GPA-LM est un framework basé sur Python conçu pour simplifier la création et l'orchestration d'agents IA alimentés par de grands modèles linguistiques. Il comporte un planificateur qui décompose les instructions de haut niveau en sous-tâches, un exécuteur qui gère les appels d'outils et les interactions, et un module de mémoire qui conserve le contexte entre les sessions. L'architecture plugin permet aux développeurs d'ajouter des outils, API et logiques de décision personnalisés. Avec le support multi-agent, GPA-LM peut coordonner des rôles, répartir des tâches et agréger des résultats. Il s'intègre facilement à des LLM populaires comme OpenAI GPT et prend en charge le déploiement dans divers environnements. Le cadre accélère le développement d'agents autonomes pour la recherche, l'automatisation et la prototypie d'applications.

Nagato AI est un cadre d'agent IA extensible qui orchestre des flux de travail autonomes en combinant la planification des tâches, la gestion de la mémoire et l'intégration d'outils. Les utilisateurs peuvent définir des outils et APIs personnalisés, permettant à l'agent de récupérer des informations, d'effectuer des actions et de maintenir le contexte de la conversation sur de longues sessions. Avec son architecture plugin et son interface utilisateur conversationnelle, Nagato AI s'adapte à divers scénarios — de l'assistance à la recherche et l'analyse de données à la productivité personnelle et l'automatisation du support client — tout en restant entièrement open-source et convivial pour développeurs.

ROCKET-1 est une plateforme open-source d'orchestration d'agents IA conçue pour construire des systèmes multi-agents avancés. Elle permet aux utilisateurs de définir des pipelines d'agents à l'aide d'une API modulaire, permettant une chaînage seamless des modèles linguistiques, des plugins et des magasins de données. Les fonctionnalités clés incluent la mémoire sémantique pour maintenir le contexte à travers les sessions, l'intégration dynamique d'outils pour les API externes et les bases de données, ainsi que des tableaux de bord de surveillance intégrés pour suivre les métriques de performance. Les développeurs peuvent personnaliser les workflows avec peu de code, évoluer horizontalement via des déploiements conteneurisés, et étendre la fonctionnalité via une architecture de plugins. ROCKET-1 supporte le débogage en temps réel, les redémarrages automatiques et les contrôles de sécurité, ce qui le rend idéal pour les bots d'assistance client, les assistants de recherche et les tâches d'automatisation d'entreprise.

Chatbot-Grok fournit un cadre d'agent IA modulaire écrit en Python, destiné à simplifier le développement de bots conversationnels. Il supporte la gestion de dialogues multi-tours, conserve la mémoire de chat entre les sessions et permet aux utilisateurs de définir des modèles d'invite personnalisés. L'architecture est extensible, permettant aux développeurs d'intégrer divers LLMs, y compris Grok, et de se connecter à des plateformes telles que Telegram ou Slack. Avec une organisation claire du code et une structure conviviale pour les plugins, Chatbot-Grok accélère le prototypage et le déploiement de assistants de chat prêts pour la production.

CRM Data Agent exploite OpenAI GPT via LangChain pour interpréter les requêtes utilisateur en langage naturel et exécuter des tâches de récupération de données sur plusieurs systèmes CRM. Il prend en charge des connecteurs vers Salesforce via REST API, HubSpot via OAuth, et Zoho CRM, consolidant des données disparates en un magasin vectoriel uniforme. Les utilisateurs peuvent demander à l'agent de lister les meilleures affaires, de prévoir les revenus ou d'identifier les contacts inactifs. Des flux de travail intégrés automatisent la génération de rapports et l'envoi de résumés via Slack ou e-mail. Son architecture à plugins permet aux développeurs d'intégrer des sources de données personnalisées, de configurer la mémoire pour la conservation du contexte et d'adapter les modèles de prompt. En abstraisant les appels API et le traitement des données, CRM Data Agent accélère l'analyse et l'automatisation des workflows, permettant aux équipes de prendre des décisions éclairées plus rapidement.

