Flat AI est un cadre Python à dépendances minimales de MindsDB conçu pour intégrer rapidement des capacités IA dans des produits. Il supporte le chat, la récupération de documents, la QA, le résumé de texte, et plus via une interface cohérente. Les développeurs peuvent connecter OpenAI, Hugging Face, Anthropic et d'autres LLM ainsi que les magasins vectoriels populaires sans gérer l'infrastructure. Flat AI gère la templatisation des prompts, le traitement par lots, la mise en cache, la gestion des erreurs, la multi-location et la surveillance par défaut, permettant un déploiement évolutif et sécurisé de fonctionnalités IA dans des applications web, analytics et workflows d'automatisation.

Au cœur, RxAgent-Zoo est un cadre RL réactif qui traite les événements de données provenant des environnements, des buffers de retransmission et des boucles d'entraînement comme des flux observables. Les utilisateurs peuvent enchaîner des opérateurs pour prétraiter les observations, mettre à jour les réseaux et journaliser les métriques de manière asynchrone. La bibliothèque offre une prise en charge des environnements parallèles, des planificateurs configurables et une intégration avec les benchmarks Gym et Atari populaires. Une API plug-and-play permet de remplacer facilement les composants d'agents, facilitant la recherche reproductible, l'expérimentation rapide et les flux de travail d'entraînement évolutifs.

Self-Determining AI Agents est un framework basé sur Python conçu pour simplifier la création d'agents IA autonomes. Il dispose d'une boucle de planification personnalisable où les agents génèrent des tâches, planifient des stratégies et exécutent des actions à l'aide d'outils intégrés. Le framework inclut des modules de mémoire persistants pour la conservation du contexte, un système de planification flexible et des hooks pour l'intégration d'outils personnalisés tels que API web ou requêtes de base de données. Les développeurs définissent des objectifs d'agents via des fichiers de configuration ou du code, et la bibliothèque gère le processus décisionnel itératif. Il supporte la journalisation, la surveillance des performances et peut être étendu avec de nouveaux algorithmes de planification. Idéal pour la recherche, l'automatisation des workflows et la prototypage rapide de systèmes multi-agents intelligents.

Le apprentissage automatique autodidacte simple offre aux développeurs une approche extrêmement simple pour créer et entraîner des agents d'apprentissage par renforcement en Python. Le framework abstrait les composants clés du RL, tels que les wrappers d'environnement, les modules de politique et les buffers d'expérience, en interfaces concises. Les utilisateurs peuvent rapidement initialiser les environnements, définir des politiques personnalisées avec des backends familiers comme PyTorch ou TensorFlow, et exécuter des boucles d’entraînement avec journalisation et sauvegarde intégrées. La bibliothèque supporte les algorithmes on-policy et off-policy, permettant une expérimentation flexible avec Q-learning, les gradients de politique et les méthodes acteur-critique. En réduisant le code boilerplate, le apprentissage automatique autodidacte simple permet aux praticiens, éducateurs et chercheurs de prototype des algorithmes, tester des hypothèses et visualiser la performance de l'agent avec une configuration minimale. Sa conception modulaire facilite également l'intégration avec les stacks ML existants et les environnements personnalisés.

Acme est un framework basé sur Python qui simplifie le développement et l'évaluation d'agents d'apprentissage par renforcement. Il propose une collection d'implémentations d'agents préconstruites (par exemple, DQN, PPO, SAC), des enveloppes d'environnement, des tampons de répétition et des moteurs d'exécution distribués. Les chercheurs peuvent combiner et ajuster les composants pour prototyper de nouveaux algorithmes, surveiller les métriques d'entraînement avec la journalisation intégrée et exploiter des pipelines distribués évolutifs pour de large experiments. Acme s'intègre avec TensorFlow et JAX, prend en charge des environnements personnalisés via OpenAI Gym interfaces, et inclut des utilitaires pour la sauvegarde, l'évaluation et la configuration des hyperparamètres.

Agents with ADK est un cadre Python open-source conçu pour simplifier la création d'agents intelligents alimentés par de grands modèles de langage. Il comprend des modèles d'agents modulaires, une gestion mémoire intégrée, des interfaces d'exécution d'outils et des capacités de coordination multi-agent. Les développeurs peuvent rapidement intégrer des fonctions personnalisées ou des API externes, configurer des chaînes de planification et de raisonnement, et surveiller les interactions des agents. Le cadre prend en charge l'intégration avec des fournisseurs LLM populaires et offre des fonctionnalités de journalisation, de logique de nouvelle tentative et d'extensibilité pour le déploiement en production.