ImageAgent est un cadre d’agent IA basé sur Python qui se connecte aux API OpenAI et aux modèles de vision pour effectuer la génération d’images à partir de texte, la modification d’image (inpainting, transfert de style) et l’analyse d’image (légendage, détection d’objets). Il utilise une orchestration de type LangChain pour gérer plusieurs étapes de manière autonome, traite le parsing des invites, et peut être étendu avec des outils et pipelines personnalisés pour des flux de travail d’images sur mesure.

LAWLIA fournit une interface structurée pour définir les comportements des agents, les outils plug-in et la gestion de la mémoire pour les flux de travail conversationnels ou autonomes. Les développeurs peuvent intégrer avec les principales API LLM, configurer des modèles de prompt et enregistrer des outils personnalisés tels que la recherche, les calculatrices ou les connecteurs de bases de données. Grâce à sa classe Agent, LAWLIA gère la planification, l'exécution des actions et l'interprétation des réponses, autorisant des interactions multi-tours et une invocation dynamique d'outils. Sa conception modulaire supporte l'extension des capacités via des plugins, permettant des agents pour le support client, l'analyse de données, l'assistance au codage ou la génération de contenu. Le framework simplifie le développement des agents en gérant le contexte, la mémoire et la gestion des erreurs sous une API unifiée.

llm-ReAct implémente l'architecture ReAct (Reasoning and Acting) pour les grands modèles de langage, permettant une intégration transparente du raisonnement par chaînes de pensées avec l'exécution d'outils externes et le stockage mémoire. Les développeurs peuvent configurer une boîte à outils d'outils personnalisés — tels que la recherche web, les requêtes en base de données, les opérations sur fichiers et les calculatrices — et instruire l'agent à planifier des tâches multi-étapes en invoquant les outils selon le besoin pour récupérer ou traiter des informations. Le module mémoire intégré conserve l'état de la conversation et les actions passées, favorisant un comportement d'agent plus sensible au contexte. Avec un code Python modulaire et une prise en charge des API OpenAI, llm-ReAct simplifie l'expérimentation et le déploiement d'agents intelligents capables de résoudre adaptativement des problèmes, d'automatiser des flux de travail et de fournir des réponses riches en contexte.

SuperBot est un cadre complet d'agent AI permettant aux développeurs de déployer des assistants autonomes et sensibles au contexte via Python et la ligne de commande. Il intègre les modèles de chat d'OpenAI avec un système de mémoire, des fonctionnalités d'appel de fonctions et une architecture de plugins. Les agents peuvent exécuter des commandes shell, lancer du code, interagir avec des fichiers, effectuer des recherches sur le web et maintenir l'état de la conversation. SuperBot supporte l'orchestration multi-agent pour des workflows complexes, le tout configurable via des scripts Python simples et des commandes CLI. Son design extensible permet d'ajouter des outils personnalisés, d'automatiser des tâches et d'intégrer des API externes pour créer des applications robustes basées sur l'IA.

Whiz est conçu pour fournir une base robuste pour le développement d'agents intelligents capables d'effectuer des workflows conversationnels et orientés tâches complexes. Avec Whiz, les développeurs définissent des "outils" — des fonctions Python ou des API externes — que l'agent peut invoquer lors du traitement des requêtes utilisateur. Un module de mémoire intégré capture et récupère le contexte de conversation, permettant des interactions multi-tours cohérentes. Un moteur de planification dynamique décompose les objectifs en étapes réalisables, tandis qu'une interface flexible permet d'injecter des politiques personnalisées, des registres d'outils et des backends de mémoire. Whiz supporte la recherche sémantique basée sur des embeddings pour extraire des documents pertinents, la journalisation pour la traçabilité et l'exécution asynchrone pour la montée en charge. Entièrement open-source, Whiz peut être déployé partout où Python s'exécute, permettant une création rapide de prototypes de bots d'assistance client, d'assistants d'analyse de données ou d'agents spécialisés, avec peu de boilerplate.

