeurs et chercheurs souhaitant construire des agents intelligents alimentés par de grands modèles de langage (LLM). Le projet inclut un code d'exemple pour la planification d'agents, le stockage de mémoire et l'invocation d'outils, illustrant comment intégrer des API externes ou des fonctions personnalisées. Il propose une interface conversationnelle simple qui interprète les intentions de l'utilisateur, formule des plans d'action et exécute des tâches en appelant des outils prédéfinis. Les développeurs peuvent suivre des modèles clairs pour étendre l'agent avec de nouvelles capacités comme la planification d'événements, le scraping web ou le traitement automatisé de données. Offrant une architecture modulaire, ce modèle accélère l'expérimentation avec des workflows pilotés par l'IA et des assistants numériques personnalisés tout en donnant un aperçu de l'orchestration des agents et de la gestion d'état.

Pipe Pilot est un outil open-source qui permet aux développeurs de créer, visualiser et gérer des pipelines IA en Python. Il offre une API déclarative ou une configuration YAML pour chaîner des tâches telles que génération de texte, classification, enrichissement de données et appels API REST. Les utilisateurs peuvent mettre en œuvre des branches conditionnelles, des boucles, des réinitialisations et des gestionnaires d’erreurs pour créer des workflows résilients. Pipe Pilot maintient le contexte d’exécution, enregistre chaque étape et supporte des modes d’exécution parallèles ou séquentiels. Il s’intègre avec les principaux fournisseurs LLM, des fonctions personnalisées et des services externes, idéal pour automatiser des rapports, chatbots, le traitement intelligent de données et des applications d’IA complexes en plusieurs étapes.

Le Gemini Agent Cookbook est une boîte à outils open-source curatée proposant une variété d'exemples pratiques pour construire des agents intelligents alimentés par les modèles linguistiques Gemini de Google. Il inclut des codes d'exemple pour orchestrer des chaînes de raisonnement à plusieurs étapes, invoquer dynamiquement des API externes, intégrer des kits d'outils pour la récupération de données et gérer les flux de conversation. Le cookbook démontre les meilleures pratiques en matière de gestion des erreurs, de gestion du contexte et de conception de prompts, en supportant des cas d'utilisation tels que les chatbots autonomes, l'automatisation des tâches et les systèmes d'aide à la décision. Il guide les développeurs dans la construction d'agents personnalisés capables d'interpréter les demandes des utilisateurs, de récupérer des données en temps réel, d'effectuer des calculs et de générer des sorties formatées. En suivant ces recettes, les ingénieurs peuvent accélérer la création de prototypes d'agents et déployer des applications IA robustes dans divers domaines.

RModel est un cadre d'agent IA axé sur les développeurs conçu pour simplifier la création d'applications conversationnelles et autonomes de nouvelle génération. Il s'intègre avec n'importe quel LLM, supporte les chaînes d'outils plugins, le stockage de mémoire et la génération dynamique de prompts. Avec des mécanismes de planification intégrés, l'enregistrement d'outils personnalisés et la télémétrie, RModel permet aux agents d'effectuer des tâches telles que la récupération d'informations, le traitement de données et la prise de décision dans plusieurs domaines, tout en maintenant des dialogues avec état, une exécution asynchrone, des gestionnaires de réponses personnalisables et une gestion sécurisée du contexte pour des déploiements évolutifs en cloud ou sur site.

AutoDRIVE Cooperative MARL est un cadre hébergé sur GitHub, combinant le simulateur de conduite urbaine AutoDRIVE avec des algorithmes adaptables d'apprentissage par renforcement multi-agent. Il comprend des scripts d'entraînement, des wrappers d'environnement, des métriques d'évaluation et des outils de visualisation pour développer et benchmarker des politiques de conduite coopératives. Les utilisateurs peuvent configurer les espaces d'observation des agents, les fonctions de récompense et les hyperparamètres d'entraînement. Le dépôt supporte des extensions modulaires, permettant la définition de tâches personnalisées, l'apprentissage par curriculum et le suivi des performances pour la recherche sur la coordination des véhicules autonomes.

