Trinity-RFT (Retrieval Fine-Tuning) est un cadre open-source unifié conçu pour améliorer la précision et l'efficacité du modèle en combinant flux de travail de récupération et de fine-tuning. Les utilisateurs peuvent préparer un corpus, construire un index de récupération et insérer le contexte récupéré directement dans les boucles d'entraînement. Il supporte la récupération multimodale pour le texte, les images et la vidéo, s'intègre avec des magasins vectoriels populaires, et propose des métriques d'évaluation ainsi que des scripts de déploiement pour un prototypage rapide et un déploiement en production.

Agent-Baba offre une boîte à outils complète pour créer et gérer des agents IA autonomes adaptés à des tâches spécifiques. Il propose une architecture de plugins pour étendre les capacités, un système de mémoire pour conserver le contexte conversationnel, et une automatisation de flux de travail pour l'exécution séquentielle des tâches. Les développeurs peuvent intégrer des outils comme des scrapeurs web, des bases de données et des API personnalisées dans les agents. Le framework simplifie la configuration via des schémas déclaratifs YAML ou JSON, supporte la collaboration multi-agents, et fournit des tableaux de bord de surveillance pour suivre la performance et les logs des agents, permettant une amélioration itérative et un déploiement transparent dans différents environnements.

Agentfy offre une architecture modulaire pour construire des agents IA en combinant des LLM, des backends de mémoire et des intégrations d’outils dans une exécution cohésive. Les développeurs déclarent le comportement de l’agent à l’aide de classes Python, enregistrent des outils (API REST, bases de données, utilitaires) et choisissent des stockages mémoire (local, Redis, SQL). Le framework orchestre les invites, actions, appels d’outils et gestion du contexte pour automatiser les tâches. La CLI intégrée et le support Docker permettent un déploiement en un seul clic dans les environnements cloud, edge ou bureau.

AI Book Tools est une plateforme innovante conçue pour aider les utilisateurs à transformer le savoir des livres en insights pratiques. En utilisant des structures basées sur l'intelligence artificielle, l'outil permet aux utilisateurs de décomposer et d'analyser les concepts clés de leurs livres, permettant ainsi une mise en œuvre plus facile dans leur vie quotidienne. Des stratégies commerciales au développement personnel, AI Book Tools rend seamless la conversion de la connaissance théorique en étapes actionnables, garantissant que la sagesse des livres ne reste pas juste sur l'étagère mais impacte directement la vie des utilisateurs.

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.

Esquilax est un framework léger en TypeScript conçu pour construire et orchestrer des workflows complexes d'agents d'IA. Il fournit une API claire permettant aux développeurs de définir déclarativement des agents, d'assigner des modules de mémoire et d'intégrer des actions plugins telles que des appels API ou des requêtes en base de données. Avec un support intégré pour la gestion du contexte et la coordination multi-agent, Esquilax simplifie la création de chatbots, d'assistants numériques et de processus automatisés. Son architecture basée sur des événements permet de chaîner ou de déclencher dynamiquement des tâches, tandis que les outils de journalisation et de débogage offrent une visibilité complète sur les interactions des agents. En abstraction du code répétitif, Esquilax aide les équipes à prototyper rapidement des applications IA évolutives.

Geers AI Lang Graph fournit une couche d'abstraction basée sur un graphe pour construire des agents IA qui coordonnent plusieurs appels LLM et gèrent des connaissances structurées. En définissant des nœuds et des arêtes représentant des prompts, des données et de la mémoire, les développeurs peuvent créer des flux de travail dynamiques, suivre le contexte à travers les interactions et visualiser les flux d'exécution. Le framework supporte des intégrations de plugins pour divers fournisseurs LLM, la templatisation de prompt personnalisée et des graphes exportables. Il simplifie la conception itérative d'agents, améliore la rétention du contexte et accélère le prototypage d'assistants conversationnels, bots d'aide à la décision et pipelines de recherche.

Griptape fournit un cadre IA complet qui simplifie le développement et le déploiement d'agents IA. Elle équipe les développeurs d'outils pour la préparation des données (ETL), des services basés sur la récupération (RAG) et la gestion des flux de travail d'agents. La plateforme soutient la création de systèmes IA sécurisés et fiables sans la complexité des cadres IA traditionnels, permettant aux organisations d'exploiter efficacement leurs données pour des applications intelligentes.

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.

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.

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.

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.

LangMem fournit des capacités spécialisées de gestion de la mémoire pour les agents IA, leur permettant de conserver et de rappeler d'énormes quantités d'informations. Cet outil permet aux utilisateurs d'ajouter des souvenirs, de modifier des informations existantes et de récupérer des souvenirs en fonction de requêtes spécifiques. En intégrant la mémoire dans les processus IA, LangMem améliore la compréhension contextuelle et la pertinence des réponses, ce qui le rend inestimable pour les applications nécessitant un apprentissage et une adaptation continus.

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.

Cheat Layer est un puissant outil d'automatisation conçu pour optimiser les processus commerciaux. En utilisant des agents marketing basés sur le cloud, il automatise un large éventail de tâches, y compris les tests A/B à travers les démographies, la génération de contenu optimisé pour le SEO, et l'automatisation des flux de travail. Avec Atlas, le cadre d'IA, les utilisateurs peuvent créer des automatisations complexes en utilisant un langage simple, ce qui le rend accessible pour tous les niveaux de compétence technique. Cheat Layer est parfait pour optimiser la distribution de contenu, gérer des campagnes marketing, et renforcer les efforts de génération de leads.