Functionary fournit une méthode déclarative pour enregistrer des outils personnalisés — des fonctions JavaScript encapsulant des appels API, des requêtes de bases de données ou de la logique métier. Il encapsule une interaction avec un modèle de langage large (LLM) pour analyser les prompts utilisateur, déterminer quels outils exécuter, et analyser les sorties des outils pour produire des réponses conversationnelles. Le framework supporte la mémoire, la gestion des erreurs, et la jonction d’actions, offrant des hooks pour le pré- et post-traitement. Les développeurs peuvent rapidement déployer des agents capables d’orchestration dynamique de fonctions sans boilerplate, améliorant ainsi le contrôle sur les workflows pilotés par l’IA.

InfantAgent offre une structure légère pour concevoir et déployer des agents intelligents en Python. Il s'intègre avec des LLM populaires (OpenAI, Hugging Face), supporte des modules de mémoire persistants et permet des chaînes d'outils personnalisés. Dès la sortie de la boîte, vous disposez d'une interface conversationnelle, d'une orchestration de tâches et d'une prise de décision basée sur des politiques. L'architecture plugin du cadre permet une extension facile pour des outils et APIs spécifiques au domaine, idéale pour le prototypage d'agents de recherche, l'automatisation des flux de travail ou l'intégration d'assistants IA dans des applications.

Nestor propose une architecture modulaire pour assembler des agents d'IA qui maintiennent l'état de la conversation, invoquent des outils externes et personnalisent les pipelines de traitement. Les principales fonctionnalités incluent des magasins de mémoire basés sur la session, un registre pour les fonctions ou plugins d'outils, des modèles de prompts flexibles et des interfaces unifiées pour les clients LLM. Les agents peuvent exécuter des tâches séquentielles, effectuer des branchements décisionnels et s’intégrer aux API REST ou scripts locaux. Nestor est indépendant du framework, permettant aux utilisateurs de travailler avec OpenAI, Azure ou des fournisseurs LLM auto-hébergés.

Labs est un langage spécifique au domaine open-source et intégrable, conçu pour définir et exécuter des agents AI utilisant de grands modèles de langage. Il fournit des constructions pour déclarer des invites, gérer le contexte, brancher conditionnellement et intégrer des outils externes (par ex., bases de données, API). Avec Labs, les développeurs décrivent les flux de travail des agents sous forme de code, orchestrant des tâches multi-étapes telles que la récupération de données, l'analyse et la génération. Le framework compile les scripts DSL en pipelines exécutables qui peuvent être lancés localement ou en production. Labs prend en charge une interface REPL interactive, des outils en ligne de commande et s'intègre aux fournisseurs LLM standard. Son architecture modulaire permet des extensions faciles avec des fonctions et utilitaires personnalisés, favorisant le prototypage rapide et un développement d'agents maintenable. L'exécution légère garantit une faible surcharge et une intégration transparente dans les applications existantes.

Au cœur, LionAGI offre une architecture modulaire pour définir et exécuter des étapes de tâches dépendantes, décomposant des problèmes complexes en composants logiques pouvant être traités séquentiellement ou en parallèle. Chaque étape peut exploiter une invite personnalisée, une mémoire stockée et une logique décisionnelle pour adapter le comportement en fonction des résultats précédents. Les développeurs peuvent intégrer toute API LLM supportée ou un modèle auto-hébergé, configurer des espaces d'observation et définir des mappages d'actions pour créer des agents qui planifient, raisonnent et apprennent sur plusieurs cycles. Des outils intégrés de journalisation, de récupération d'erreurs et d'analyse permettent une surveillance en temps réel et un affinage itératif. Que ce soit pour automatiser des flux de recherche, générer des rapports ou orchestrer des processus autonomes, LionAGI accélère la création d'agents intelligents et adaptables avec un minimum de code standard.

Les agents IA alimentés par LLM sont conçus pour rationaliser la création d'agents autonomes en orchestrant de grands modèles de langage et des outils externes via une architecture modulaire. Les développeurs peuvent définir des outils personnalisés avec des interfaces standardisées, configurer des backend mémoire pour conserver l'état, et mettre en place des chaînes de raisonnement à plusieurs étapes utilisant des invites LLM pour planifier et exécuter des tâches. Le module AgentExecutor gère l'invocation des outils, la gestion des erreurs et les flux de travail asynchrones, tandis que des modèles d'exemples illustrent des scénarios réels comme l'extraction de données, le support client et la planification, accélérant ainsi le développement. En abstraisant les appels API, l'ingénierie des prompts et la gestion d'état, le framework réduit le code boilerplate et accélère l'expérimentation, idéal pour les équipes créant des solutions d'automatisation intelligentes personnalisées en Python.