AI Agent FletUI fournit un cadre d'interface utilisateur modulaire pour créer des applications de chat intelligentes soutenues par de grands modèles de langage (LLM). Il inclut des widgets de chat, des panneaux d'intégration d'outils, des magasins de mémoire et des gestionnaires d'événements qui se connectent facilement à tout fournisseur LLM. Les utilisateurs peuvent définir des outils personnalisés, gérer le contexte de session de manière persistante et rendre des formats de message riches dès l'installation. La bibliothèque abstrait la complexité de la mise en page UI dans Flet et rationalise l'invocation d'outils, permettant un prototypage rapide et le déploiement d'assistants pilotés par LLM.

Agentic Workflow est un cadre déclaratif permettant aux développeurs de définir des flux de travail d'IA complexes en chaînant plusieurs agents basés sur LLM, chacun avec des rôles, prompts et logique d'exécution personnalisables. Il offre un support intégré pour l'orchestration des tâches, la gestion de l'état, la gestion des erreurs et les intégrations de plugins, permettant une interaction fluide entre agents et outils externes. La bibliothèque utilise Python et des configurations basées sur YAML pour abstraire la définition des agents, supporte l'exécution asynchrone et offre une extensibilité via des connecteurs et plugins personnalisés. En tant que projet open-source, il inclut des exemples détaillés, des modèles et de la documentation pour aider les équipes à accélérer le développement et à maintenir des écosystèmes complexes d'agents IA.

demo_smolagents est une implémentation de référence de SmolAgents, un micro-framework en Python pour créer des agents IA autonomes alimentés par de grands modèles linguistiques. Cette démo comprend des exemples de configuration d'agents individuels avec des kits d'outils spécifiques, d'établissement de canaux de communication entre agents et de gestion dynamique du transfert de tâches. Elle met en avant l'intégration LLM, l'invocation d'outils, la gestion des invites et des modèles d'orchestration d'agents pour construire des systèmes multi-agents pouvant effectuer des actions coordonnées en fonction des entrées utilisateur et des résultats intermédiaires.

Noema Declarative AI permet aux développeurs et chercheurs de spécifier des agents d'IA et leurs flux de travail de manière déclarative. En écrivant des fichiers de configuration YAML ou JSON, vous définissez des agents, des prompts, des outils et des modules de mémoire. Le runtime Noema analyse ces définitions, charge des modèles de langage, exécute chaque étape de votre pipeline, gère l’état et le contexte, et renvoie des résultats structurés. Cette approche réduit la répétition de code, améliore la reproductibilité et sépare la logique de l'exécution, ce qui le rend idéal pour le prototypage de chatbots, scripts d'automatisation et expériences de recherche.

OpenSpiel est un cadre de recherche qui fournit une large gamme d'environnements (de jeux simples sur matrice à des jeux de plateau complexes comme Échecs, Go et Poker) et implémente divers algorithmes d'apprentissage par renforcement et de recherche (ex. itération de valeur, méthodes de gradient de politique, MCTS). Son noyau modulaire en C++ et ses liaisons Python permettent aux utilisateurs d'intégrer des algorithmes personnalisés, de définir de nouveaux jeux et de comparer les performances sur des benchmarks standards. Conçu pour l’extensibilité, il supporte des scénarios à un ou plusieurs agents, permettant d’étudier des stratégies coopératives et compétitives. Les chercheurs utilisent OpenSpiel pour prototyper rapidement des algorithmes, réaliser des expériences à grande échelle et partager du code reproductible.

FastMCP est un framework Python open-source pour construire des serveurs et des clients MCP (Model Context Protocol) qui habilitent les LLM avec des outils externes, des sources de données et des invites personnalisées. Les développeurs définissent des classes d'outils et des gestionnaires de ressources en Python, les enregistrent auprès du serveur FastMCP et les déploient en utilisant des protocoles de transport comme HTTP, STDIO ou SSE. La bibliothèque client offre une interface asynchrone pour interagir avec n'importe quel serveur MCP, facilitant l'intégration transparente des agents IA dans les applications.

pyafai est une bibliothèque Python open source conçue pour aider les développeurs à architecturer, configurer et exécuter des agents IA autonomes. Elle offre des modules plug-in pour la gestion de la mémoire pour conserver le contexte, l'intégration d'outils pour les appels API externes, des observateurs pour la surveillance de l'environnement, des planificateurs pour la prise de décision, et un orchestrateur pour gérer les boucles d'agents. Les fonctionnalités de journalisation et de surveillance offrent une visibilité sur les performances et le comportement des agents. pyafai prend en charge les principaux fournisseurs LLM, permet la création de modules personnalisés, et réduit le code boilerplate pour permettre aux équipes de prototyper rapidement des assistants virtuels, des robots de recherche et des workflows d'automatisation avec un contrôle complet sur chaque composant.

