AgenticSearch est une boîte à outils Python open-source pour construire des agents IA autonomes qui effectuent des recherches web, agrègent des données et produisent des réponses structurées. Il intègre de grands modèles linguistiques et des API de recherche pour orchestrer des flux de travail multi-étapes : lancer des requêtes, scraper des résultats, classer des liens pertinents, extraire des passages clés et résumer les résultats. Les développeurs peuvent personnaliser le comportement des agents, chaîner des actions et surveiller l'exécution pour créer des assistants de recherche, des outils d'intelligence concurrentielle ou des collecteurs de données spécifiques à un domaine sans navigation manuelle.

AgentScope est un framework axé sur les développeurs conçu pour simplifier la création d'agents intelligents en fournissant des composants modulaires pour la planification dynamique, le stockage de mémoire contextuelle et l'intégration d'outils/API. Il supporte plusieurs backends LLM (OpenAI, Anthropic, Hugging Face) et offre des pipelines personnalisables pour l'exécution de tâches, la synthèse de réponses et la récupération de données. L'architecture de AgentScope permet un prototypage rapide de chatbots conversationnels, d'agents d'automatisation de workflows et d'assistants de recherche, tout en restant extensible et évolutif.

Agent-Squad est un framework modulaire en Python qui permet aux équipes de concevoir, déployer et exécuter des systèmes multi-agents pour l'exécution de tâches complexes. Au cœur du système, Agent-Squad permet aux utilisateurs de configurer divers profils d'agents—comme récupérateurs de données, résumeurs, codeurs et validateurs—qui communiquent via des canaux définis et partagent un contexte mémoire. En décomposant des objectifs de haut niveau en sous-tâches, le framework orchestre le traitement parallèle et exploite les LLM avec des API externes, des bases de données ou des outils personnalisés. Les développeurs peuvent définir des workflows en JSON ou en code, surveiller les interactions des agents et ajuster les stratégies de façon dynamique à l'aide des outils de journalisation et d'évaluation intégrés. Les applications courantes incluent des assistants de recherche automatisés, des pipelines de génération de contenu, des bots QA intelligents, et des processus de revue de code itératifs. La conception open-source s'intègre parfaitement avec les services AWS, permettant des déploiements évolutifs.

Globe Explorer utilise des technologies avancées d'IA pour fournir une approche visuelle et structurée de la navigation dans l'information. La plateforme capture les requêtes des utilisateurs et génère des pages complètes enrichies d'images, de concepts et de résumés, rendant l'acquisition des connaissances plus facile et plus engageante. Adapté aux étudiants, chercheurs et esprits curieux, il mélange l'interactivité d'un outil d'apprentissage avec les capacités de récupération instantanée d'un moteur de recherche. En intégrant des éléments visuels, il vise à améliorer la compréhension et la rétention des concepts, simplifiant ainsi les sujets complexes.

Thousand Birds est un cadre extensible d'agents IA permettant aux développeurs de définir et de configurer le comportement des agents à l'aide d'un SDK Python et d'une CLI. Les agents peuvent planifier des workflows multi-étapes, intégrer la recherche web, interagir avec des sessions de navigateur, lire et écrire des fichiers, appeler des API externes et gérer une mémoire avec état. Il supporte des modules de plugins pour ajouter des outils et connecteurs de données personnalisés. Le moteur d'orchestration intégré planifie les tâches, gère les reprises et enregistre les détails d'exécution. Les développeurs peuvent enchaîner les agents, activer l'exécution parallèle et surveiller les performances via des sorties structurées. Thousand Birds accélère le déploiement d'assistants autonomes pour la recherche, l'extraction de données, l'automatisation et les prototypes expérimentaux.

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.