LLM-Agent est un cadre léger et extensible pour créer des agents IA alimentés par de grands modèles linguistiques. Il fournit des abstractions pour la mémoire de conversation, des modèles d'invite dynamiques et une intégration transparente d'outils ou d'API personnalisés. Les développeurs peuvent orchestrer des processus de raisonnement multi-étapes, maintenir l'état à travers les interactions et automatiser des tâches complexes telles que la récupération de données, la génération de rapports et le support décisionnel. En combinant la gestion de la mémoire avec l'utilisation d'outils et la planification, LLM-Agent facilite le développement d'agents intelligents et orientés tâches en Python.

Local LLM avec appel de fonction permet aux développeurs de créer des agents IA qui fonctionnent entièrement sur le matériel local, éliminant ainsi les préoccupations de confidentialité des données et les dépendances au cloud. Le cadre inclut un code d'exemple pour intégrer des LLM locaux tels que LLaMA, GPT4All ou d'autres modèles à poids ouverts, et démontre comment configurer des schémas de fonctions que le modèle peut invoquer pour effectuer des tâches telles que la récupération de données, l'exécution de commandes shell ou l'interaction avec des API. Les utilisateurs peuvent étendre la conception en définissant des points de terminaison de fonction personnalisés, en personnalisant des invites et en gérant les réponses de fonction. Cette solution légère simplifie le processus de création d'assistants IA hors ligne, de chatbots et d'outils d'automatisation pour une large gamme d'applications.

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.

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.

Playbooks AI est un framework pour développeurs permettant de construire des agents IA via un DSL déclaratif de playbooks. Il permet l'intégration avec divers LLM, outils personnalisés et magasins de mémoire. Avec une CLI et une interface web, les utilisateurs peuvent définir le comportement de l'agent, orchestrer des workflows multi-étapes et surveiller l'exécution. Les fonctionnalités incluent le routage d'outils, la mémoire à état, le contrôle de version, l'analytique et la collaboration multi-agent, rendant la création de prototypes et le déploiement d'assistants IA prêts pour la production plus faciles.

AgentSea AI Hub est une plateforme d'IA robuste et un framework qui rationalise le développement et la gestion des agents de bout en bout. Il dispose d'un constructeur visuel drag-and-drop pour créer des personas, des flux de conversation et des compétences personnalisées sans expertise approfondie en codage. Les développeurs peuvent intégrer des API externes, des bases de connaissances et des bases de données, tandis que le module de gestion de mémoire intégré conserve le contexte entre les sessions. La plateforme supporte le déploiement multicanal incluant le web, mobile, chat, voix et e-mail, assurant des interactions utilisateur fluides. La surveillance détaillée des performances, les tests A/B et le contrôle des versions permettent une amélioration continue. Avec un contrôle d'accès basé sur les rôles et des espaces de travail collaboratifs, les équipes peuvent coordonner efficacement des projets complexes d'agents. AgentSea AI Hub accélère la création d'ouvriers digitaux, automatise les tâches répétitives et améliore l'engagement client grâce à l'automatisation intelligente.

SmolAgents Dynamic Tools étend le framework Python open-source SmolAgents pour permettre aux agents basés sur LLM de faire appel dynamiquement à des outils. Les agents peuvent appeler de façon transparente divers outils pré-construits — comme la recherche Web via SerpAPI, des calculatrices mathématiques, la récupération de date et d’heure, des opérations sur le système de fichiers et des gestionnaires de requêtes HTTP personnalisés — en fonction de l’intention de l’utilisateur et des chaînes de pensée. Les développeurs peuvent enregistrer des outils supplémentaires ou personnaliser ceux existants, permettant aux agents de gérer la récupération de données, la création de contenu, le calcul et l’intégration d’API externes dans une interface unifiée. En évaluant la disponibilité des outils en temps réel, SmolAgents Dynamic Tools optimise les workflows des agents, réduisant la logique codée en dur et améliore la modularité dans divers scénarios comme l’assistance à la recherche, la génération automatisée de rapports et l’extension de chatbots.

Taiga est un framework d'agent IA open-source basé sur Python conçu pour simplifier la création, l'orchestration et le déploiement d'agents autonomes utilisant de grands modèles de langage (LLM). Le framework comprend un système de plugins flexible pour l'intégration d'outils personnalisés et d'APIs externes, un module de mémoire configurable pour gérer le contexte conversationnel à court et long terme, et un mécanisme de chaînage de tâches pour séquencer des flux de travail à plusieurs étapes. Taiga offre également une journalisation intégrée, des métriques et une gestion des erreurs pour une utilisation en production. Les développeurs peuvent rapidement créer des agents avec des modèles, étendre la fonctionnalité via SDK, et déployer sur différentes plateformes. En abstraisant la complexité de l'orchestration, Taiga permet aux équipes de se concentrer sur la création d'assistants intelligents capables de rechercher, planifier et exécuter des actions sans intervention manuelle.

