CArtAgO (Common ARTifact Infrastructure for AGents Open environments) est un cadre léger et extensible pour implémenter des infrastructures environnementales dans des systèmes multi-agent. Il introduit le concept d’artefacts : entités de première classe représentant des ressources environnementales avec des opérations définies, des propriétés observables et des interfaces d’événements. Les développeurs définissent des types d’artefacts en Java, les enregistrent dans des classes d’environnement, et exposent des opérations et des événements pour la consommation par les agents. Les agents interagissent avec les artefacts en utilisant des actions standards (par ex., createArtifact, observe), reçoivent des notifications asynchrones de changements d’état, et se coordonnent via des ressources partagées. CArtAgO s’intègre facilement aux plateformes d’agents telles que Jason, JaCaMo, JADE, et Spring Agent, permettant le développement de systèmes hybrides. Le cadre offre une prise en charge intégrée pour la documentation des artefacts, le chargement dynamique et la surveillance à l’exécution, facilitant le prototypage rapide d’applications basées sur des agents complexes.

Embabel Agent offre une approche structurée pour construire des agents IA dans les environnements Node.js et navigateur. Les développeurs définissent des outils—comme des récupérateurs HTTP, connecteurs de bases de données ou fonctions personnalisées—et configurent le comportement de l'agent via des JSON ou des classes JavaScript simples. Le framework maintient l’historique des conversations, route les requêtes vers l’outil approprié, et supporte les extensions de plugins. Embabel Agent est idéal pour créer des chatbots aux capacités dynamiques, des assistants automatisés qui interagissent avec plusieurs API, et des prototypes de recherche nécessitant une orchestration en temps réel des appels IA.

MiniAgent est un cadre minimaliste open source construit en Python pour la création d'agents IA autonomes capables de planifier et d'exécuter des workflows complexes. Au cœur, MiniAgent comprend un module de planification de tâches qui décompose des objectifs de haut niveau en étapes ordonnées, un contrôleur d'exécution qui exécute chaque étape séquentiellement, et des adaptateurs intégrés pour l'intégration d'outils et d'API externes, y compris les services web, bases de données et scripts personnalisés. Il dispose également d'un système léger de gestion de mémoire pour conserver les contextes conversationnels ou de tâches. Les développeurs peuvent facilement enregistrer des plugins d'action personnalisés, définir des règles de politique pour la prise de décision, et étendre la fonctionnalité des outils. Avec la prise en charge des modèles OpenAI et des LLM locaux, MiniAgent permet un prototypage rapide de chatbots, de travailleurs numériques et de pipelines automatisés, le tout sous licence MIT.

PyGame Learning Environment (PLE) est un framework Python open-source conçu pour simplifier le développement, le test et le benchmarking des agents d'apprentissage par renforcement dans des scénarios de jeu personnalisés. Il fournit une collection de jeux légers basés sur Pygame avec un support intégré pour l'observation des agents, les espaces d'actions discrets et continus, la modulation des récompenses et le rendu de l'environnement. PLE dispose d'une API facile à utiliser compatible avec les wrappers OpenAI Gym, permettant une intégration transparente avec des bibliothèques RL populaires telles que Stable Baselines et TensorForce. Les chercheurs et les développeurs peuvent personnaliser les paramètres de jeu, implémenter de nouveaux jeux et exploiter des environnements vectoriels pour un entraînement accéléré. Avec une contribution communautaire active et une documentation extensive, PLE sert de plateforme polyvalente pour la recherche académique, l'éducation et le prototypage d'applications RL réelles.

simple_rl est une bibliothèque Python minimaliste conçue pour rationaliser la recherche et l'éducation en apprentissage par renforcement. Elle offre une API cohérente pour définir des environnements et des agents, avec un support intégré pour les paradigmes RL courants comme Q-learning, Monte Carlo et les algorithmes de programmation dynamique tels que l'itération de valeur et de politique. Le cadre comprend des environnements d'exemple tels que GridWorld, MountainCar et Multi-Armed Bandits, facilitant l'expérimentation pratique. Les utilisateurs peuvent étendre les classes de base pour implémenter des environnements ou agents personnalisés, tandis que des fonctions utilitaires gèrent la journalisation, le suivi des performances et l'évaluation des politiques. La légèreté de simple_rl et la clarté du code en font un outil idéal pour le prototypage rapide, l'enseignement des fondamentaux du RL, et le benchmarking de nouveaux algorithmes dans un environnement reproductible et facile à comprendre.