MARL-DPP est un cadre open-source permettant l'apprentissage par renforcement multi-agent (MARL) avec diversité imposée via des processus déterminants (DPP). Les approches MARL traditionnelles souffrent souvent d'une convergence des politiques vers des comportements similaires ; MARL-DPP y remédie en intégrant des mesures basées sur le DPP pour encourager les agents à conserver des distributions d'actions diversifiées. La boîte à outils fournit un code modulaire pour intégrer le DPP dans les objectifs d'entraînement, l’échantillonnage de politiques et la gestion de l’exploration. Elle inclut une intégration prête à l’emploi avec des environnements standard comme OpenAI Gym et l’environnement multi-agent Particle (MPE), ainsi que des utilitaires pour la gestion des hyperparamètres, la journalisation et la visualisation des métriques de diversité. Les chercheurs peuvent évaluer l’impact des contraintes de diversité sur des tâches coopératives, l’allocation des ressources et les jeux compétitifs. La conception extensible prend en charge des environnements personnalisés et des algorithmes avancés, facilitant l’exploration de nouvelles variantes de MARL-DPP.

Meta-Agent-with-More-Agents est un cadre extensible open-source qui implémente une architecture d'agent méta permettant à plusieurs sous-agents spécialisés de collaborer sur des tâches complexes. Il exploite LangChain pour l’orchestration des agents et les API OpenAI pour le traitement du langage naturel. Les développeurs peuvent définir des agents personnalisés pour des tâches telles que l’extraction de données, l’analyse de sentiments, la prise de décisions ou la génération de contenu. L’agent méta coordonne la décomposition des tâches, envoie les objectifs aux agents appropriés, collecte leurs résultats, et affine itérativement les résultats via des boucles de rétroaction. Son architecture modulaire supporte la traitement parallèle, la journalisation et la gestion des erreurs. Idéal pour automatiser des workflows à plusieurs étapes, des pipelines de recherche et des systèmes de support à la décision dynamique, il simplifie la construction de systèmes IA distribués robustes en abstrait la communication entre agents et la gestion de leur cycle de vie.

MIU CS589 AI Agent API offre une interface standardisée pour fabriquer des agents d'IA personnalisés. Les développeurs peuvent définir des comportements d'agents, intégrer des outils ou services externes, et gérer des réponses en streaming ou par lot via des endpoints HTTP. Le framework prend en charge l'authentification, le routage des requêtes, la gestion des erreurs et la journalisation. Il est entièrement extensible — les utilisateurs peuvent enregistrer de nouveaux outils, ajuster la mémoire de l'agent et configurer les paramètres LLM. Convient pour l'expérimentation, les démos et les prototypes de production, il simplifie l'orchestration multi-outils et accélère le développement d'agents IA sans verrouiller sur une plateforme monolithique.

L'architecture modulaire LLM est conçue pour simplifier la création d'applications personnalisées pilotées par LLM via une conception modulaire et composable. Elle fournit des composants clés tels que des modules de mémoire pour la rétention d'état de session, des interfaces d'outils pour les appels d'API externes, des gestionnaires de prompts pour la génération de prompts basés sur des modèles ou dynamique, et des moteurs d'orchestration pour contrôler le flux de travail de l'agent. Vous pouvez configurer des pipelines en chaînant ces modules, permettant des comportements complexes tels que le raisonnement en plusieurs étapes, des réponses contextuelles et la récupération de données intégrée. La structure supporte plusieurs backends LLM, vous permettant de changer ou de mélanger des modèles, et offre des points d'extension pour ajouter de nouveaux modules ou une logique personnalisée. Cette architecture accélère le développement en promouvant la réutilisation des composants tout en maintenant la transparence et le contrôle sur le comportement de l'agent.

MultiAgentes offre une architecture modulaire pour définir des environnements et des agents, supportant des interactions multi-agent synchrones et asynchrones. Il comprend des classes de base pour les environnements et les agents, des scénarios prédéfinis pour des tâches coopératives et compétitives, des outils pour personnaliser les fonctions de récompense, et des API pour la communication entre agents et le partage d'observations. Les utilitaires de visualisation permettent une surveillance en temps réel des comportements des agents, tandis que les modules de journalisation enregistrent les métriques de performance pour analyse. Le framework s'intègre parfaitement avec les bibliothèques RL compatibles avec Gym, permettant aux utilisateurs d'entraîner des agents avec des algorithmes existants. MultiAgentes est conçu pour l'extensibilité, permettant aux développeurs d'ajouter de nouveaux modèles d'environnement, types d'agents et protocoles de communication adaptés à diverses applications de recherche et d'éducation.

