LangChain est un cadre Python open-source conçu pour accélérer le développement d'applications alimentées par l'IA. Il offre des abstractions pour enchaîner plusieurs appels à des modèles linguistiques (chaînes), construire des agents qui interagissent avec des outils externes, et gérer la mémoire des conversations. Les développeurs peuvent définir des invites, des parseurs de sortie et exécuter des workflows de bout en bout. Les intégrations incluent des magasins vectoriels, des bases de données, des APIs et des plateformes d'hébergement pour permettre des chatbots prêts pour la production, l’analyse de documents, des assistants de code, et des pipelines AI personnalisés.

LLM-Agent est un cadre léger et extensible pour créer des agents IA alimentés par de grands modèles linguistiques. Il fournit des abstractions pour la mémoire de conversation, des modèles d'invite dynamiques et une intégration transparente d'outils ou d'API personnalisés. Les développeurs peuvent orchestrer des processus de raisonnement multi-étapes, maintenir l'état à travers les interactions et automatiser des tâches complexes telles que la récupération de données, la génération de rapports et le support décisionnel. En combinant la gestion de la mémoire avec l'utilisation d'outils et la planification, LLM-Agent facilite le développement d'agents intelligents et orientés tâches en Python.

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.

MGym est un cadre spécialisé pour créer et gérer des environnements d'apprentissage par renforcement multi-agent (MARL) en Python. Il permet aux utilisateurs de définir des scénarios complexes avec plusieurs agents, chacun disposant d'espaces d'observation et d'action personnalisables, de fonctions de récompense et de règles d'interaction. MGym supporte à la fois les modes d'exécution synchrones et asynchrones, fournissant des simulations d'agents parallèles et tournantes. Conçu avec une API semblable à Gym, MGym s'intègre parfaitement avec des bibliothèques RL populaires telles que Stable Baselines, RLlib et PyTorch. Il comprend des modules utilitaires pour le benchmarking des environnements, la visualisation des résultats et l'analyse des performances, facilitant une évaluation systématique des algorithmes MARL. Son architecture modulaire permet un prototypage rapide de tâches cooperatives, compétitives ou d'agents mixtes, permettant aux chercheurs et développeurs d'accélérer l'expérimentation et la recherche MARL.

Odyssey offre une architecture flexible pour la création de systèmes multi-agent collaboratifs. Il comprend des composants centraux tels que le Task Manager pour définir et répartir les sous-tâches, modules de mémoire pour stocker le contexte et l'historique des conversations, contrôleurs d'agents pour la coordination des agents alimentés par LLM, et gestionnaires d'outils pour l'intégration d'API externes ou de fonctions personnalisées. Les développeurs peuvent configurer des workflows via des fichiers YAML, sélectionner des noyaux LLM préconstruits (par ex. GPT-4, modèles locaux), et étendre le framework avec de nouveaux outils ou backends de mémoire. Odyssey journalise les interactions, supporte l'exécution asynchrone des tâches et permet des boucles de raffinage itératif, le rendant idéal pour la recherche, le prototypage et les applications multi-agent prêtes pour la production.

RModel est un cadre d'agent IA axé sur les développeurs conçu pour simplifier la création d'applications conversationnelles et autonomes de nouvelle génération. Il s'intègre avec n'importe quel LLM, supporte les chaînes d'outils plugins, le stockage de mémoire et la génération dynamique de prompts. Avec des mécanismes de planification intégrés, l'enregistrement d'outils personnalisés et la télémétrie, RModel permet aux agents d'effectuer des tâches telles que la récupération d'informations, le traitement de données et la prise de décision dans plusieurs domaines, tout en maintenant des dialogues avec état, une exécution asynchrone, des gestionnaires de réponses personnalisables et une gestion sécurisée du contexte pour des déploiements évolutifs en cloud ou sur site.

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.

