Camel AI est un cadre open-source conçu pour simplifier la création et l'orchestration d'agents intelligents. Il propose des abstractions pour chaîner de grands modèles de langage, intégrer des outils et APIs externes, gérer des graphes de connaissance et persister la mémoire. Les développeurs peuvent définir des flux de travail multi-agents, décomposer des tâches en sous-plans et surveiller l'exécution via CLI ou interface web. Basé sur Python et Docker, Camel AI permet une permutation transparente des fournisseurs LLM, des plugins d'outils personnalisés et des stratégies de planification hybrides, accélérant le développement d'assistants automatisés, pipelines de données et flux de travail autonomes à grande échelle.

Odyssey offre une architecture flexible pour la création de systèmes multi-agent collaboratifs. Il comprend des composants centraux tels que le Task Manager pour définir et répartir les sous-tâches, modules de mémoire pour stocker le contexte et l'historique des conversations, contrôleurs d'agents pour la coordination des agents alimentés par LLM, et gestionnaires d'outils pour l'intégration d'API externes ou de fonctions personnalisées. Les développeurs peuvent configurer des workflows via des fichiers YAML, sélectionner des noyaux LLM préconstruits (par ex. GPT-4, modèles locaux), et étendre le framework avec de nouveaux outils ou backends de mémoire. Odyssey journalise les interactions, supporte l'exécution asynchrone des tâches et permet des boucles de raffinage itératif, le rendant idéal pour la recherche, le prototypage et les applications multi-agent prêtes pour la production.

OmniMind0 est un cadre d’IA basé sur des agents complet, écrit en Python, permettant la création et l’orchestration de plusieurs agents autonomes. Chaque agent peut être configuré pour gérer des tâches spécifiques — comme la récupération de données, la synthèse ou la prise de décision — tout en partageant l’état via des backends de mémoire modulables comme Redis ou des fichiers JSON. L’architecture de plugins intégrée vous permet d’étendre la fonctionnalité avec des APIs externes ou des commandes personnalisées. Il prend en charge les modèles OpenAI, Azure et Hugging Face, et offre des déploiements via CLI, serveur API REST ou Docker pour une intégration flexible dans vos flux de travail.

OpenAI Agent Swarm est un framework modulaire conçu pour rationaliser la coordination de plusieurs agents alimentés par GPT dans diverses tâches. Chaque agent fonctionne de manière indépendante avec des prompts et des définitions de rôles personnalisables, tandis que le cœur de Swarm gère le cycle de vie de l'agent, la transmission de messages et la planification des tâches. La plateforme inclut des outils pour définir des flux de travail complexes, surveiller les interactions des agents en temps réel et agréger les résultats dans des sorties cohérentes. En répartissant les charges de travail entre des agents spécialisés, les utilisateurs peuvent aborder des scénarios de résolution de problèmes complexes, de la génération de contenu à l'analyse de recherche, en passant par le débogage automatisé et le résumé de données. OpenAI Agent Swarm s'intègre parfaitement à l'API d'OpenAI, permettant aux développeurs de déployer rapidement des systèmes multi-agents sans construire d'infrastructure d'orchestration à partir de zéro.

Les agents d'apprentissage par renforcement pour les jeux PettingZoo sont une bibliothèque en Python qui propose des algorithmes prêts à l'emploi DQN, PPO et A2C pour l'apprentissage par renforcement multi-agent dans les environnements PettingZoo. Elle comprend des scripts standardisés pour l'entraînement et l'évaluation, des hyperparamètres configurables, une journalisation intégrée dans TensorBoard et prend en charge à la fois les jeux compétitifs et coopératifs. Les chercheurs et développeurs peuvent cloner le dépôt, ajuster les paramètres de l'environnement et de l'algorithme, exécuter des sessions d'entraînement et visualiser les métriques pour accélérer leur développement et comparer leurs expériences en RL multi-agent.