Notte est un cadre Python axé sur les développeurs, conçu pour orchestrer des agents IA alimentés par de grands modèles linguistiques. Il fournit des modules de mémoire intégrés pour stocker et récupérer le contexte de conversation, une intégration flexible d'outils pour les API externes ou les fonctions personnalisées, et un moteur de planification qui séquence les tâches. Avec Notte, vous pouvez rapidement prototyper des assistants conversationnels, des bots d'analyse de données ou des flux de travail automatisés, tout en profitant de l'extensibilité open-source et du support multiplateforme.

rag-services est une plateforme extensible qui décompose les pipelines RAG en microservices discrets. Elle offre un service de stockage de documents, un service d'indexation vectorielle, un service d'embedding, plusieurs services d'inférence LLM et un orchestrateur pour coordonner les flux de travail. Chaque composant expose des API REST, vous permettant de mélanger et d'associer bases de données et fournisseurs de modèles. Avec la prise en charge de Docker et Docker Compose, vous pouvez déployer localement ou dans des clusters Kubernetes. Le cadre permet des solutions RAG évolutives et tolérantes aux pannes pour chatbots, bases de connaissances et Q&A automatiques.

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.

EspressoAI fournit aux développeurs un environnement structuré pour concevoir, configurer et déployer des agents IA alimentés par de grands modèles linguistiques. Il supporte l'enregistrement et l'appel d'outils dans le flux de travail de l'agent, gère le contexte conversationnel via des modules mémoire intégrés, et permet de chaîner les prompts pour le raisonnement multi-étapes. Les développeurs peuvent intégrer des API externes, des plugins personnalisés et une logique conditionnelle pour adapter le comportement de l'agent. La conception modulaire du framework garantit son extensibilité, permettant aux équipes d’échanger des composants, d’ajouter de nouvelles capacités ou de s’adapter aux LLM propriétaires sans réécrire la logique de base.

Huginn est un cadre d'automatisation polyvalent et open-source qui permet aux utilisateurs de créer des agents pour surveiller, collecter et agir sur des données provenant de diverses sources telles que des sites web, des API, des médias sociaux et des e-mails. Chaque agent peut être configuré pour se déclencher lors de certains événements, transformer des données et les transmettre à d'autres agents ou services externes. Avec une planification intégrée, la journalisation et une bibliothèque riche de types d'agents—comme RSSAgent, EmailAgent, WebhookAgent et DataOutputAgent—Huginn supporte des flux de travail complexes et une logique conditionnelle. Il fonctionne sur Linux, macOS, Windows ou Docker, et peut être étendu avec du code Ruby personnalisé ou des conteneurs Docker pour des tâches spécifiques et des intégrations.

Llama-Agent est une boîte à outils axée sur le développement pour créer des agents IA intelligents alimentés par de grands modèles linguistiques. Il offre une intégration d'outils pour appeler des API ou des fonctions externes, une gestion de la mémoire pour stocker et récupérer le contexte, et une planification en chaîne de pensée pour décomposer des tâches complexes. Les agents peuvent exécuter des actions, interagir avec des environnements personnalisés et s'adapter via un système de plugins. En tant que projet open-source, il supporte une extension facile des composants principaux, permettant des expérimentations rapides et le déploiement de flux de travail automatisés dans divers domaines.

Query-Bot intègre l'ingestion de documents, la segmentation de texte et les embeddings vectoriels pour créer un index consultable à partir de PDFs, fichiers texte et documents Word. En utilisant LangChain et GPT-3.5 Turbo d'OpenAI, il traite les requêtes des utilisateurs en récupérant les passages pertinents et en générant des réponses concises. L'interface UI basée sur Streamlit permet aux utilisateurs de télécharger des fichiers, de suivre l'historique des conversations et d'ajuster les paramètres. Il peut être déployé localement ou sur des environnements cloud, offrant un cadre extensible pour des agents personnalisés et des bases de connaissances.

FastAPI Agents offre une couche de service robuste pour le développement d'agents basés sur LLM en utilisant le framework web FastAPI. Il permet de définir le comportement des agents avec des chaînes LangChain, des outils et des systèmes de mémoire. Chaque agent peut être exposé comme un point de terminaison REST standard, supportant des requêtes asynchrones, des réponses en streaming et des charges utiles personnalisables. L'intégration avec des magasins de vecteurs permet la génération augmentée par récupération pour des applications axées sur la connaissance. Le framework comprend une journalisation intégrée, des hooks de surveillance et une prise en charge de Docker pour le déploiement en conteneur. Il est facile d'étendre les agents avec de nouveaux outils, middleware et authentification. FastAPI Agents accélère la mise sur le marché des solutions IA, en assurant la sécurité, la scalabilité et la maintenabilité des applications basées sur des agents en entreprise et en recherche.

