MiniAgent est un cadre minimaliste open source construit en Python pour la création d'agents IA autonomes capables de planifier et d'exécuter des workflows complexes. Au cœur, MiniAgent comprend un module de planification de tâches qui décompose des objectifs de haut niveau en étapes ordonnées, un contrôleur d'exécution qui exécute chaque étape séquentiellement, et des adaptateurs intégrés pour l'intégration d'outils et d'API externes, y compris les services web, bases de données et scripts personnalisés. Il dispose également d'un système léger de gestion de mémoire pour conserver les contextes conversationnels ou de tâches. Les développeurs peuvent facilement enregistrer des plugins d'action personnalisés, définir des règles de politique pour la prise de décision, et étendre la fonctionnalité des outils. Avec la prise en charge des modèles OpenAI et des LLM locaux, MiniAgent permet un prototypage rapide de chatbots, de travailleurs numériques et de pipelines automatisés, le tout sous licence MIT.

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.

BabyAGI Chroma Agent est un système d’agent AI basé sur Python, conçu pour gérer et exécuter de manière autonome des tâches multi-étapes. Il génère de nouvelles tâches à partir des résultats des tâches précédentes, les priorise, et exécute chaque étape en séquence en utilisant les modèles de langage d’OpenAI. L’agent stocke des résultats détaillés de tâches et des embeddings contextuels dans une base de données vectorielle Chroma, facilitant la récupération de la mémoire et l’affinement des décisions futures. Avec une configuration simple, les utilisateurs définissent un objectif initial et une invite, et l’agent orchestre le flux de travail, résolvant de manière itérative des problèmes complexes, recueillant des informations, générant du contenu ou effectuant des recherches. Son design modulaire permet aux développeurs d’étendre et d’intégrer des outils personnalisés, le rendant adapté à la collecte automatisée de données, à la production de contenu et à l’automatisation des flux de travail.

mcp-agent-graph fournit une couche d'orchestration basée sur un graphe pour les agents AI, permettant aux développeurs de cartographier des flux de travail complexes en plusieurs étapes sous forme de graphes dirigés. Chaque nœud du graphe correspond à une tâche ou fonction d'agent, capturant les entrées, sorties et dépendances. Les arêtes définissent le flux de données entre les agents, garantissant l'ordre d'exécution correct. Le moteur supporte des modes d'exécution séquentielle et parallèle, la résolution automatique des dépendances, et s'intègre avec des fonctions Python personnalisées ou des services externes. La visualisation intégrée permet aux utilisateurs d'inspecter la topologie du graphe et de déboguer les flux de travail. Ce framework rationalise le développement de systèmes modulaires et évolutifs multi-agents pour le traitement des données, les flux de travail langage naturel ou les pipelines de modèles AI combinés.

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.