RinSim offre un environnement de simulation modulaire axé sur la modélisation de scénarios logistiques dynamiques avec plusieurs agents autonomes. Les utilisateurs peuvent définir des réseaux routiers via des structures de graphes, configurer des flottes de véhicules, y compris des modèles électriques avec des contraintes de batterie, et simuler des arrivées stochastiques de demandes pour des tâches de collecte et de livraison. L'architecture à événements discrets garantit un timing précis et une gestion des événements, tandis que des algorithmes de routage intégrés et des comportements agents personnalisables permettent des expérimentations approfondies. RinSim supporte des métriques de sortie telles que le temps de trajet, la consommation d'énergie et le niveau de service, ainsi que des modules de visualisation pour l'analyse en temps réel et post-simulation. Sa conception extensible permet l'intégration d'algorithmes personnalisés, la montée en charge sur de grandes flottes, et des workflows de recherche reproductibles indispensables pour l'optimisation des stratégies de mobilité en milieu académique et industriel.

RoboCup Rescue Agent Simulation est un cadre open-source qui modélise des environnements urbains de catastrophe où plusieurs agents pilotés par IA collaborent pour localiser et sauver des victimes. Il propose des interfaces pour la navigation, la cartographie, la communication et l’intégration de capteurs. Les utilisateurs peuvent écrire des stratégies d’agents personnalisées, exécuter des expériences par lot, et visualiser les indicateurs de performance des agents. La plateforme supporte la configuration des scénarios, la journalisation et l’analyse des résultats pour accélérer la recherche dans les systèmes multi-agents et les algorithmes de réponse aux catastrophes.

ROCKET-1 est une plateforme open-source d'orchestration d'agents IA conçue pour construire des systèmes multi-agents avancés. Elle permet aux utilisateurs de définir des pipelines d'agents à l'aide d'une API modulaire, permettant une chaînage seamless des modèles linguistiques, des plugins et des magasins de données. Les fonctionnalités clés incluent la mémoire sémantique pour maintenir le contexte à travers les sessions, l'intégration dynamique d'outils pour les API externes et les bases de données, ainsi que des tableaux de bord de surveillance intégrés pour suivre les métriques de performance. Les développeurs peuvent personnaliser les workflows avec peu de code, évoluer horizontalement via des déploiements conteneurisés, et étendre la fonctionnalité via une architecture de plugins. ROCKET-1 supporte le débogage en temps réel, les redémarrages automatiques et les contrôles de sécurité, ce qui le rend idéal pour les bots d'assistance client, les assistants de recherche et les tâches d'automatisation d'entreprise.

Vagent.io fournit une interface intuitive pour interagir avec des Agentes AI personnalisés utilisant des commandes vocales. Au lieu de taper, les utilisateurs peuvent facilement communiquer avec leurs Agentes AI par la parole naturelle. La plateforme s'intègre avec des webhooks simples et utilise OpenAI pour une reconnaissance vocale de haute qualité et un support pour plus de 60 langues. La confidentialité des données est priorisée, aucune inscription n'est requise et toutes les données sont stockées sur l'appareil de l'utilisateur. Vagent.io est très polyvalent, permettant aux utilisateurs de se connecter à diverses plateformes back-end et de créer des systèmes modulaires à plusieurs agents pour des tâches plus complexes.

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.

Salieri est une plateforme innovante conçue pour simplifier le développement de projets IA via des applications multi-agents. En tirant parti des technologies IA avancées, Salieri augmente la productivité et l'efficacité, facilitant ainsi l'automatisation des flux de travail par les équipes. Le design intuitif et les fonctionnalités puissantes de Salieri permettent aux utilisateurs de traduire des idées détaillées en histoires interactives et illustrées, idéales pour des projets narratifs, des jeux, et plus encore. Offrant des systèmes robustes et efficaces, Salieri intègre des graphes de connaissances et des moteurs formels pour améliorer la précision et la rentabilité des modèles IA.

SARL offre des outils de prise de décision et supporte la dynamique avec l'IDE Eclipse, proposant support éditeur, génération de code, débogage et outils de test. Le moteur d'exécution peut cibler différentes plateformes, y compris des cadres de simulation (par ex., MadKit, Janus) et des systèmes réels en robotique et IoT. Les développeurs peuvent structurer des applications MAS complexes en assemblant des compétences et protocoles modulaires, simplifiant le développement de systèmes d'IA distribués et adaptatifs.