AI-Agents fournit une boîte à outils modulaire pour créer des agents IA autonomes capables de planification, d'exécution et d'auto-surveillance des tâches. Il offre une prise en charge intégrée pour l'intégration d'outils — comme la recherche sur le web, le traitement de données et les API personnalisées — et possède une composante mémoire pour conserver et rappeler le contexte lors des interactions. Avec un système de plugins flexible, les agents peuvent charger dynamiquement de nouvelles capacités, tandis que l'exécution asynchrone garantit des flux de travail multi-étapes efficaces. Le framework exploite LangChain pour un raisonnement avancé de type chaîne de pensée et facilite le déploiement dans des environnements Python sur macOS, Windows ou Linux.

Advanced_RAG offre un pipeline modulaire pour les tâches de génération augmentée par récupération, comprenant des chargeurs de documents, des constructeurs d'index vectoriels et des gestionnaires de chaînes. Les utilisateurs peuvent configurer différentes bases de données vectorielles (FAISS, Pinecone), personnaliser les stratégies de récupération (recherche par similarité, recherche hybride), et intégrer n'importe quel LLM pour générer des réponses contextuelles. Il prend également en charge des métriques d’évaluation et la journalisation pour le tuning des performances, et est conçu pour la scalabilité et la extensibilité en environnement de production.

Agent Adapters est conçu pour fournir aux développeurs une interface cohérente pour connecter des agents AI à des services et frameworks externes. Grâce à son architecture modulaire d'adaptateurs, il propose des adaptateurs préfabriqués pour les API HTTP, plateformes de messagerie comme Slack et Teams, et des points de terminaison d'outils personnalisés. Chaque adaptateur gère l'analyse des requêtes, la cartographie des réponses, la gestion des erreurs, ainsi que des hooks optionnels pour la journalisation ou la surveillance. Les développeurs peuvent également enregistrer leurs propres adaptateurs en implémentant une interface définie et en configurant les paramètres de l'adaptateur dans les réglages de leur agent. Cette approche rationalisée réduit le code boilerplate, garantit une exécution cohérente des workflows, et accélère le déploiement d'agents sur plusieurs environnements sans réécrire la logique d'intégration.

Agentle fournit un cadre structuré pour que les développeurs construisent des agents d'IA personnalisés avec un minimum de code boilerplate. Il supporte la définition de workflows d'agents sous forme de séquences de tâches, l'intégration transparente avec des API et outils externes, la gestion de la mémoire conversationnelle pour la conservation du contexte, et une journalisation intégrée pour l'auditabilité. La bibliothèque propose également des hooks pour étendre la fonctionnalité, la coordination de plusieurs agents pour des pipelines complexes et une interface unifiée pour exécuter les agents localement ou les déployer via des API HTTP.

AgentMesh fournit une infrastructure modulaire pour que les développeurs créent des réseaux d'agents IA, chacun se concentrant sur une tâche ou un domaine spécifique. Les agents peuvent être découverts et enregistrés dynamiquement à l'exécution, échangent des messages de manière asynchrone et suivent des règles de routage configurables. Le framework gère les tentatives, les sauvegardes et la récupération en cas d'erreur, permettant des pipelines multi-agents pour le traitement des données, le soutien à la décision ou des cas d'utilisation conversationnels. Il s'intègre facilement aux LLM existants et aux modèles personnalisés via une interface de plugin simple.

AgentUniverse fournit un SDK Python unifié pour concevoir, orchestrer et exécuter des agents IA autonomes. Les développeurs peuvent définir le comportement des agents, intégrer des outils ou API externes, gérer la mémoire de conversation et séquencer des tâches multi-étapes. Supportant LangChain, des plugins d'outils personnalisés, et des environnements d'exécution configurables, il accélère le développement et le déploiement des agents. La surveillance et la journalisation intégrées offrent des insights en temps réel, tandis que son architecture modulaire permet une extension facile avec de nouvelles capacités ou modèles IA.

Crayon permet aux développeurs de construire des agents IA autonomes en JavaScript/Node.js capables d’appeler des API externes, de maintenir l’historique de conversation, de planifier des tâches multi-étapes et de gérer des processus asynchrones. Au cœur, Crayon implémente une boucle de planification-exécution qui décompose des objectifs de haut niveau en actions discrètes, s’intègre avec des kits d’outils personnalisés, et utilise des modules de mémoire pour stocker et rappeler des informations à travers les sessions. Le framework supporte plusieurs backends de mémoire, une intégration d’outils via plugins et une journalisation complète pour le débogage. Les développeurs peuvent configurer le comportement des agents via des prompts et des pipelines basés sur YAML, permettant des workflows complexes comme le scraping de données, la génération de rapports et les chatbots interactifs. L’architecture de Crayon favorise l’extensibilité pour que les équipes puissent intégrer des outils spécifiques au domaine et adapter les agents à des besoins commerciaux uniques.