Cerebellum propose une plateforme modulaire où les développeurs définissent des agents à l’aide de plans déclaratifs composés d’étapes séquentielles ou d’appels d’outils. Chaque plan peut appeler des outils intégrés ou personnalisés — tels que des connecteurs API, des récupérateurs ou des processeurs de données — via une interface unifiée. Les modules de mémoire permettent aux agents de stocker, récupérer et oublier des informations entre les sessions, permettant des interactions contextuelles et à état. Il s’intègre avec des LLM populaires (OpenAI, Hugging Face), supporte l’enregistrement d’outils personnalisés et comporte un moteur d’exécution événementiel pour un contrôle en temps réel. Avec des journaux, une gestion des erreurs et des hooks de plugin, Cerebellum augmente la productivité, facilitant le développement rapide d’agents pour l’automatisation, les assistants virtuels et la recherche.

Duet GPT est un cadre open source en Python pour orchestrer des conversations multi-agents entre deux modèles GPT. Vous définissez des rôles d'agents distincts, personnalisés avec des prompts système, et le cadre gère automatiquement le tour de rôle, le passage des messages et l'historique de la conversation. Cette structure collaborative accélère la résolution de tâches complexes, permettant un raisonnement comparatif, des cycles de critique et un raffinement itératif par échanges alternés. Son intégration transparente avec l'API OpenAI, sa configuration simple et sa journalisation intégrée en font un outil idéal pour la recherche, le prototypage et les flux de travail en production dans l'aide à la programmation, le support à la décision et l'idéation créative. Les développeurs peuvent étendre les classes principales pour intégrer de nouveaux services LLM, ajuster la logique de l'itérateur et exporter les transcriptions au format JSON ou Markdown pour l'analyse ultérieure.

GoLC fournit aux développeurs une boîte à outils complète pour construire des chaînes de modèles linguistiques et des agents en Go. Elle comprend la gestion de chaînes, des modèles de requêtes personnalisables et une intégration transparente avec les principaux fournisseurs LLM. Grâce aux chargeurs de documents et aux magasins vectoriels, GoLC permet la récupération par embeddings, alimentant les flux de travaux RAG. Le cadre supporte des modules de mémoire à état pour le contexte conversationnel et une architecture légère d'agents pour orchestrer un raisonnement en plusieurs étapes et des invocations d'outils. Son design modulaire permet d'ajouter des outils, sources de données et gestionnaires de sortie personnalisés. Avec des performances natives Go et un minimum de dépendances, GoLC facilite le développement de pipelines IA, idéal pour créer des chatbots, assistants de connaissances, agents de raisonnement automatisé et services IA backend de classe production en Go.

AgentMesh fournit une infrastructure modulaire pour que les développeurs créent des réseaux d'agents IA, chacun se concentrant sur une tâche ou un domaine spécifique. Les agents peuvent être découverts et enregistrés dynamiquement à l'exécution, échangent des messages de manière asynchrone et suivent des règles de routage configurables. Le framework gère les tentatives, les sauvegardes et la récupération en cas d'erreur, permettant des pipelines multi-agents pour le traitement des données, le soutien à la décision ou des cas d'utilisation conversationnels. Il s'intègre facilement aux LLM existants et aux modèles personnalisés via une interface de plugin simple.

AI Agents with LangGraph exploite une représentation graphique pour définir les relations et la communication entre agents IA autonomes. Chaque nœud représente un agent ou un outil, permettant la décomposition des tâches, la personnalisation des prompts et le routage dynamique des actions. Le framework s'intègre parfaitement avec des LLM populaires et prend en charge des fonctions d'outils personnalisés, des magasins de mémoire et la journalisation pour le débogage. Les développeurs peuvent prototyper des flux complexes, automatiser des processus multi-étapes et expérimenter des interactions collaboratives entre agents en quelques lignes de code Python.

AtomicAgent fournit un cadre structuré pour définir, composer et exécuter des tâches d’agents IA. Les modules principaux incluent un registre d’outils pour enregistrer et invoquer des services externes, un gestionnaire de mémoire pour persister le contexte conversationnel ou de tâche, et un moteur d’orchestration qui guide les interactions LLM étape par étape. Les développeurs peuvent définir des outils réutilisables, configurer la logique de décision et exploiter l’exécution asynchrone pour les tâches longues. La conception modulaire d’AtomicAgent favorise la maintenabilité, la testabilité et des itérations rapides de flux de travail complexes alimentés par IA, des chatbots aux pipelines de traitement des données.

AutoGen UI est une boîte à outils frontend conçue pour rendre et gérer les flux de conversations multi-agents. Elle offre des composants prêts à l'emploi tels que les fenêtres de chat, les sélecteurs d'agents, les chronologies de messages et les panneaux de débogage. Les développeurs peuvent configurer plusieurs agents IA, diffuser des réponses en temps réel, consigner chaque étape de la conversation et appliquer des styles personnalisés. Il s'intègre facilement aux bibliothèques d'orchestration backend pour fournir une interface complète de bout en bout pour construire et surveiller les interactions des agents IA.