Agents-Deep-Research est conçu pour rationaliser le développement et le test d'agents IA autonomes en offrant une base de code modulaire et extensible. Il dispose d'un moteur de planification des tâches qui décompose les objectifs définis par l'utilisateur en sous-tâches, d'un module de mémoire à long terme qui stocke et récupère le contexte, et d'une couche d'intégration d'outils permettant aux agents d'interagir avec des API externes et des environnements simulés. Le cadre fournit également des scripts d'évaluation et des outils de benchmarking pour mesurer la performance des agents dans divers scénarios. Basé sur Python et adaptable à différents backend LLM, il permet aux chercheurs et développeurs de prototyper rapidement de nouvelles architectures d'agents, de réaliser des expériences reproductibles et de comparer différentes stratégies de planification dans des conditions contrôlées.

BotPlayers est un framework polyvalent open-source conçu pour simplifier le développement et le déploiement d'agents de jeu pilotés par IA. Il comprend une couche d'abstraction d'environnement flexible supportant le screen scraping, les API web ou des interfaces de simulation personnalisées, permettant aux bots d'interagir avec divers jeux. Le framework inclut des algorithmes d'apprentissage par renforcement intégrés, des algorithmes génétiques et des heuristiques basées sur des règles, ainsi que des outils pour la journalisation des données, le pointage des modèles et la visualisation des performances. Son système de plugins modulaire permet aux développeurs de personnaliser capteurs, actions et politiques IA en Python ou Java. BotPlayers propose également une configuration YAML pour un prototypage rapide et des pipelines automatisés pour l'entraînement et l'évaluation. Supportant plusieurs plates-formes comme Windows, Linux et macOS, ce framework accélère la recherche et la production d'agents de jeu intelligents.

CAMEL-AI est un framework basé sur Python permettant aux développeurs et chercheurs de construire, configurer et exécuter plusieurs agents IA autonomes alimentés par des LLMs. Il offre un support intégré pour la génération augmentée par récupération (RAG), l’utilisation d’outils externes, la communication entre agents, la gestion de la mémoire et de l’état, et la planification. Avec des composants modulaires et une intégration facile, les équipes peuvent prototyper des systèmes multi-agent complexes, automatiser des workflows et faire évoluer des expériences sur différents backends LLM.

CrewAI-Learning est une bibliothèque open-source conçue pour simplifier les projets d'apprentissage par renforcement multi-agent. Elle offre des structures d'environnements, des définitions modulaires d'agents, des fonctions de récompense personnalisables, et une suite d'algorithmes intégrés comme DQN, PPO, et A3C adaptés aux tâches collaboratives. Les utilisateurs peuvent définir des scénarios, gérer les boucles de formation, enregistrer les métriques et visualiser les résultats. Le framework supporte la configuration dynamique des équipes d'agents et les stratégies de partage de récompense, rendant facile le prototypage, l'évaluation et l'optimisation de solutions IA coopératives dans divers domaines.

Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.

LLM Playground sert d'outil complet pour les chercheurs et les développeurs intéressés par les grands modèles de langage (LLM). Les utilisateurs peuvent expérimenter avec différentes invites, évaluer les réponses des modèles et déployer des applications. La plateforme prend en charge une gamme de LLM et comprend des fonctionnalités de comparaison de performances, permettant aux utilisateurs de voir quel modèle convient le mieux à leurs besoins. Avec son interface accessible, LLM Playground vise à simplifier le processus d'interaction avec des technologies d'apprentissage machine sophistiquées, en faisant une ressource précieuse pour l'éducation et l'expérimentation.

MARFT est un LLM basé sur Python, permettant des expériences reproductibles et la prototypage rapide de systèmes IA collaboratifs.

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.

OpenPlayground est une plateforme open-source qui permet aux utilisateurs d'expérimenter et de comparer différents grands modèles de langage (LLMs). Elle est conçue pour aider les utilisateurs à comprendre les forces et les faiblesses de divers LLM en fournissant un environnement convivial et interactif. La plateforme peut être particulièrement utile pour les développeurs, les chercheurs et quiconque s'intéresse aux capacités de l'intelligence artificielle. Les utilisateurs peuvent facilement s'inscrire en utilisant leur compte Google ou leur e-mail.

Au cœur, RxAgent-Zoo est un cadre RL réactif qui traite les événements de données provenant des environnements, des buffers de retransmission et des boucles d'entraînement comme des flux observables. Les utilisateurs peuvent enchaîner des opérateurs pour prétraiter les observations, mettre à jour les réseaux et journaliser les métriques de manière asynchrone. La bibliothèque offre une prise en charge des environnements parallèles, des planificateurs configurables et une intégration avec les benchmarks Gym et Atari populaires. Une API plug-and-play permet de remplacer facilement les composants d'agents, facilitant la recherche reproductible, l'expérimentation rapide et les flux de travail d'entraînement évolutifs.

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.