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.

EspressoAI fournit aux développeurs un environnement structuré pour concevoir, configurer et déployer des agents IA alimentés par de grands modèles linguistiques. Il supporte l'enregistrement et l'appel d'outils dans le flux de travail de l'agent, gère le contexte conversationnel via des modules mémoire intégrés, et permet de chaîner les prompts pour le raisonnement multi-étapes. Les développeurs peuvent intégrer des API externes, des plugins personnalisés et une logique conditionnelle pour adapter le comportement de l'agent. La conception modulaire du framework garantit son extensibilité, permettant aux équipes d’échanger des composants, d’ajouter de nouvelles capacités ou de s’adapter aux LLM propriétaires sans réécrire la logique de base.

Granite Retrieval Agent offre aux développeurs une plateforme flexible pour construire des agents IA génératives augmentés par récupération combinant recherche sémantique et grands modèles linguistiques. Les utilisateurs peuvent ingérer des documents provenant de sources diverses, créer des embeddings vectoriels et configurer des index Azure Cognitive Search ou d'autres magasins vectoriels. Lorsqu’une requête arrive, l’agent récupère les passages les plus pertinents, construit des fenêtres contextuelles et appelle les API LLM pour des réponses ou résumés précis. Il supporte la gestion de la mémoire, l’orchestration en chaîne de la réflexion et des plugins personnalisés pour le pré et post-traitement. Déployable via Docker ou directement en Python, Granite Retrieval Agent accélère la création de chatbots basés sur la connaissance, assistants d'entreprise et systèmes Q&A avec moins d’hallucinations et une meilleure précision factuelle.

OCO-Agent exploite des modèles linguistiques compatibles OpenAI pour transformer des invites en processus exploitables. Il offre un système de plugins flexible pour intégrer API externes, commandes shell et routines de traitement de données. Le framework conserve l'historique de conversation et le contexte en mémoire, permettant des tâches longues et multi-étapes. Avec une interface CLI et une prise en charge de Docker, OCO-Agent accélère la prototypage et le déploiement d'assistants intelligents pour les opérations, l'analyse et la productivité des développeurs.

AgentChat est une plateforme centrée sur le développement pour la création de conversations IA multi-agent sophistiquées. Elle combine un backend FastAPI basé sur Python et une interface utilisateur React, permettant aux utilisateurs de définir des agents IA individuels avec des rôles distincts—tels que extracteur de données, analyste et résumeur—qui communiquent pour réaliser en collaboration des tâches complexes. En utilisant les modèles GPT d’OpenAI, AgentChat fournit un stockage de mémoire via Redis et supporte l’intégration d’outils personnalisés pour des tâches telles que les appels API, la collecte web et les requêtes de bases de données. La plateforme offre une surveillance des conversations en temps réel, des journaux de performance des agents et des pipelines d’agents configurables. Avec une architecture modulaire, les développeurs peuvent étendre les capacités des agents en ajoutant de nouveaux outils ou en ajustant les prompts, permettant des workflows automatisés personnalisés, des processus de prise de décision et des applications de découverte de connaissance.

L'Agno AI Agent est conçu pour aider les développeurs à construire rapidement des agents autonomes alimentés par de grands modèles de langage. Il fournit un registre d'outils modulaire, une gestion de la mémoire, des boucles de planification et d'exécution, ainsi qu'une intégration transparente avec des API externes (telles que la recherche web, les systèmes de fichiers et les bases de données). Les utilisateurs peuvent définir des interfaces d'outils personnalisés, configurer des personnalités d'agents et orchestrer des workflows complexes et multi-étapes. Les agents peuvent planifier des tâches, appeler des outils dynamiquement et apprendre des interactions précédentes pour améliorer la performance au fil du temps.