Shepherding est un cadre de simulation open-source conçu pour les chercheurs et développeurs en apprentissage par renforcement afin d'étudier et d'implémenter des tâches de bergerie multi-agents. Il fournit un environnement compatible Gym où les agents peuvent apprendre à effectuer des comportements tels que faire le tour, collecter et disperser des groupes cibles dans des espaces continus ou discrets. Le cadre comprend des fonctions modulaires pour le façonnage de récompenses, la paramétrisation de l'environnement et des utilitaires de journalisation pour surveiller les performances d'entraînement. Les utilisateurs peuvent définir des obstacles, des populations d'agents dynamiques et des politiques personnalisées en utilisant TensorFlow ou PyTorch. Les scripts de visualisation génèrent des tracés de trajectoires et des enregistrements vidéo des interactions des agents. La conception modulaire de Shepherding permet une intégration transparente avec les bibliothèques RL existantes, facilitant la reproductibilité des expériences, le benchmarking de stratégies de coordination innovantes et le prototypage rapide de solutions de bergerie basées sur l'IA.

SonAgent est un cadre extensible open-source conçu pour construire, organiser et exécuter des agents IA en Python. Il fournit des modules principaux pour le stockage de mémoire, des wrappers d'outils, la logique de planification et la gestion d'événements asynchrones. Les développeurs peuvent enregistrer des outils personnalisés, intégrer des modèles linguistiques, gérer la mémoire à long terme des agents et orchestrer plusieurs agents pour collaborer sur des tâches complexes. La conception modulaire de SonAgent accélère le développement de bots conversationnels, d'automatisations de flux de travail et de systèmes d'agents distribués.

OpenAI Swarm est une bibliothèque d'orchestration polyvalente permettant l'exécution parallèle et la prise de décision basée sur le consensus à travers plusieurs agents IA. Elle diffuse des tâches à des instances de modèles indépendants, agrège leurs sorties et applique des schémas de vote ou de classement configurables pour sélectionner le résultat le mieux noté. Les développeurs peuvent ajuster le nombre d'agents, les seuils de vote et les combinaisons de modèles pour renforcer la fiabilité, réduire les biais individuels et améliorer la qualité des solutions. Swarm prend en charge la chaînage des réponses, les boucles de rétroaction itératives et des journaux détaillés de raisonnement pour la vérifiabilité, améliorant les performances en résumé, classification, génération de code et tâches de raisonnement complexe via l'intelligence collective.

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.

SuperSwarm est conçu pour orchestrer des flux de travail pilotés par l'IA en exploitant plusieurs agents spécialisés qui communiquent et collaborent en temps réel. Il supporte la décomposition dynamique des tâches, où un agent contrôleur principal divise des objectifs complexes en sous-tâches et les assigne à des agents experts. Les agents peuvent partager le contexte, échanger des messages et adapter leur approche en fonction des résultats intermédiaires. La plateforme offre un tableau de bord basé sur le web, une API RESTful et une CLI pour le déploiement et la surveillance. Les développeurs peuvent définir des rôles personnalisés, configurer des topologies de swarm et intégrer des outils externes via des plugins. SuperSwarm se scale horizontalement en utilisant l'orchestration de conteneurs, garantissant une performance robuste sous des charges de travail importantes. Les journaux, métriques et visualisations aident à optimiser les interactions des agents, ce qui le rend adapté à des tâches comme la recherche avancée, l'automatisation du support client, la génération de code et la prise de décision.

xBrain offre une architecture modulaire pour créer, configurer et orchestrer des agents autonomes au sein d'applications Python. Les utilisateurs définissent des agents avec des capacités spécifiques — telles que la récupération de données, l'analyse ou la génération — et les assemblent dans des flux de travail où chaque agent communique et délègue des tâches. Le framework comprend un planificateur pour gérer l'exécution asynchrone, un système de plugins pour intégrer des API externes et un mécanisme de journalisation intégré pour la surveillance en temps réel et le débogage. L'interface flexible de xBrain supporte des implémentations de mémoire personnalisées et des modèles d'agents, permettant aux développeurs d'adapter le comportement à divers domaines. Des chatbots et pipelines de données aux expériences de recherche, xBrain accélère le développement de systèmes multi-agent complexes avec un minimum de code boilerplate.

MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.