StoreforGPT est une plateforme en ligne dédiée à la présentation des créations GPT personnalisées. Les utilisateurs peuvent explorer une grande variété de GPT adaptés à divers objectifs, facilitant ainsi la recherche de solutions IA répondant à des besoins spécifiques. La plateforme favorise l'innovation et l'engagement communautaire en permettant aux utilisateurs d'essayer et de partager leurs propres GPT. Que vous souhaitiez améliorer votre productivité, rationaliser vos tâches ou simplement expérimenter avec l'IA, StoreforGPT est l'endroit idéal pour découvrir de nouvelles possibilités.

Dreamspace.art est une plateforme polyvalente qui offre une toile infinie pour expérimenter des modèles d'IA. Elle permet aux utilisateurs d'exécuter des invites, de visualiser et de comparer des sorties, et de les enchaîner pour favoriser une meilleure compréhension et des insights sur les grands modèles de langage. Que vous soyez un chercheur analysant les sorties d'IA ou un professionnel créatif cherchant à organiser des idées en formats visuels, Dreamspace.art fournit les outils pour expérimenter et innover de manière responsable avec les technologies d'IA.

Dual Coding Agents offre une architecture modulaire pour construire des agents IA combinant de manière transparente compréhension visuelle et génération de langage. Le framework offre un support intégré pour les encodeurs d'images comme OpenAI CLIP, les modèles linguistiques basés sur transformer tels que GPT, et les orchestrent dans une pipeline en chaîne de pensée. Les utilisateurs peuvent fournir des images et des modèles de prompts à l'agent, qui traite les caractéristiques visuelles, raisonne sur le contexte et produit des sorties textuelles détaillées. Les chercheurs et les développeurs peuvent échanger des modèles, configurer des prompts et étendre les agents avec des plugins. Cette boîte à outils simplifie les expériences en IA multimodale, permettant de rapidement prototyper des applications allant de la question-réponse visuelle à l'analyse de documents, en passant par les outils d'accessibilité et les plateformes éducatives.

echoOLlama exploite l'écosystème Ollama pour fournir un cadre d'agent minimal : il lit l'entrée utilisateur du terminal, l'envoie à un LLM local configuré, et diffuse les réponses en temps réel. Les utilisateurs peuvent script des séquences d'interactions, enchaîner des prompts, et expérimenter l'ingénierie des prompts sans modifier le code modèle sous-jacent. Cela rend echoOLlama idéal pour tester des schémas de conversation, construire des outils simples en ligne de commande, et gérer des tâches itératives tout en préservant la confidentialité des données.

LLM Clash est une plateforme dynamique conçue pour les passionnés d'IA, les chercheurs et les amateurs qui souhaitent défier leurs grands modèles de langage (LLMs) dans des débats en temps réel contre d'autres LLMs. La plateforme est polyvalente, prenant en charge à la fois les modèles ajustés et ceux prêts à l'emploi, qu'ils soient hébergés localement ou dans le cloud. Cela en fait un environnement idéal pour tester et améliorer les performances et les capacités argumentatives de vos LLMs. Parfois, un prompt bien conçu est tout ce dont vous avez besoin pour faire pencher la balance lors d'un débat !

multi_agent_celar est conçue comme une plateforme d'IA modulaire permettant une communication à langage émergent entre plusieurs agents intelligents dans des environnements simulés. Les utilisateurs peuvent définir le comportement des agents via des fichiers de politique, configurer les paramètres de l'environnement, et lancer des sessions d'entraînement coordonnées où les agents font évoluer leurs propres protocoles de communication pour résoudre des tâches coopératives. Le cadre comprend des scripts d'évaluation, des outils de visualisation, et prend en charge des expériences évolutives, ce qui en fait une solution idéale pour la recherche en collaboration multi-agent, langage émergent et processus de décision.

SimCheck est une extension Chrome conçue pour aider les utilisateurs à générer, comparer et visualiser des embeddings vectoriels. Cette extension tire parti des modèles HuggingFace et de la bibliothèque transformers.js, offrant une interface facile à utiliser pour expérimenter avec des embeddings textuels. Les utilisateurs peuvent créer des embeddings, les comparer et visualiser les résultats, en faisant un outil précieux pour les développeurs, les data scientists et les passionnés de NLP. Elle est particulièrement utile pour comprendre les similitudes et les différences entre les données textuelles de manière plus intuitive et interactive.

Vanilla Agents est un cadre léger basé sur PyTorch qui fournit des implémentations modulaires et extensibles d'agents d'apprentissage par renforcement de base. Il supporte des algorithmes comme DQN, Double DQN, PPO et A2C, avec des wrappers d'environnement adaptables compatibles avec OpenAI Gym. Les utilisateurs peuvent configurer les hyperparamètres, enregistrer les métriques d'entraînement, sauvegarder les points de contrôle et visualiser les courbes d'apprentissage. La base de code est organisée pour la clarté, ce qui le rend idéal pour le prototypage de recherche, un usage éducatif et la mise en référence de nouvelles idées en RL.