AgentSpeak est une implémentation open-source en Java du langage de programmation AgentSpeak(L), conçue pour faciliter la création et la gestion d'agents autonomes BDI (Croyance-Désir-Intention). Il possède un environnement d'exécution qui analyse le code AgentSpeak(L), maintient les bases de croyances des agents, déclenche des événements et sélectionne puis exécute des plans en fonction des croyances et objectifs actuels. L'interpréteur supporte l'exécution concurrente des agents, les mises à jour dynamiques de plans et des sémantiques personnalisables. Avec une architecture modulaire, les programmeurs peuvent étendre des composants centraux tels que la sélection de plans et la révision des croyances. AgentSpeak permet aux chercheurs et à l'industrie de prototyper, simuler et déployer des agents intelligents dans des simulations, des systèmes IoT et des scénarios multi-agents.

DataEnvGym offre une collection d'environnements modulaires et personnalisables construits sur l'API Gym pour faciliter la recherche en apprentissage par renforcement dans les domaines axés sur les données. Les chercheurs et les ingénieurs peuvent sélectionner parmi des tâches intégrées telles que le nettoyage de données, l'ingénierie des caractéristiques, la planification par lots et l'analytique en streaming. Le cadre prend en charge une intégration transparente avec les bibliothèques RL populaires, des métriques de benchmark standardisées et des outils de journalisation pour suivre la performance des agents. Les utilisateurs peuvent étendre ou combiner des environnements pour modéliser des pipelines de données complexes et évaluer des algorithmes dans des contraintes réalistes.

ElizaOS fournit une suite d'outils robuste pour concevoir, tester et déployer des agents IA autonomes dans des projets TypeScript. Les développeurs définissent les personnalités des agents, leurs objectifs et leurs hiérarchies de mémoire, puis utilisent le système de planification d'ElizaOS pour définir les flux de travail des tâches. Son architecture modulaire de connecteurs facilite l’intégration avec des plateformes de communication—Discord, Telegram, Slack, X—et des réseaux blockchain via des adaptateurs Web3. ElizaOS supporte plusieurs backends LLM (OpenAI, Anthropic, Llama, Gemini), permettant une transition transparente entre les modèles. La prise en charge des plugins étend la fonctionnalité avec des compétences personnalisées, des fonctions de journalisation et d’observabilité. À travers son CLI et SDK, les équipes peuvent itérer sur les configurations d'agents, surveiller la performance en direct, et faire évoluer les déploiements dans des environnements cloud ou sur site. ElizaOS permet aux entreprises d'automatiser les interactions client, l’engagement sur les réseaux sociaux et les processus métier avec des travailleurs numériques autonomes.

Java-Action-Shape est une bibliothèque d'actions dédiée conçue pour étendre le cadre multi-agent LightJason avec des capacités géométriques avancées. Elle fournit aux agents des actions toutes faites pour instancier des formes courantes (cercle, rectangle, polygone), appliquer des transformations (translation, rotation, mise à l'échelle) et effectuer des calculs analytiques (aire, périmètre, centroïde). Chaque action est thread-safe et s'intègre au modèle d'exécution asynchrone de LightJason, garantissant un traitement parallèle efficace. Les développeurs peuvent définir des formes personnalisées en spécifiant des sommets et des arêtes, les enregistrer dans le registre d'actions de l'agent et les inclure dans les définitions de plans. En centralisant la logique liée aux formes, Java-Action-Shape réduit le code boilerplate, impose des API cohérentes et accélère la création d'applications agent axées sur la géométrie, des simulations aux outils éducatifs.

LemLab est un framework modulaire pour le développement d'agents IA alimentés par de grands modèles de langage. Les développeurs peuvent définir des modèles d'invite personnalisés, chaîner des pipelines de raisonnement multi-étapes, intégrer des outils et API externes, et configurer des backends de mémoire pour stocker le contexte des conversations. Il comprend également des suites d'évaluation pour benchmarker la performance des agents sur des tâches définies. En fournissant des composants réutilisables et des abstractions claires pour les agents, outils et mémoire, LemLab accélère l'expérimentation, le débogage et le déploiement d'applications LLM complexes en recherche et en production.

L’Agent MCP offre une base solide pour la création d’assistants intelligents pilotés par IA, en proposant des composants modulaires pour l’intégration de modèles linguistiques, d’outils personnalisés et de sources de données. Ses fonctionnalités principales incluent l’appel dynamique d’outils basé sur les intentions des utilisateurs, la gestion de mémoire contextuelle pour des conversations à long terme, et un système de plugins flexible facilitant l’extension des capacités. Les développeurs peuvent définir des pipelines pour traiter les entrées, déclencher des API externes, et gérer des workflows asynchrones, tout en maintenant des journaux et des métriques transparents. Avec la prise en charge des grands modèles de langage (LLMs), des modèles adaptables, et le contrôle d’accès basé sur les rôles, l’Agent MCP facilite le déploiement d’agents IA évolutifs et maintenables en production. Que ce soit pour des chatbots d’assistance client, des robots RPA ou des assistants de recherche, l’Agent MCP accélère les cycles de développement et assure une performance cohérente dans tous les cas d’utilisation.