Saiki est un framework open-source d’orchestration d’agents qui permet aux développeurs de construire des flux de travail complexes pilotés par IA en écrivant des définitions YAML déclaratives. Chaque agent peut effectuer des tâches, appeler des services externes ou invoquer d’autres agents dans une séquence chaînée. Saiki propose un serveur API REST intégré, un traçage de l’exécution, des logs détaillés et un tableau de bord web pour la surveillance en temps réel. Il supporte les réessais, les bascules et les extensions personnalisées, facilitant l’itération, le débogage et la mise à l’échelle de pipelines d’automatisation robustes.

Le Swarm Simulator offre un environnement personnalisable pour des expériences multi-agents en temps réel. Les utilisateurs peuvent ajuster les paramètres clés – alignement, cohésion, séparation – et observer la dynamique émergente sur un canvas visuel. Il prend en charge des curseurs d'interface utilisateur interactifs, la modification dynamique du nombre d'agents, et l'exportation des données pour analyse. Idéal pour des démonstrations éducatives, des prototypes de recherche ou des explorations amateurs des principes de l'intelligence collective.

Tongui Agent fournit une architecture modulaire pour créer des agents IA capables de maintenir l'état de la conversation, d'utiliser des outils externes et de coordonner plusieurs sous-agents. Les développeurs configurent les backends LLM, définissent des actions personnalisées et attachent des modules de mémoire pour stocker le contexte. Le framework inclut un SDK, une CLI et des hooks middleware pour l'observabilité, facilitant ainsi l'intégration dans des applications web ou Node.js. Les LLMs pris en charge incluent OpenAI, Azure OpenAI et des modèles open-source.

Avalon-LLM est un cadre d'IA multi-agent basé sur Python qui permet aux utilisateurs d'orchestrer plusieurs agents pilotés par LLM dans un environnement coordonné. Chaque agent peut être configuré avec des outils spécifiques — y compris la recherche web, les opérations sur fichiers et les API personnalisés — pour réaliser des tâches spécialisées. Le cadre supporte des modules de mémoire pour stocker le contexte des conversations et les connaissances à long terme, un raisonnement en chaîne pour améliorer la prise de décision, et des pipelines d’évaluation intégrés pour benchmarker la performance des agents. Avalon-LLM offre un système de plugins modulaire, permettant aux développeurs d’ajouter ou de remplacer facilement des composants comme les fournisseurs de modèles, les kits d’outils et les magasins de mémoire. Avec des fichiers de configuration simples et des interfaces en ligne de commande, les utilisateurs peuvent déployer, surveiller et étendre des flux de travail d’IA autonomes adaptés pour la recherche, le développement et la production.

Bespoke Curator est un cadre d'orchestration basé sur l'IA qui permet aux utilisateurs de lancer plusieurs agents spécialisés avec des rôles définis — chercheur, analyste, synthétiseur — pour collecter, traiter des documents et fournir des résultats structurés de manière autonome. Les intégrations intégrées avec la navigation web, les API et le stockage mémoire partagé permettent aux agents de communiquer et de faire évoluer les tâches. Les utilisateurs configurent les sources de données, spécifient les règles d'extraction et définissent les métriques de performance. Les tableaux de bord de la plateforme suivent la progression des agents, permettant des ajustements en temps réel et l'exportation de rapports finaux, d'insights ou de résumés pour la business intelligence, les revues académiques et les workflows de stratégie de contenu.

Le système multi-agent e-commerce sur JADE montre comment des agents autonomes peuvent gérer les flux de travail de shopping en ligne. Les agents acheteurs recherchent des produits et négocient les prix avec les agents vendeurs. Les agents vendeurs gèrent les stocks et les stratégies de tarification. Les agents logistique planifient les expéditions et mettent à jour le statut des commandes. Le système montre la communication entre agents via ACL, l'extension du comportement et le déploiement de conteneurs sur la plateforme JADE.

Java-Action-Shape est une bibliothèque d'actions dédiée conçue pour étendre le cadre multi-agent LightJason avec des capacités géométriques avancées. Elle fournit aux agents des actions toutes faites pour instancier des formes courantes (cercle, rectangle, polygone), appliquer des transformations (translation, rotation, mise à l'échelle) et effectuer des calculs analytiques (aire, périmètre, centroïde). Chaque action est thread-safe et s'intègre au modèle d'exécution asynchrone de LightJason, garantissant un traitement parallèle efficace. Les développeurs peuvent définir des formes personnalisées en spécifiant des sommets et des arêtes, les enregistrer dans le registre d'actions de l'agent et les inclure dans les définitions de plans. En centralisant la logique liée aux formes, Java-Action-Shape réduit le code boilerplate, impose des API cohérentes et accélère la création d'applications agent axées sur la géométrie, des simulations aux outils éducatifs.

