Janus Pro est un cadre d'IA innovant développé par Deepseek qui unifie la compréhension multimodale et la génération d'images. Il va au-delà des modèles précédents en incorporant un système d'encodage visuel découplé tout en maintenant une architecture de transformateur unifiée. Ce modèle excelle dans les tâches de génération de texte à image et d'image à texte, offrant performances et stabilité supérieures. Disponible en variantes de 1B et 7B paramètres, Janus Pro est conçu pour un usage commercial et de recherche, offrant de larges applications dans divers domaines.

LlamaIndex est un cadre innovant qui permet aux développeurs de créer des applications exploitant de grands modèles de langage. En fournissant des outils pour connecter des sources de données personnalisées, LlamaIndex garantit que vos données sont utilisées efficacement dans des applications d'IA génératives. Il prend en charge divers formats et types de données, permettant une intégration et une gestion transparentes des sources de données à la fois privées et publiques. Cela facilite la création d'applications intelligentes qui répondent précisément aux requêtes des utilisateurs ou accomplissent des tâches en utilisant des données contextuelles, améliorant ainsi l'efficacité opérationnelle.

Ce cadre permet aux utilisateurs de concevoir, configurer et déployer plusieurs agents IA qui communiquent via des messages JSON à travers un orchestrateur central. Chaque agent peut avoir des rôles, des invites et des modules de mémoire distincts, et il est possible d'intégrer n'importe quel fournisseur LLM en implémentant une interface de fournisseur. Le système supporte l'historique de conversation persistant, le routage dynamique et les extensions modulaires. Idéal pour simuler des débats, automatiser des flux de support client ou coordonner la génération de documents en plusieurs étapes. Il fonctionne sous Python avec un support Docker pour les déploiements conteneurisés.

Multi-Agent Coordination fournit une API légère pour définir des agents IA, les enregistrer auprès d’un coordinateur central et dispatcher des tâches pour la résolution collaborative de problèmes. Il gère le routage des messages, le contrôle de la concurrence et l’agrégation des résultats. Les développeurs peuvent intégrer des comportements d'agents personnalisés, étendre les canaux de communication et surveiller les interactions via la journalisation intégrée et les hooks. Ce framework simplifie le développement de flux de travail IA distribués, où chaque agent se spécialise dans une sous-tâche et le coordinateur assure une collaboration fluide.

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.

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.

MADDPG évolutif est un cadre orienté recherche pour l'apprentissage par renforcement multi-agent, offrant une implémentation évolutive de l'algorithme MADDPG. Il comprend des critiques centralisés lors de l'entraînement et des acteurs indépendants à l'exécution pour la stabilité et l'efficacité. La bibliothèque comprend des scripts Python pour définir des environnements personnalisés, configurer des architectures réseau et ajuster des hyperparamètres. Les utilisateurs peuvent entraîner plusieurs agents en parallèle, surveiller les métriques et visualiser les courbes d'apprentissage. Il s'intègre à des environnements similaires à OpenAI Gym et supporte l'accélération GPU via TensorFlow. Grâce à ses composants modulaires, MADDPG évolutif permet une expérimentation flexible sur des tâches multi-agents coopératives, compétitives ou mixtes, facilitant la prototypage rapide et le benchmarking.

SuperPilot est un cadre d'agent IA autonome utilisant de grands modèles linguistiques pour effectuer des tâches à plusieurs étapes sans intervention manuelle. En intégrant GPT et des modèles Anthropic, il peut générer des plans, appeler des outils externes tels qu'un navigateur sans interface pour le web scraping, un terminal pour exécuter des commandes shell, et des modules de mémoire pour la conservation du contexte. Les utilisateurs définissent des objectifs, et SuperPilot orchestre dynamiquement des sous-tâches, maintient une file d'attente de tâches, et s’adapte aux nouvelles informations. Son architecture modulaire permet d’ajouter des outils personnalisés, d’ajuster les paramètres des modèles, et de consigner les interactions. Avec des boucles de rétroaction intégrées, les entrées humaines peuvent affiner la prise de décision et améliorer les résultats. Cela rend SuperPilot adapté à l’automatisation de la recherche, des tâches de programmation, des tests, et des flux de travail de traitement de données routiniers.

