L'agent Wumpus LLM est conçu pour simplifier le développement d'agents IA Socratic avancés en fournissant des utilitaires d'orchestration préfabriqués, des modèles de sollicitation structurés et une intégration d'outils transparente. Les utilisateurs définissent des personas d'agents, des ensembles d'outils, et des flux de conversation, puis exploitent la gestion intégrée de la chaîne de pensée pour une raisonnement transparent. Le framework gère les changements de contexte, la récupération d'erreurs, et la gestion de mémoire, permettant des processus décisionnels en plusieurs étapes. Il comprend une interface plugin pour API, bases de données, et fonctions personnalisées, permettant aux agents de naviguer sur le web, de consulter des bases de connaissances, ou d'exécuter du code. Avec une journalisation complète et un débogage, les développeurs peuvent tracer chaque étape de raisonnement, ajuster le comportement de l'agent, et déployer sur toute plateforme supportant Python 3.7+.

Agent-Go fournit un cadre modulaire pour construire des agents IA autonomes en Go. Il intègre des fournisseurs LLM (tels qu'OpenAI), des magasins de mémoire vectorielle pour la conservation du contexte à long terme, et un moteur de planification flexible qui décompose les demandes utilisateur en étapes exécutables. Les développeurs définissent et enregistrent des outils personnalisés (API, bases de données ou commandes shell) que les agents peuvent invoquer. Un gestionnaire de conversation suit l'historique du dialogue, tandis qu'un planificateur configurable orchestre les appels d'outils et les interactions LLM. Cela permet aux équipes de prototyper rapidement des assistants alimentés par l'IA, des flux de travail automatisés et des robots à visée task-oriented dans un environnement Go prêt pour la production.

AI-Agents offre une plateforme flexible et modulaire pour créer des agents autonomes pilotés par l'IA. Les développeurs peuvent définir des objectifs d'agents, chaîner des tâches et incorporer des modules de mémoire pour stocker et récupérer des informations contextuelles entre les sessions. Le framework supporte l'intégration avec les principaux LLM via des clés API, permettant aux agents de générer, évaluer et réviser des sorties. La prise en charge d'outils et de plugins personnalisables permet aux agents d'interagir avec des services externes tels que le web scraping, les requêtes de bases de données et les outils de rapport. À travers des abstractions claires pour la planification, l'exécution et les boucles de feedback, AI-Agents accélère la phase de prototypage et le déploiement de flux de travail automatisés intelligents.

AI Agent Example est un référentiel de démonstration pratique pour les développeurs et chercheurs souhaitant construire des agents intelligents alimentés par de grands modèles de langage (LLM). Le projet inclut un code d'exemple pour la planification d'agents, le stockage de mémoire et l'invocation d'outils, illustrant comment intégrer des API externes ou des fonctions personnalisées. Il propose une interface conversationnelle simple qui interprète les intentions de l'utilisateur, formule des plans d'action et exécute des tâches en appelant des outils prédéfinis. Les développeurs peuvent suivre des modèles clairs pour étendre l'agent avec de nouvelles capacités comme la planification d'événements, le scraping web ou le traitement automatisé de données. Offrant une architecture modulaire, ce modèle accélère l'expérimentation avec des workflows pilotés par l'IA et des assistants numériques personnalisés tout en donnant un aperçu de l'orchestration des agents et de la gestion d'état.

AI Agents Tools est un cadre Python complet permettant aux développeurs de composer rapidement des agents IA en tirant parti de l'appel de fonction OpenAI. La bibliothèque encapsule une suite d'outils modulaires, notamment la recherche web, la navigation dans le navigateur, la récupération de Wikipedia, l'exécution de REPL Python et l'intégration de la mémoire vectorielle. En définissant des modèles d'agents—tels que des agents à outil unique, des agents à boîte à outils et des flux de travail gérés par rappel—les développeurs peuvent orchestrer des pipelines de raisonnement à plusieurs étapes. La boîte à outils abstrait la complexité de la sérialisation de fonction et de la gestion des réponses, offrant une intégration transparente avec les modèles de langage OpenAI. Elle supporte l'enregistrement dynamique d'outils et le suivi de l'état de mémoire, permettant aux agents de rappeler des interactions passées. Adaptée à la création de chatbots, d'assistants de recherche autonomes et d'agents d'automatisation des tâches, AI Agents Tools accélère l'expérimentation et le déploiement de flux de travail basés sur l'IA personnalisés.

