autogen4j est une bibliothèque Java légère conçue pour abstraire la complexité de la construction d'agents AI autonomes. Elle offre des modules principaux pour la planification, le stockage de la mémoire et l'exécution d'actions, permettant aux agents de décomposer des objectifs de haut niveau en sous-tâches séquentielles. Le framework s'intègre avec des fournisseurs de LLM (par exemple, OpenAI, Anthropic) et permet l'enregistrement d'outils personnalisés (clients HTTP, connecteurs de base de données, lecture/écriture de fichiers). Les développeurs définissent des agents via un DSL fluide ou des annotations, assemblant rapidement des pipelines pour l'enrichissement de données, la génération automatisée de rapports et les bots conversationnels. Un système de plugins extensible assure la flexibilité, permettant des comportements ajustés pour diverses applications.

Automation Chatbot est conçu pour rationaliser les flux de travail répétitifs en permettant aux utilisateurs d'interagir avec des services connectés via une IA conversationnelle. Propulsé par des modèles OpenAI et un stockage vectoriel Chroma, l'agent conserve le contexte entre sessions, rappelle des interactions passées et exécute des actions sur des plateformes telles que Slack, Google Drive et Calendar. Avec une architecture modulaire de connecteurs, les développeurs peuvent ajouter des intégrations pour l'email, la gestion de fichiers ou des API personnalisés. Un module de planification intégré permet de déclencher automatiquement des actions basées sur le temps ou des événements externes. En utilisant des définitions TypeScript, le système valide l'entrée/sortie et génère automatiquement des extraits de code. La structure peut fonctionner sur des machines locales ou des environnements conteneurisés, offrant une extensibilité et des contrôles de sécurité tels que OAuth2 et la gestion des clés API. Cela permet aux organisations de déployer une automatisation basée sur le chat adaptée à leurs besoins opérationnels.

Autonomais est un cadre d'agents IA modulaires conçu pour une autonomie totale dans la planification et l'exécution des tâches. Il intègre de grands modèles de langage pour générer des plans, orchestre les actions via un pipeline personnalisable et stocke le contexte dans des modules de mémoire pour une réflexion cohérente sur plusieurs étapes. Les développeurs peuvent connecter des outils externes comme des scrapeurs Web, des bases de données et des API, définir des gestionnaires d'actions personnalisés et affiner le comportement des agents via des compétences configurables. Le framework prend en charge la journalisation, la gestion des erreurs et le débogage étape par étape, garantissant une automatisation fiable des tâches de recherche, de l'analyse de données et des interactions Web. Avec son architecture extensible basée sur des plugins, Autonomais permet un développement rapide d'agents spécialisés capables de prises de décision complexes et d'utilisation dynamique d'outils.

Les Agents Autonomes sont une bibliothèque Python open-source conçue pour simplifier la création d'agents d'IA autonomes alimentés par de grands modèles de langage. En abstraisant des composants clés tels que la perception, le raisonnement et l'action, ils permettent aux développeurs de définir des outils, des mémoires et des stratégies personnalisés. Les agents peuvent planifier de manière autonome des tâches multi-étapes, interroger des API externes, traiter des résultats via des parseurs personnalisés et maintenir un contexte conversationnel. Le cadre prend en charge la sélection dynamique d'outils, l'exécution séquentielle et parallèle des tâches, ainsi que la persistance de la mémoire, permettant une automatisation robuste allant de l'analyse de données et la recherche à la synthèse de courriels et le web scraping. Son design extensible facilite l'intégration avec différents fournisseurs de LLM et modules personnalisés.

ExampleAgent est une boîte à outils axée sur le développement pour accélérer la création d'assistants pilotés par l'IA. Il s'intègre directement aux modèles GPT d'OpenAI pour gérer la compréhension et la génération du langage naturel et propose un système plug-in pour ajouter des outils ou API personnalisés. Le framework gère le contexte de conversation, la mémoire et la gestion des erreurs, permettant aux agents d'effectuer la récupération d'informations, l'automatisation des tâches et des workflows de prise de décision. Avec des modèles de code clairs, une documentation et des exemples, les équipes peuvent rapidement créer des agents spécifiques au domaine pour les chatbots, l'extraction de données, la planification, etc.

Jaaz est un cadre d'agent IA extensible conçu pour créer des solutions de chatbot et d'assistant vocal hautement interactifs. Construit sur Node.js et JavaScript, il fournit des modules principaux pour la gestion des dialogues, la mémoire contextuelle à long terme et l'intégration d'API tierces, permettant l'utilisation dynamique d'outils lors des conversations. Les développeurs peuvent définir des compétences personnalisées, exploiter de grands modèles linguistiques pour la compréhension du langage naturel et intégrer des moteurs de parole-texte et texte-parole pour des expériences vocales. L'architecture modulaire de Jaaz simplifie le déploiement sur les infrastructures cloud et sur site, supportant la création rapide de prototypes et des workflows à niveau production.