TensorFlow fournit un écosystème complet pour le développement de modèles d'apprentissage automatique, supportant des tâches telles que le traitement des données, la formation de modèles et le déploiement. Avec sa flexibilité et sa scalabilité, TensorFlow permet de construire des architectures complexes comme les réseaux de neurones, facilitant des applications dans des domaines tels que la vision par ordinateur, le traitement du langage naturel et la robotique.

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.

HyperChat est un cadre d'agent IA centré sur le développeur, qui simplifie l'intégration de l'IA conversationnelle dans les applications. Il unifie les connexions à divers fournisseurs de LLM, gère le contexte de la session et la persistance de la mémoire, et fournit des réponses partielles en streaming pour des interfaces réactives. La prise en charge intégrée des appels de fonctions et des plugins permet d'exécuter des API externes, d'enrichir les conversations avec des données et actions du monde réel. Son architecture modulaire et sa boîte à outils UI permettent un prototypage rapide et des déploiements en production sur web, Electron et Node.js.

Autonomys Agents permet aux développeurs de créer des agents IA autonomes capables d’exécuter des tâches complexes sans intervention manuelle. Basé sur Python, le framework fournit des outils pour définir le comportement des agents, intégrer des API externes et des fonctions personnalisées, et maintenir une mémoire conversationnelle tout au long des interactions. Les agents peuvent collaborer dans des configurations multi-agents, partager des connaissances et coordonner leurs actions. Les modules d’observabilité offrent des journaux en temps réel, le suivi de la performance et des insights pour le débogage. Avec son architecture modulaire, les équipes peuvent étendre les composants principaux, intégrer de nouveaux LLM et déployer des agents dans différents environnements. Que ce soit pour automatiser le support client, effectuer des analyses de données ou orchestrer des workflows de recherche, Autonomys Agents simplifie le développement et la gestion de systèmes intelligents autonomes de bout en bout.

Avalon-LLM est un cadre d'IA multi-agent basé sur Python qui permet aux utilisateurs d'orchestrer plusieurs agents pilotés par LLM dans un environnement coordonné. Chaque agent peut être configuré avec des outils spécifiques — y compris la recherche web, les opérations sur fichiers et les API personnalisés — pour réaliser des tâches spécialisées. Le cadre supporte des modules de mémoire pour stocker le contexte des conversations et les connaissances à long terme, un raisonnement en chaîne pour améliorer la prise de décision, et des pipelines d’évaluation intégrés pour benchmarker la performance des agents. Avalon-LLM offre un système de plugins modulaire, permettant aux développeurs d’ajouter ou de remplacer facilement des composants comme les fournisseurs de modèles, les kits d’outils et les magasins de mémoire. Avec des fichiers de configuration simples et des interfaces en ligne de commande, les utilisateurs peuvent déployer, surveiller et étendre des flux de travail d’IA autonomes adaptés pour la recherche, le développement et la production.

Le SDK JavaScript Azure AI Agents est un cadre client et un référentiel de code d'exemples permettant aux développeurs de créer, personnaliser et orchestrer des agents IA à l'aide d'Azure OpenAI et d'autres services cognitifs. Il offre un support pour le chat multi-tours, la génération augmentée par récupération, l'appel de fonctions et l'intégration avec des outils et API externes. Les développeurs peuvent gérer les flux de travail des agents, gérer la mémoire et étendre les capacités via des plugins. Les modèles d'exemples incluent des bots de FAQ de base de connaissances, des exécuteurs de tâches autonomes et des assistants conversationnels, facilitant la prototypage et le déploiement de solutions intelligentes.

bedrock-agent est un cadre d'IA polyvalent qui s'intègre à la suite de grands modèles de langage d'AWS Bedrock pour orchestrer des flux de travail complexes et axés sur des tâches. Il propose une architecture de plugins pour enregistrer des outils personnalisés, des modules de mémoire pour la persistance du contexte et un mécanisme de raisonnement en chaîne pour une réflexion améliorée. Grâce à une API Python simple et une interface en ligne de commande, il permet aux développeurs de définir des agents pouvant appeler des services externes, traiter des documents, générer du code ou interagir avec les utilisateurs via chat. Les agents peuvent être configurés pour sélectionner automatiquement les outils pertinents en fonction des prompts utilisateur et maintenir un état de conversation entre les sessions. Ce cadre est open-source, extensible et optimisé pour un prototypage rapide et le déploiement d'assistants IA sur des environnements locaux ou AWS cloud.