LangGraph offre une abstraction basée sur un graphe pour concevoir des flux de travail d'agents AI. Les développeurs définissent des nœuds représentant des invites, outils, sources de données ou logique de décision, puis connectent ces nœuds avec des bords pour former un graphe dirigé. Lors de l'exécution, LangGraph parcourt le graphe, exécutant des appels LLM, des requêtes API et des fonctions personnalisées en séquence ou en parallèle. La prise en charge intégrée du cache, de la gestion des erreurs, du journal et de la concurrence assure un comportement robuste de l'agent. Des modèles de nœuds et de bords extensibles permettent aux utilisateurs d'intégrer tout service ou modèle externe, rendant LangGraph idéal pour construire des chatbots, des pipelines de données, des travailleurs autonomes et des assistants de recherche sans code boilerplate complexe.

Claude-Code-OpenAI transforme l’API Claude d’Anthropic en un remplacement direct pour les modèles OpenAI dans les applications Python. Après installation via pip et configuration des variables d’environnement OPENAI_API_KEY et CLAUDE_API_KEY, vous pouvez utiliser des méthodes familières telles que openai.ChatCompletion.create(), openai.Completion.create() ou openai.Embedding.create() avec des noms de modèles Claude (par ex. claude-2, claude-1.3). La bibliothèque intercepte les appels, les route vers les points de terminaison Claude correspondants et normalise les réponses pour correspondre aux structures de données d’OpenAI. Elle supporte le streaming en temps réel, la mappage des paramètres avancés, la gestion des erreurs et la modélisation des invites. Cela permet aux équipes d’expérimenter avec Claude et GPT de façon interchangeable sans refactoriser le code, permettant une prototypage rapide pour chatbots, génération de contenu, recherche sémantique et flux de travail LLM hybrides.

Agent Adapters est conçu pour fournir aux développeurs une interface cohérente pour connecter des agents AI à des services et frameworks externes. Grâce à son architecture modulaire d'adaptateurs, il propose des adaptateurs préfabriqués pour les API HTTP, plateformes de messagerie comme Slack et Teams, et des points de terminaison d'outils personnalisés. Chaque adaptateur gère l'analyse des requêtes, la cartographie des réponses, la gestion des erreurs, ainsi que des hooks optionnels pour la journalisation ou la surveillance. Les développeurs peuvent également enregistrer leurs propres adaptateurs en implémentant une interface définie et en configurant les paramètres de l'adaptateur dans les réglages de leur agent. Cette approche rationalisée réduit le code boilerplate, garantit une exécution cohérente des workflows, et accélère le déploiement d'agents sur plusieurs environnements sans réécrire la logique d'intégration.

Java-Action-Storage est une composante centrale du cadre multi-agents LightJason conçue pour gérer la persistance de bout en bout des actions des agents. Il définit une interface ActionStorage générique avec des adaptateurs pour les bases de données populaires et les systèmes de fichiers, supporte les écritures asynchrones et en lots, et gère l’accès concurrentiel de plusieurs agents. Les utilisateurs peuvent configurer les stratégies de stockage, interroger les journaux d’actions historiques et rejouer les séquences pour auditer le comportement du système ou récupérer l’état des agents après des défaillances. Le module s’intègre via une injection de dépendances simple, permettant une adoption rapide dans les projets d’IA basés sur Java.

LinkAgent fournit un micronoyau léger pour construire des agents d'IA avec des composants plug-in. Les utilisateurs peuvent enregistrer des backends de modèles de langage, des modules de récupération et des API externes en tant qu'outils, puis les assembler en workflows utilisant des planificateurs et routeurs intégrés. LinkAgent supporte des gestionnaires de mémoire pour la persistance du contexte, l'invocation dynamique d'outils et une logique de décision configurable pour un raisonnement complexe à plusieurs étapes. Avec peu de code, les équipes peuvent automatiser des tâches telles que le QA, l'extraction de données, l'orchestration de processus et la génération de rapports.