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.

OpenAssistant offre un ensemble d'outils complet pour construire et affiner des agents IA adaptés à des tâches spécifiques. Il inclut des scripts de traitement de données pour convertir des jeux de données dialogues bruts en formats d'entraînement, des modèles pour l'apprentissage basé sur des instructions, et des utilitaires pour suivre la progression de l'entraînement. L’architecture plugin permet une intégration transparente d’API externes pour des fonctionnalités étendues telles que la récupération de connaissances et l'automatisation des workflows. Les utilisateurs peuvent évaluer la performance des agents à l’aide de benchmarks prédéfinis, visualiser les interactions via une interface web intuitive, et déployer des endpoints prêts pour la production avec des déploiements conteneurisés. Son code extensible supporte plusieurs backends de deep learning, facilitant la personnalisation des architectures de modèles et des stratégies d'entraînement. En fournissant un support de bout en bout — de la préparation des données au déploiement — OpenAssistant accélère le cycle de développement de solutions d’IA conversationnelle.

Pi Web Agent est un framework léger et extensible pour construire des agents de chat IA sur le web. Il utilise Python FastAPI en backend et un frontend React pour fournir des conversations interactives alimentées par OpenAI, Cohere ou LLM locaux. Les utilisateurs peuvent télécharger des documents ou connecter des bases de données externes pour une recherche sémantique via des magasins vectoriels. Une architecture de plugins permet d’intégrer des outils personnalisés, des appels de fonctions et des API tierces localement. Il offre un accès complet au code source, des modèles de prompt basés sur le rôle et une mémoire configurable pour créer des assistants IA personnalisés.

Agentic Kernel offre une architecture découplée pour construire des agents d'IA en composant des composants réutilisables. Les développeurs peuvent définir des pipelines de planification pour décomposer des objectifs, configurer des mémoires à court et long terme à l'aide d'intégrations d'embeddings ou de backends basés sur des fichiers, et enregistrer des outils ou API externes pour l'exécution d'actions. Le framework supporte la sélection dynamique d'outils, les cycles de réflexion des agents et une planification intégrée pour gérer les flux de travail. Son design modulaire est compatible avec n'importe quel fournisseur de LLM et composants personnalisés, permettant des cas d'utilisation tels que assistants conversationnels, agents de recherche automatisés et bots de traitement de données. Avec une journalisation transparente, une gestion d'état, et une intégration facile, Agentic Kernel accélère le développement tout en assurant la maintenabilité et la scalabilité dans les applications basées sur l'IA.

HFO_DQN combine Python et TensorFlow pour fournir une chaîne complète pour entraîner des agents de football utilisant Deep Q-Networks. Les utilisateurs peuvent cloner le dépôt, installer les dépendances incluant le simulateur HFO et les bibliothèques Python, et configurer les paramètres d'entraînement dans des fichiers YAML. Le cadre implémente la mémoire d'expérience, les mises à jour du réseau cible, l'exploration ε-greedy, et le façonnage de récompenses spécifique au domaine offense de moitié terrain. Il comprend des scripts pour l'entraînement des agents, la journalisation des performances, des matchs d'évaluation, et la réalisation de graphiques. La structure modulaire du code permet d'intégrer des architectures neural personnalisées, des algorithmes RL alternatifs, et des stratégies de coordination multi-agents. Les sorties incluent des modèles entraînés, des métriques de performance, et des visualisations du comportement, facilitant la recherche en apprentissage par renforcement et systèmes multi-agents.

Le LangChain AI Scientist V2 exploite de grands modèles de langage et le cadre d'agents de LangChain pour aider les chercheurs à chaque étape du processus scientifique. Il ingère des articles académiques pour les revues de littérature, génère de nouvelles hypothèses, esquisse des protocoles expérimentaux, rédige des rapports de laboratoire et produit du code pour l'analyse de données. Les utilisateurs interagissent via CLI ou carnet, en personnalisant les tâches via des modèles de prompt et des réglages de configuration. En orchestrant des chaînes de raisonnement multi-étapes, il accélère la découverte, réduit la charge de travail manuelle et garantit des résultats reproductibles.