L'Agent LLMLing est un cadre modulaire pour créer, configurer et déployer des agents d'IA alimentés par de grands modèles de langage. Les utilisateurs peuvent instancier plusieurs rôles d’agents, connecter des outils ou API externes, gérer la mémoire conversationnelle et orchestrer des flux de travail complexes. La plateforme inclut un terrain de jeu basé sur un navigateur qui visualise les interactions des agents, journalise l'historique des messages et permet des ajustements en temps réel. Avec un SDK Python, les développeurs peuvent écrire des comportements personnalisés, intégrer des bases de données vectorielles et étendre le système via des plugins. LLMLing Agent simplifie la création de chatbots, de bots d'analyse de données et d'assistants automatisés en fournissant des composants réutilisables et des abstractions claires pour la collaboration multi-agents.

NanoBrowser s'exécute directement dans votre navigateur en tant qu'extension Chrome, vous permettant d'automatiser des tâches web répétitives ou complexes via des prompts en langage naturel. Vous le configurez avec votre propre clé API LLM — OpenAI GPT, modèles LLaMA auto-hébergés ou autres — et définissez des workflows composés de plusieurs agents. Il prend en charge le scraping de données, les interactions avec les formulaires, la recherche automatisée et la chaînage de workflows via l'intégration LangChain. Vous pouvez orchestrer des agents pour collaborer sur des sous-tâches, exporter des résultats en CSV ou JSON, et déboguer ou affiner les étapes de manière interactive. En tant qu'alternative open-source aux opérateurs propriétaires, NanoBrowser privilégie la confidentialité, l'extensibilité et la facilité d'utilisation.

OpenAI Agents Chatbot permet aux développeurs d’intégrer et de gérer plusieurs agents IA spécialisés (par ex., outils, récupération de connaissances, modules de mémoire) dans une seule application conversationnelle. Il propose une orchestration étape par étape, une mémoire basée sur la session, des points de terminaison d'outils configurables et des interactions fluides avec l’API OpenAI. Les utilisateurs peuvent personnaliser le comportement de chaque agent, déployer localement ou dans des environnements cloud, et étendre le cadre avec des modules additionnels. Cela accélère le développement de chatbots avancés, d’assistants virtuels, et de systèmes d’automatisation des tâches.

OpenAI Swarm Node orchestre des appels concurrents à plusieurs agents ChatGPT, recueille leurs sorties individuelles, applique votre stratégie d'agrégation choisie — comme le vote majoritaire ou la pondération personnalisée — et renvoie une réponse de consensus unifiée. Son architecture extensible supporte un contrôle granulaire des paramètres du modèle, la gestion des erreurs, la logique de réessai et l'exécution asynchrone, permettant aux développeurs d'intégrer l'intelligence en essaim dans n'importe quelle application Node.js pour une meilleure précision et cohérence dans la prise de décision assistée par IA.

Overeasy est un framework open-source basé sur Python pour orchestrer des agents IA alimentés par LLM dans diverses disciplines. Il fournit une architecture modulaire pour définir des agents, configurer des stockages de mémoire et intégrer des outils externes tels que APIs, bases de connaissances et bases de données. Les développeurs peuvent se connecter à OpenAI, Azure ou à des points de terminaison LLM auto-hébergés et concevoir des workflows dynamiques impliquant un ou plusieurs agents. Le moteur d'orchestration d'Overeasy gère la délégation des tâches, la prise de décisions et les stratégies de secours, permettant la création de travailleurs numériques robustes pour la recherche, le support client, l'analyse de données, la planification, etc. Une documentation complète et des projets d'exemple accélèrent le déploiement sur Linux, macOS et Windows.

Team Coordination est une bibliothèque Python légère conçue pour simplifier l'orchestration de plusieurs agents IA travaillant ensemble sur des tâches complexes. En définissant des rôles d'agents spécialisés—tels que planificateurs, exécutants, évaluateurs ou communicateurs—les utilisateurs peuvent décomposer un objectif global en sous-tâches gérables, les déléguer à des agents individuels et faciliter une communication structurée entre eux. Le framework gère l'exécution asynchrone, le routage des protocoles et l'agrégation des résultats, permettant à des équipes d'agents IA de collaborer efficacement. Son système de plugins supporte l'intégration avec des LLM populaires, des API et une logique personnalisée, idéal pour des applications dans le service client automatisé, la recherche, le jeu AI et les pipelines de traitement de données. Avec des abstractions claires et des composants extensibles, Team Coordination accélère le développement de workflows multi-agents évolutifs.

CASA est conçue comme un cadre d'autonomie modulaire, prêt à l'emploi, basé sur l'écosystème Robot Operating System (ROS). Elle présente une architecture décentralisée où chaque robot exécute des planificateurs locaux et des nœuds d'arbres de comportement, publiant sur un tableau noir partagé pour les mises à jour de l'état du monde. L'attribution de tâches est gérée par des algorithmes d'enchères qui assignent des missions en fonction des capacités et de la disponibilité des robots. La couche de communication utilise des messages ROS standards sur des réseaux multi-robots pour synchroniser les agents. Les développeurs peuvent personnaliser les paramètres des missions, intégrer des pilotes de capteurs et étendre les bibliothèques de comportements. CASA supporte la simulation de scénarios, la surveillance en temps réel et des outils de journalisation. Sa conception extensible permet aux équipes de recherche d'expérimenter de nouveaux algorithmes de coordination et de déployer sans effort sur diverses plates-formes robotiques, des véhicules terrestres sans pilote aux drones aériens.