Le framework BeeAI offre une architecture entièrement modulaire pour construire des agents intelligents capables d'effectuer des tâches, de gérer des états et d'interagir avec des outils externes. Il comprend un gestionnaire de mémoire pour la conservation à long terme du contexte, un système de plugins pour l'intégration de compétences personnalisées, ainsi qu'un support intégré pour le chaînage d'API et la coordination multi-agents. Le framework propose des SDKs Python et JavaScript, une interface en ligne de commande pour la création de projets et des scripts de déploiement pour le cloud, Docker ou les dispositifs Edge. Des tableaux de bord de surveillance et des outils de journalisation aident à suivre la performance des agents et à diagnostiquer les problèmes en temps réel.

Au cœur, DAGent représente les workflows d'agents comme un graphe acyclique dirigé de nœuds, où chaque nœud peut encapsuler un appel LLM, une fonction personnalisée ou un outil externe. Les développeurs définissent explicitement les dépendances des tâches, permettant l'exécution parallèle et la logique conditionnelle, tandis que le framework gère la planification, le passage des données et la récupération d'erreurs. DAGent fournit également des outils de visualisation intégrés pour inspecter la structure et le flux d'exécution du DAG, améliorant le débogage et la traçabilité. Avec des types de nœuds extensibles, le support de plugins, et une intégration transparente avec des fournisseurs LLM populaires, DAGent permet aux équipes de créer des applications d'IA complexes et multi-étapes telles que pipelines de données, agents conversationnels, et assistants de recherche automatisés avec un minimum de code boilerplate. La focalisation sur la modularité et la transparence rend cet outil idéal pour l'orchestration évolutive des agents dans les environnements expérimentaux et de production.

Java Action Generic est une bibliothèque légère et modulaire qui permet aux développeurs d'implémenter des comportements d'agents autonomes en Java en définissant des actions génériques. Les actions sont des unités de travail paramétrables que les agents peuvent exécuter, planifier et assembler à l'exécution. Le framework offre une interface cohérente pour les actions, permettant aux développeurs de créer des actions personnalisées, gérer les paramètres des actions et s'intégrer à la gestion du cycle de vie des agents LightJason. Avec le support pour l'exécution basée sur les événements et la concurrence, les agents peuvent réaliser des tâches telles que la prise de décision dynamique, l'interaction avec des services externes et l'orchestration de comportements complexes. La bibliothèque favorise la réutilisabilité et une conception modulaire, adaptée à la recherche, aux simulations, à l'IoT et aux applications d'IA de jeux sur toutes plateformes supportant la JVM.

Kin Kernel est un noyau léger open-source pour la construction de travailleurs numériques alimentés par IA. Il fournit un système unifié pour orchestrer de grands modèles de langage, gérer la mémoire contextuelle et intégrer des outils ou API personnalisés. Avec une architecture basée sur les événements, Kin Kernel supporte l'exécution asynchrone de tâches, le suivi des sessions et des plugins extensibles. Les développeurs définissent le comportement des agents, enregistrent des fonctions externes, et configurent le routage multi-LLM pour automatiser des workflows allant de l'extraction de données au support client. Le framework inclut aussi une journalisation intégrée et une gestion d'erreurs pour faciliter la surveillance et le débogage. Conçu pour la flexibilité, Kin Kernel peut être intégré dans des services web, microservices ou applications Python autonomes, permettant aux organisations de déployer des agents IA robustes à grande échelle.

Memonto fonctionne comme une bibliothèque intermédiaire pour les agents IA, orchestrant tout le cycle de vie de la mémoire. Lors de chaque tour de conversation, il enregistre les messages utilisateur et IA, distille les détails importants et crée des résumés concis. Ces résumés sont convertis en embeddings et stockés dans des bases de données vectorielles ou des systèmes de fichiers. Lors de la création de nouveaux prompts, Memonto effectue des recherches sémantiques pour récupérer les souvenirs historiques les plus pertinents, permettant aux agents de maintenir le contexte, de se souvenir des préférences de l'utilisateur et de fournir des réponses personnalisées. Il supporte plusieurs backends de stockage (SQLite, FAISS, Redis) et offre des pipelines configurables pour l'intégration de l'embedding, du résumé et de la récupération. Les développeurs peuvent intégrer Memonto de manière transparente dans des frameworks d'agents existants, renforçant ainsi la cohérence et l'engagement à long terme.