JASA fournit un ensemble complet de bibliothèques Java pour construire et exécuter des simulations de systèmes multi-agents. Il supporte la gestion du cycle de vie des agents, la planification d'événements, la transmission asynchrone de messages et la modélisation d'environnements. Les développeurs peuvent étendre les classes principales pour implémenter des comportements personnalisés, intégrer des sources de données externes et visualiser les résultats de la simulation. La conception modulaire et la documentation API claire facilitent la création rapide de prototypes et la scalabilité, ce qui le rend adapté à la recherche académique, à l'enseignement et au développement de preuves de concept en modélisation basée sur les agents.

L’interface LangServe Assistant UI est une application frontale modulaire construite avec React et TypeScript qui communique parfaitement avec le backend LangServe pour offrir une expérience IA conversationnelle complète. Elle fournit des fenêtres de chat personnalisables, un streaming en temps réel des messages, des invites contextuelles, une orchestration multi-agent et des hooks pour API externes. L’UI supporte le theming, la localisation, la gestion des sessions et des hooks d’événements pour capturer les interactions utilisateur. Elle peut être intégrée dans des applications Web existantes ou déployée comme une SPA autonome, permettant un déploiement rapide de bots de service client, d’assistants de génération de contenu et d’agents de connaissances interactifs. Son architecture extensible garantit une personnalisation et une maintenance faciles.

L'adaptateur d'outils pour agents MCP agit comme une couche middleware entre les agents basés sur des modèles linguistiques et les implémentations d'outils externes. En enregistrant des signatures de fonction ou des descripteurs d'outil, le framework analyse automatiquement les sorties de l’agent qui spécifient des appels d’outils, déploie l’adaptateur approprié, gère la sérialisation des entrées et renvoie le résultat au contexte de raisonnement. Les fonctionnalités incluent la découverte dynamique d’outils, le contrôle de la concurrence, la journalisation et des pipelines de gestion d’erreurs. Il prend en charge la définition d'interfaces d'outils personnalisés et l'intégration de services cloud ou sur site. Cela permet de construire des workflows complexes multi-outils tels que l’orchestration d’API, la récupération de données et les opérations automatisées sans modifier le code de l’agent sous-jacent.

micro-agent fournit une abstraite minimaliste mais puissante pour créer des agents IA autonomes. Écrite en TypeScript, elle fonctionne parfaitement à la fois dans le navigateur et dans Node.js, permettant de définir des agents avec des modèles de prompt personnalisés, une logique de décision et une intégration d'outils extensible. Les agents peuvent exploiter le raisonnement par chaîne de pensée, interagir avec des API externes et maintenir une mémoire conversationnelle ou spécifique à une tâche. La bibliothèque inclut des utilitaires pour la gestion des réponses API, la gestion des erreurs et la persistance des sessions. Avec micro-agent, les développeurs peuvent prototyper et déployer des agents pour une gamme de tâches — automatisation de workflows, construction d'interfaces conversationnelles ou orchestration de pipelines de traitement de données — sans la surcharge de frameworks plus importants. Son design modulaire et son API claire permettent une extension facile et une intégration dans des applications existantes.

Modus est un framework orienté développeur qui simplifie la création d'agents d'IA en fournissant des composants principaux pour l'intégration de LLM, le stockage de mémoire et l'orchestration d'outils. Il supporte des bibliothèques d'outils basées sur des plugins, permettant aux agents d'exécuter des tâches telles que la récupération de données, l'analyse et l'exécution d'actions. Avec des modules de mémoire intégrés, les agents peuvent maintenir le contexte de conversation et apprendre au fil des interactions. Son architecture extensible accélère le développement et le déploiement de l'IA dans diverses applications.

Multi-Agent Systems fournit une boîte à outils complète pour créer, contrôler et observer les interactions entre agents autonomes. Les développeurs peuvent définir des classes d'agents avec une logique décisionnelle personnalisée, configurer des environnements complexes avec des ressources et des règles configurables, et mettre en œuvre des canaux de communication pour l'échange d'informations. Le framework prend en charge la planification synchrone et asynchrone, les comportements basés sur des événements, et intègre la journalisation pour les métriques de performance. Les utilisateurs peuvent étendre les modules de base ou intégrer des modèles d'IA externes pour améliorer l'intelligence des agents. Les outils de visualisation offrent une représentation en temps réel ou après exécution, pour analyser les comportements émergents et optimiser les paramètres du système. De la recherche académique aux prototypes d’applications distribuées, Multi-Agent Systems simplifie les simulations multi-agents de bout en bout.