CL4R1T4S permet aux développeurs de créer des agents d'IA en offrant des abstractions clés : Agent, Memory, Tools et Chain. Les agents peuvent utiliser des LLM pour traiter les entrées, appeler des fonctions externes et maintenir le contexte entre les sessions. Les modules de mémoire stockent l'historique des conversations ou la connaissance du domaine. Les outils enveloppent les appels API, permettant aux agents de récupérer des données ou d'effectuer des actions. Les chaînes définissent des étapes séquentielles pour des tâches complexes comme l'analyse de documents, l'extraction de données ou les requêtes itératives. Le cadre gère de manière transparente les modèles de prompts, les appels de fonctions et la gestion des erreurs. Avec CL4R1T4S, les équipes peuvent prototyper des chatbots, des automatisations et des systèmes de support décisionnel, en utilisant le paradigme fonctionnel et l'écosystème riche de Clojure.

Fast-LLM-Agent-MCP est un cadre Python léger open-source pour construire des agents IA combinant gestion de mémoire, raisonnement en chaîne et planification multi-étapes. Les développeurs peuvent l'intégrer avec OpenAI, Azure OpenAI, Llama local et d'autres modèles pour maintenir le contexte de conversation, générer des traces de raisonnement structurées et décomposer des tâches complexes en sous-tâches exécutables. Son design modulaire permet l'intégration d'outils personnalisés et de stockages de mémoire, idéal pour des applications telles que les assistants virtuels, les systèmes d'aide à la décision et les bots de support client automatisés.

Le MCP Browser Agent est un cadre d'agent IA autonome basé sur le navigateur qui exploite de grands modèles linguistiques pour effectuer la navigation Web, le scraping de données, la synthèse de contenu, l'interaction avec les formulaires et des séquences de tâches automatisées. Construit comme une bibliothèque JavaScript légère, il s'intègre parfaitement aux API GPT d'OpenAI, permettant aux développeurs de définir programmétiquement des actions personnalisées, des magasins de mémoire et des chaînes de prompts. L'agent peut cliquer sur des liens, remplir des formulaires, extraire des données de tableau et résumer le contenu de la page à la demande. Il supporte l'exécution asynchrone, la gestion des erreurs et la persistance de session via le stockage du navigateur. Avec des interfaces personnalisables et des modules d'action extensibles, MCP Browser Agent simplifie la création d'assistants intelligents pour le navigateur afin d'augmenter la productivité, de rationaliser les flux de travail et de réduire les tâches manuelles de navigation dans diverses applications web.

Multi-Agent-LLM est conçu pour simplifier l'orchestration de plusieurs agents IA alimentés par de grands modèles de langage. Les utilisateurs peuvent définir des agents individuels avec des personas uniques, un stockage mémoire et l'intégration d'outils ou API externes. Un AgentManager central gère les boucles de communication, permettant aux agents d'échanger des messages dans un environnement partagé et de progresser collectivement vers des objectifs complexes. Le framework supporte la permutation des fournisseurs LLM (par ex., OpenAI, Hugging Face), des modèles de prompt flexibles, des historiques de conversation et des contextes d'outils étape par étape. Les développeurs bénéficient d'utilitaires intégrés pour la journalisation, la gestion des erreurs et le spawning dynamique d'agents, ce qui permet une automatisation évolutive des flux de travail multi-étapes, des tâches de recherche et des pipelines de décision.