Hyperbolic Time Chamber fournit un environnement flexible pour construire des agents IA en proposant des composants pour la gestion de la mémoire, l'orchestration de la fenêtre contextuelle, la chaînée de prompts, l'intégration d'outils et le contrôle d'exécution. Les développeurs définissent le comportement des agents via des blocs modulaires, configurent des mémoires personnalisées (courte et longue durée) et connectent des API externes ou des outils locaux. Le framework inclut le support asynchrone, la journalisation et des utilitaires de débogage, permettant une itération rapide et un déploiement d'agents conversationnels ou axés sur les tâches sophistiqués dans des projets Python.

Java-Action-Shape est une bibliothèque d'actions dédiée conçue pour étendre le cadre multi-agent LightJason avec des capacités géométriques avancées. Elle fournit aux agents des actions toutes faites pour instancier des formes courantes (cercle, rectangle, polygone), appliquer des transformations (translation, rotation, mise à l'échelle) et effectuer des calculs analytiques (aire, périmètre, centroïde). Chaque action est thread-safe et s'intègre au modèle d'exécution asynchrone de LightJason, garantissant un traitement parallèle efficace. Les développeurs peuvent définir des formes personnalisées en spécifiant des sommets et des arêtes, les enregistrer dans le registre d'actions de l'agent et les inclure dans les définitions de plans. En centralisant la logique liée aux formes, Java-Action-Shape réduit le code boilerplate, impose des API cohérentes et accélère la création d'applications agent axées sur la géométrie, des simulations aux outils éducatifs.

Kin Kernel est un noyau léger open-source pour la construction de travailleurs numériques alimentés par IA. Il fournit un système unifié pour orchestrer de grands modèles de langage, gérer la mémoire contextuelle et intégrer des outils ou API personnalisés. Avec une architecture basée sur les événements, Kin Kernel supporte l'exécution asynchrone de tâches, le suivi des sessions et des plugins extensibles. Les développeurs définissent le comportement des agents, enregistrent des fonctions externes, et configurent le routage multi-LLM pour automatiser des workflows allant de l'extraction de données au support client. Le framework inclut aussi une journalisation intégrée et une gestion d'erreurs pour faciliter la surveillance et le débogage. Conçu pour la flexibilité, Kin Kernel peut être intégré dans des services web, microservices ou applications Python autonomes, permettant aux organisations de déployer des agents IA robustes à grande échelle.

LiteMultiAgent offre un SDK modulaire pour construire et exécuter plusieurs agents IA en parallèle ou en séquence, chacun avec des rôles et responsabilités uniques. Il fournit des magasins de mémoire intégrés, des pipelines de messagerie, des adaptateurs de plugins et des boucles d'exécution pour gérer une communication inter-agent complexe. Les utilisateurs peuvent personnaliser le comportement des agents, intégrer des outils ou API externes et surveiller les conversations via des logs. La conception légère du framework et la gestion des dépendances en font une solution idéale pour le prototypage rapide et le déploiement en production de workflows collaboratifs d’IA.

Minerva est un framework d'agents IA extensible conçu pour automatiser des flux de travail complexes en utilisant de grands modèles de langage. Les développeurs peuvent intégrer des outils externes — tels que la recherche web, les API ou les processeurs de fichiers — définir des stratégies de planification personnalisées et gérer la mémoire conversationnelle ou persistante. Minerva supporte l'exécution synchrone et asynchrone de tâches, la journalisation configurable et une architecture de plugins, facilitant le prototypage, le test et le déploiement d'agents intelligents capables de raisonner, planifier et utiliser des outils dans des scénarios réels.

NaturalAgents est une bibliothèque Python open-source conçue pour rationaliser la création et le déploiement d'agents alimentés par LLM. Elle fournit des modules pour la gestion de la mémoire, le suivi du contexte et l'intégration d'outils, permettant aux agents de stocker et de rappeler des informations lors de longues sessions. Un planificateur hiérarchique orchestre le raisonnement et les actions multi-étapes, tandis qu'un système d'extension supporte l'enregistrement de plugins personnalisés et d'appels API externes. La journalisation intégrée et les analyses permettent aux développeurs de surveiller la performance des agents et de déboguer les flux de travail. NaturalAgents supporte une exécution synchrone et asynchrone, le rendant flexible pour les cas d'utilisation interactifs et les pipelines automatisés.

