LLM State Machine est un framework Python open-source conçu pour construire des agents IA utilisant des machines à états explicites. Les développeurs définissent des états comme des étapes discrètes—chacune invoquant un grand modèle linguistique ou une logique personnalisée—et des transitions basées sur des sorties. Cette approche offre clarté, maintenabilité et une gestion robuste des erreurs pour des workflows multi-étapes alimentés par LLM, tels que le traitement de documents, les bots conversationnels ou les pipelines d'automatisation.

Modus est un framework orienté développeur qui simplifie la création d'agents d'IA en fournissant des composants principaux pour l'intégration de LLM, le stockage de mémoire et l'orchestration d'outils. Il supporte des bibliothèques d'outils basées sur des plugins, permettant aux agents d'exécuter des tâches telles que la récupération de données, l'analyse et l'exécution d'actions. Avec des modules de mémoire intégrés, les agents peuvent maintenir le contexte de conversation et apprendre au fil des interactions. Son architecture extensible accélère le développement et le déploiement de l'IA dans diverses applications.

MultiAgent-Systems-StarCraft2-PySC2-Raw fournit un kit complet pour le développement, l'entraînement et l'évaluation de multiples agents IA dans StarCraft II. Il expose des contrôles de bas niveau pour le déplacement d'unités, la visée et les capacités, tout en permettant une conception flexible de récompenses et de scénarios. Les utilisateurs peuvent facilement insérer des architectures neuronales personnalisées, définir des stratégies de coordination en équipe et enregistrer des métriques. Basé sur PySC2, il supporte l'entraînement en parallèle, la création de points de contrôle et la visualisation, ce qui en fait un outil idéal pour faire progresser la recherche en apprentissage par renforcement multi-agent coopératif et adversarial.

Trainable Agents est conçu comme une boîte à outils modulaire et extensible pour le développement rapide et la formation d'agents IA alimentés par des modèles de langage avancés. Le framework abstrait des composants clés tels que les environnements d'interaction, les interfaces de politique et les boucles de rétroaction, permettant aux développeurs de définir des tâches, de fournir des démonstrations et d'implémenter des fonctions de récompense en toute simplicité. Avec la prise en charge intégrée d'OpenAI GPT et Anthropic Claude, la bibliothèque facilite la mémorisation d'expérience, la formation par lots et l'évaluation des performances. Trainable Agents comprend également des utilitaires pour la journalisation, le suivi des métriques et l'exportation des politiques entraînées pour le déploiement. Que ce soit pour créer des chatbots conversationnels, automatiser des flux de travail ou mener des recherches, ce framework rationalise l'ensemble du cycle de vie, du prototype à la production, dans un package Python unifié.

Coffee-Shop-AI-Agents est un cadre open-source pour construire et déployer des agents IA spécialisés automatisant les fonctions clés des cafés. En exploitant LangChain et les modèles OpenAI, le projet propose des agents modulaires, y compris un agent barista qui gère les commandes complexes, recommande des personnalisations et gère la disponibilité des ingrédients. L'agent caissier traite les paiements, délivre des reçus numériques et suit les métriques de vente. Un agent manager génère des prévisions d'inventaire, suggère des calendriers de réapprovisionnement et analyse les performances. Avec des invites et des configurations de pipeline personnalisables, les développeurs peuvent adapter rapidement les agents aux politiques et aux menus spécifiques de leur boutique. Le dépôt inclut des scripts de configuration, des intégrations API et des workflows exemples pour simuler des interactions clients réalistes et des analytics opérationnels dans un environnement convivial.

L'exemple d'agents LLM offre une base de code pratique pour construire des agents IA en Python. Il démontre l'enregistrement d'outils personnalisés (recherche web, solveur mathématique via WolframAlpha, analyseur CSV, REPL Python), la création d'agents de chat et basés sur la récupération, ainsi que la connexion à des magasins vectoriels pour la réponse aux questions de documents. Le dépôt illustre des modèles pour maintenir la mémoire conversationnelle, dispatcher dynamiquement les appels aux outils et enchaîner plusieurs invites LLM pour résoudre des tâches complexes. Les utilisateurs apprennent à intégrer des API tierces, structurer les flux de travail des agents et étendre le cadre avec de nouvelles fonctionnalités — un guide pratique pour l'expérimentation et le prototypage par les développeurs.

pyafai est une bibliothèque Python open source conçue pour aider les développeurs à architecturer, configurer et exécuter des agents IA autonomes. Elle offre des modules plug-in pour la gestion de la mémoire pour conserver le contexte, l'intégration d'outils pour les appels API externes, des observateurs pour la surveillance de l'environnement, des planificateurs pour la prise de décision, et un orchestrateur pour gérer les boucles d'agents. Les fonctionnalités de journalisation et de surveillance offrent une visibilité sur les performances et le comportement des agents. pyafai prend en charge les principaux fournisseurs LLM, permet la création de modules personnalisés, et réduit le code boilerplate pour permettre aux équipes de prototyper rapidement des assistants virtuels, des robots de recherche et des workflows d'automatisation avec un contrôle complet sur chaque composant.

X AI Agent offre une architecture modulaire pour la construction d'agents intelligents. Il prend en charge une intégration transparente avec des outils et APIs externes, des modules de mémoire configurables et une orchestration multi-LLM. Les développeurs peuvent définir des compétences personnalisées, des connecteurs d'outils et des flux de travail dans le code, puis déployer des agents qui récupèrent des données, génèrent du contenu, automatisent des processus et gèrent des dialogues complexes de manière autonome.

Les Agents Économiques Autonomes (AEA) de Fetch.ai sont un cadre polyvalent qui permet aux développeurs de concevoir, mettre en œuvre et orchestrer des agents logiciels autonomes capables d'interagir entre eux, avec des environnements externes et des registres numériques. Exploitant une architecture basée sur des plugins, AEA fournit des modules préconstruits pour les protocoles de communication, les API de registre cryptographique, l'identité décentralisée et les compétences de prise de décision personnalisables. Les agents peuvent découvrir et effectuer des transactions dans des marchés décentralisés, réaliser des comportements guidés par des objectifs et s'adapter via des flux de données en temps réel. Le cadre prend en charge des outils de simulation pour tester et déboguer des scénarios multi-agents, ainsi que leur déploiement sur des blockchains en direct ou des réseaux peer-to-peer. Avec une interopérabilité intégrée et une messagerie agent-à-agent, AEA simplifie le développement d'applications économiques autonomes complexes telles que le commerce d'énergie, l'optimisation de la chaîne d'approvisionnement et la coordination intelligente de l'IoT.

HFO_DQN combine Python et TensorFlow pour fournir une chaîne complète pour entraîner des agents de football utilisant Deep Q-Networks. Les utilisateurs peuvent cloner le dépôt, installer les dépendances incluant le simulateur HFO et les bibliothèques Python, et configurer les paramètres d'entraînement dans des fichiers YAML. Le cadre implémente la mémoire d'expérience, les mises à jour du réseau cible, l'exploration ε-greedy, et le façonnage de récompenses spécifique au domaine offense de moitié terrain. Il comprend des scripts pour l'entraînement des agents, la journalisation des performances, des matchs d'évaluation, et la réalisation de graphiques. La structure modulaire du code permet d'intégrer des architectures neural personnalisées, des algorithmes RL alternatifs, et des stratégies de coordination multi-agents. Les sorties incluent des modèles entraînés, des métriques de performance, et des visualisations du comportement, facilitant la recherche en apprentissage par renforcement et systèmes multi-agents.