PulpGen fournit une plateforme unifiée et configurable pour construire des applications avancées basées sur LLM. Elle offre des intégrations transparentes avec des magasins de vecteurs populaires, des services d'intégration, et des fournisseurs LLM. Les développeurs peuvent définir des pipelines personnalisés pour la génération augmentée par récupération, activer des sorties en streaming en temps réel, traiter par lot de grandes collections de documents, et surveiller la performance du système. Son architecture extensible permet des modules plug-and-play pour la gestion du cache, la journalisation et l'auto-scaling, ce qui le rend idéal pour la recherche alimentée par IA, la question-réponse, la synthèse, et la gestion des connaissances.

Le modèle AgentForce Custom Client fournit une base de code utilisant JavaScript/TypeScript et les API Salesforce pour s'authentifier auprès d'une organisation Salesforce, gérer les sessions de chat AgentForce, envoyer et recevoir des messages, et personnaliser les composants de l'interface utilisateur. Il met en avant la souscription aux événements, l'intégration de logique métier personnalisée, et le style via Lightning Web Components. Les développeurs peuvent utiliser ce modèle pour créer des agents conversationnels IA, ajuster les flux de messages, intégrer des systèmes externes et étendre le cadre pour répondre aux flux de travail et aux exigences de branding spécifiques à leur organisation.

Saga offre une architecture flexible pour créer des agents AI qui planifient et exécutent des flux de travail multi-étapes. Les composants principaux incluent un module de planification qui décompose les objectifs en actions, un stockage de mémoire pour le contexte conversationnel et des tâches, et un registre d'outils pour intégrer des services ou scripts externes. Les agents s'exécutent de manière asynchrone, gèrent l'état entre les sessions et prennent en charge le développement d'outils personnalisés. Saga permet un prototypage rapide d'assistants autonomes, automatisant des tâches telles que la collecte de données, les alertes et les questions-réponses interactives dans votre environnement Python.

Taiat (TypeScript AI Agent Toolkit) est un cadre léger et extensible pour construire des agents IA autonomes dans les environnements Node.js et navigateur. Il permet aux développeurs de définir des comportements d'agents, d'intégrer des API de grands modèles de langage comme OpenAI et Hugging Face, et d'orchestrer des flux de travail d'exécution d'outils multi-étapes. Le framework supporte des backend mémoire personnalisables pour des conversations à état, l'enregistrement d'outils pour recherches web, opérations de fichiers et appels API externes, ainsi que des stratégies de décision modulables. Avec Taiat, vous pouvez rapidement prototyper des agents qui planifient, raisonnent et exécutent des tâches de manière autonome, allant de la récupération de données et la synthèse jusqu'à la génération automatique de code et assistants conversationnels.

Tiny-OAI-MCP-Agent fournit une architecture d'agent extensible et compacte basée sur l'API OpenAI. Il implémente une boucle de processus multi-cognitif (MCP) pour le raisonnement, la mémoire et l'utilisation d'outils. Vous définissez des outils (API, opérations sur fichiers, exécution de code), et l'agent planifie les tâches, rappelle le contexte, invoque les outils, et itère sur les résultats. Cette base de code minimaliste permet aux développeurs d'expérimenter avec des workflows autonomes, des heuristiques personnalisées et des modèles de prompt avancés tout en gérant automatiquement les appels API, la gestion d'état et la récupération d'erreurs.

Ce dépôt regroupe une collection complète de composants de systèmes multi-agent et de techniques de coordination IA distribuée. Il offre des implémentations d'algorithmes de consensus, de protocoles de négociation Contract-Net, d'attribution de tâches basée sur des enchères, de stratégies de formation de coalitions et de cadres de communication inter-agent. Les utilisateurs peuvent exploiter des environnements de simulation intégrés pour modéliser et tester le comportement des agents sous diverses topologies de réseau, scénarios de latence et modes de défaillance. La conception modulaire permet aux développeurs et chercheurs d'intégrer, d'étendre ou de personnaliser des modules de coordination individuels pour des applications dans les essaims de robotique, la collaboration entre dispositifs IoT, les réseaux électriques intelligents et la prise de décision distribuée.

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.

Cognify permet aux utilisateurs de définir leurs objectifs en science des données et de laisser les agents IA gérer la partie difficile. Les agents peuvent écrire et déboguer du code, se connecter à des bases de données pour obtenir des insights, produire des visualisations interactives et même exporter des rapports. Grâce à une architecture de plugins, les utilisateurs peuvent étendre la fonctionnalité aux API personnalisées, aux systèmes de planification et aux services cloud. Cognify offre la reproductibilité, des fonctionnalités de collaboration et un journal de bord pour suivre les décisions et sorties des agents, le rendant adapté au prototypage rapide et aux flux de travail en production.