AgentChat est une plateforme centrée sur le développement pour la création de conversations IA multi-agent sophistiquées. Elle combine un backend FastAPI basé sur Python et une interface utilisateur React, permettant aux utilisateurs de définir des agents IA individuels avec des rôles distincts—tels que extracteur de données, analyste et résumeur—qui communiquent pour réaliser en collaboration des tâches complexes. En utilisant les modèles GPT d’OpenAI, AgentChat fournit un stockage de mémoire via Redis et supporte l’intégration d’outils personnalisés pour des tâches telles que les appels API, la collecte web et les requêtes de bases de données. La plateforme offre une surveillance des conversations en temps réel, des journaux de performance des agents et des pipelines d’agents configurables. Avec une architecture modulaire, les développeurs peuvent étendre les capacités des agents en ajoutant de nouveaux outils ou en ajustant les prompts, permettant des workflows automatisés personnalisés, des processus de prise de décision et des applications de découverte de connaissance.

Agentic Seek exploite les modèles GPT d'OpenAI et une boîte à outils personnalisée pour automatiser tout le cycle de recherche web. Les utilisateurs définissent des objectifs de haut niveau, et le système génère des sous-agents spécialisés pour exécuter des requêtes de recherche, naviguer sur des sites web, extraire des informations clés via le scraping et résumer les résultats. Il prend en charge le raffinement itératif, permettant aux agents de revoir et mettre à jour les résultats en fonction des nouvelles idées. Les développeurs peuvent étendre ses capacités en intégrant des gestionnaires d'actions personnalisés et des connecteurs API. Idéal pour la veille concurrentielle, la recherche académique, l'analyse de marché et la collecte de données à grande échelle, Agentic Seek réduit la navigation manuelle, accélère la prise de décision et garantit une couverture complète de plusieurs sources en ligne. La plateforme inclut une interface Web pour surveiller l'activité de l'agent et examiner les sorties intermédiaires. Avec une journalisation intégrée, des invites personnalisables et des pistes d'audit, les équipes peuvent suivre les décisions des agents pour la transparence, la conformité et l'assurance qualité.

Le dépôt Agent Supervisor Example démontre comment orchestrer plusieurs agents AI autonomes dans un flux de travail coordonné. Écrit en Python, il définit une classe Supervisor pour dispatcher des tâches, surveiller le statut des agents, gérer les échecs et agréger les réponses. Vous pouvez étendre les classes d'agents de base, brancher différentes API de modèles et configurer les politiques de planification. Il enregistre les activités pour l'audit, supporte l'exécution parallèle et offre une conception modulaire pour une personnalisation facile et une intégration dans de plus grands systèmes d'IA.

AgentFarm fournit un cadre complet pour coordonner divers agents IA dans un système unifié. Les utilisateurs peuvent script des comportements d'agents spécialisés en Python, attribuer des rôles (gestionnaire, travailleur, analyste) et établir des files d'attente pour le traitement parallèle. Il s'intègre parfaitement aux principaux services LLM (OpenAI, Azure OpenAI), permettant un routage dynamique des prompts et une sélection de modèles. Le tableau de bord intégré suit l'état des agents, enregistre les interactions et visualise les performances du workflow. Avec des plugins modulaires pour des API personnalisées, les développeurs peuvent étendre la fonctionnalité, automatiser la gestion des erreurs et surveiller l'utilisation des ressources. Idéal pour déployer des pipelines multi-étapes, AgentFarm améliore la fiabilité, la scalabilité et la maintenabilité dans l'automatisation pilotée par l'IA.

crewAI Playground est un kit d'outils et un bac à sable pour construire et expérimenter avec des agents pilotés par IA. Vous définissez des agents via des fichiers de configuration ou du code, en spécifiant des invites, des outils et des modules de mémoire. Le playground exécute plusieurs agents simultanément, gère le routage des messages et enregistre l'historique des conversations. Il prend en charge les intégrations de plugins pour des sources de données externes, des backends mémoire personnalisables (en mémoire ou persistants) et une interface web pour les tests. Utilisez-le pour prototyper des chatbots, des assistants virtuels et des flux de travail automatisés avant le déploiement en production.

FMAS (Flexible Multi-Agent System) est une bibliothèque Python open-source pour construire, exécuter et visualiser des simulations multi-agents. Vous pouvez définir des agents avec une logique de décision personnalisée, configurer un modèle d'environnement, mettre en place des canaux de messagerie pour la communication et exécuter des simulations évolutives. FMAS fournit des hooks pour surveiller l'état des agents, déboguer les interactions et exporter les résultats. Son architecture modulaire supporte des plugins pour la visualisation, la collecte de métriques et l'intégration avec des sources de données externes, le rendant idéal pour la recherche, l'éducation et les prototypes réels de systèmes autonomes.