BAML Agents est conçu pour les développeurs et praticiens de l'IA cherchant une plateforme modulaire et extensible pour construire des agents autonomes. Il propose une architecture basée sur des plugins pour une intégration transparente des outils personnalisés, un sous-système de mémoire pour maintenir le contexte conversationnel et une prise en charge intégrée des workflows de raisonnement multi-étapes. Avec BAML Agents, les utilisateurs peuvent rapidement configurer le comportement de l'agent, se connecter à des API externes et orchestrer des tâches complexes sans réinventer les modèles d'agent courants. Son design léger et ses abstractions claires en font un outil idéal pour le prototypage, la recherche et les déploiements en production dans divers scénarios d'automatisation.

Le framework Besser Agentic offre une boîte à outils modulaire pour définir, coordonner et faire évoluer des agents IA. Il permet de configurer le comportement des agents, d’intégrer des outils et APIs externes, de gérer la mémoire et l’état des agents, et de surveiller l'exécution. Basé sur Python, il supporte des interfaces de plugin extensibles, la collaboration multi-agent et une journalisation intégrée. Les développeurs peuvent rapidement prototyper et déployer des agents pour des tâches telles que l'extraction de données, la recherche automatisée et les assistants conversationnels, le tout dans un cadre unifié.

BotSharp-UI est une interface moderne basée sur le navigateur conçue pour simplifier la création et la gestion d’agents conversationnels IA construits sur le framework BotSharp. Elle comprend un éditeur visuel pour les intentions et les entités, un constructeur d’arborescence de dialogue personnalisable, et un gestionnaire de données d’entraînement intégré. Les utilisateurs peuvent importer/exporter des ensembles de données, se connecter à plusieurs backends NLP (ex. Rasa, LUIS, TensorFlow), et annoter les expressions. La console de test intégrée simule les interactions utilisateur en temps réel, tandis que les tableaux de bord de performance offrent des insights sur la précision des intentions et l’engagement utilisateur. Les assistants de déploiement simplifient la publication des bots sur le web, mobile et les plateformes de messagerie. Avec un contrôle d’accès basé sur les rôles, le support multilingue, et une architecture de plugins, BotSharp-UI accélère les flux de travail de développement, réduit la complexité de configuration, et facilite la collaboration entre équipes techniques et commerciales sur les projets de chatbots.

Crayon permet aux développeurs de construire des agents IA autonomes en JavaScript/Node.js capables d’appeler des API externes, de maintenir l’historique de conversation, de planifier des tâches multi-étapes et de gérer des processus asynchrones. Au cœur, Crayon implémente une boucle de planification-exécution qui décompose des objectifs de haut niveau en actions discrètes, s’intègre avec des kits d’outils personnalisés, et utilise des modules de mémoire pour stocker et rappeler des informations à travers les sessions. Le framework supporte plusieurs backends de mémoire, une intégration d’outils via plugins et une journalisation complète pour le débogage. Les développeurs peuvent configurer le comportement des agents via des prompts et des pipelines basés sur YAML, permettant des workflows complexes comme le scraping de données, la génération de rapports et les chatbots interactifs. L’architecture de Crayon favorise l’extensibilité pour que les équipes puissent intégrer des outils spécifiques au domaine et adapter les agents à des besoins commerciaux uniques.

FMAS (Flexible Multi-Agent System) est une bibliothèque Python open-source pour construire, exécuter et visualiser des simulations multi-agents. Vous pouvez définir des agents avec une logique de décision personnalisée, configurer un modèle d'environnement, mettre en place des canaux de messagerie pour la communication et exécuter des simulations évolutives. FMAS fournit des hooks pour surveiller l'état des agents, déboguer les interactions et exporter les résultats. Son architecture modulaire supporte des plugins pour la visualisation, la collecte de métriques et l'intégration avec des sources de données externes, le rendant idéal pour la recherche, l'éducation et les prototypes réels de systèmes autonomes.