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.

Agent Script fournit une couche de script déclarative sur de grands modèles linguistiques, vous permettant d'écrire des scripts YAML ou JSON qui définissent les flux de travail de l'agent, les appels d'outils et l'utilisation de mémoire. Vous pouvez connecter OpenAI, des LLM locaux ou d'autres fournisseurs, connecter des API externes en tant qu'outils, et configurer des backend de mémoire à long terme. Le framework gère la gestion du contexte, l'exécution asynchrone et la journalisation détaillée en standard. Avec un code minimal, vous pouvez prototyper des chatbots, des flux RPA, des agents d'extraction de données ou des boucles de contrôle personnalisées, facilitant la création, le test et le déploiement d'automatisations alimentées par l'IA.

agent-steps est un cadre d'orchestration d'étapes Python conçu pour rationaliser le développement d'agents IA en décomposant des tâches complexes en étapes discrètes et réutilisables. Chaque étape encapsule une action spécifique — comme l'appel à un modèle linguistique, la transformation de données ou des appels API externes — et peut transmettre le contexte aux étapes suivantes. La bibliothèque supporte une exécution synchrone et asynchrone, permettant des pipelines évolutifs. Les outils de journalisation et de débogage intégrés offrent une transparence sur l'exécution des étapes, tandis que son architecture modulaire favorise la maintenabilité. Les utilisateurs peuvent définir des types d'étapes personnalisés, les enchainer dans des workflows et les intégrer facilement dans des applications Python existantes. agent-steps est adapté pour créer des chatbots, des pipelines de données automatisés, des systèmes d'aide à la décision et d'autres solutions IA multi-étapes.

AI Agents with LangGraph exploite une représentation graphique pour définir les relations et la communication entre agents IA autonomes. Chaque nœud représente un agent ou un outil, permettant la décomposition des tâches, la personnalisation des prompts et le routage dynamique des actions. Le framework s'intègre parfaitement avec des LLM populaires et prend en charge des fonctions d'outils personnalisés, des magasins de mémoire et la journalisation pour le débogage. Les développeurs peuvent prototyper des flux complexes, automatiser des processus multi-étapes et expérimenter des interactions collaboratives entre agents en quelques lignes de code Python.

AtomicAgent fournit un cadre structuré pour définir, composer et exécuter des tâches d’agents IA. Les modules principaux incluent un registre d’outils pour enregistrer et invoquer des services externes, un gestionnaire de mémoire pour persister le contexte conversationnel ou de tâche, et un moteur d’orchestration qui guide les interactions LLM étape par étape. Les développeurs peuvent définir des outils réutilisables, configurer la logique de décision et exploiter l’exécution asynchrone pour les tâches longues. La conception modulaire d’AtomicAgent favorise la maintenabilité, la testabilité et des itérations rapides de flux de travail complexes alimentés par IA, des chatbots aux pipelines de traitement des données.

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.

AWS Bedrock Multi-Agent Blueprint offre un cadre modulaire pour implémenter une architecture multi-agent sur AWS Bedrock. Il inclut un exemple de code pour définir les rôles d'agents — planificateur, chercheur, exécuteur et évaluateur — qui collaborent via des files d'attente de messages partagées. Chaque agent peut invoquer différents modèles Bedrock avec des invites personnalisées et transmettre des sorties intermédiaires aux agents suivants. La journalisation intégrée avec CloudWatch, les modèles de gestion des erreurs et la prise en charge de l'exécution synchrone ou asynchrone illustrent comment gérer la sélection de modèles, les tâches par lots et l'orchestration de bout en bout. Les développeurs clonant le dépôt, configurent les rôles IAM AWS et les points de terminaison Bedrock, puis déploient via CloudFormation ou CDK. Le design open source encourage l'extension des rôles, la mise à l'échelle des agents par tâche, et l'intégration avec S3, Lambda et Step Functions.