JKStack Agents Server sert de couche d’orchestration centralisée pour le déploiement d’agents IA. Il propose des points de terminaison REST pour définir des espaces de noms, enregistrer de nouveaux agents et initier des exécutions d’agents avec des invites personnalisées, des paramètres de mémoire et des configurations d’outils. Pour des interactions en temps réel, le serveur prend en charge le streaming WebSocket, envoyant des sorties partielles au fur et à mesure de leur génération par les modèles linguistiques sous-jacents. Les développeurs peuvent étendre les fonctionnalités principales via un gestionnaire de plugins pour intégrer des outils personnalisés, des fournisseurs LLM et des magasins de vecteurs. Le serveur suit aussi l’historique des exécutions, les statuts et les journaux, permettant l'observabilité et le débogage. Avec un support intégré pour le traitement asynchrone et la scalabilité horizontale, JKStack Agents Server facilite le déploiement de flux de travail robustes alimentés par l’IA en production.

AI-Agent est un framework Python extensible conçu pour créer des agents autonomes propulsés par les modèles GPT d'OpenAI et LangChain. Il comprend des modules pour la recherche sur le web, la recherche Wikipedia, des fonctions de calculatrice et des intégrations d'outils personnalisés, permettant la recherche automatisée, l'analyse de données et l'exécution de scripts. Les utilisateurs peuvent configurer des agents pour planifier des tâches à plusieurs étapes, interagir avec des API, générer des rapports et effectuer des workflows complexes sans intervention manuelle, ce qui optimise la productivité en développement, science des données et processus métier.

L'Anna Mobile LLM Agent est un cadre d'IA conversationnelle conçu pour une intégration transparente dans l'application mobile Anna Money. Il exploite de grands modèles linguistiques pour interpréter les entrées en langage naturel de l'utilisateur, récupérer en temps réel des données de compte et de transaction via des API sécurisées, et effectuer des tâches telles que la catégorisation des dépenses, la synthèse des transactions et les conseils budgétaires. Les développeurs peuvent configurer des outils, déclencheurs et mémoires de contexte personnalisés pour adapter l'agent aux flux de travail financiers spécifiques. Avec une prise en charge intégrée d'OpenAI, Azure OpenAI et des modèles transformeurs locaux, ainsi qu'une interface React Native, l'agent garantit une assistance financière réactive, sécurisée et personnalisée sur les appareils iOS et Android.

Azeerc-AI est un framework axé sur les développeurs permettant une construction rapide d'agents intelligents en orchestrant des appels de grands modèles de langage (LLM), des intégrations d'outils et la gestion de la mémoire. Il offre une architecture plugin où vous pouvez enregistrer des outils personnalisés—comme la recherche web, des fetchers de données ou des API internes—puis programmer des workflows complexes à plusieurs étapes. La mémoire dynamique intégrée permet aux agents de se souvenir et de récupérer des interactions passées. Avec un minimum de code boilerplate, vous pouvez lancer des bots conversationnels ou des agents à tâche spécifique, personnaliser leur comportement et les déployer dans n'importe quel environnement Python. Son design extensible s'adapte à des cas d'utilisation allant des chatbots de support client aux assistants de recherche automatisés.

GPT-agents est un ensemble d'outils axé sur les développeurs qui simplifie la création et l'orchestration d'agents IA autonomes utilisant GPT. Il offre des classes d'agents intégrées, un système modulaire d'intégration d'outils et une gestion de mémoire persistante pour soutenir le contexte en cours. Le framework gère des boucles de planification conversationnelle et la collaboration multi-agents, permettant d’assigner des objectifs, de planifier des sous-tâches et de relier des agents pour des workflows complexes. Supporte des outils personnalisables, la sélection de modèles et la gestion des erreurs pour une automatisation robuste et scalable dans divers domaines.

ZhipuAI Agent to OpenAI est un framework agentisé spécialisé conçu pour relier les services de chat completion de ZhipuAI avec des interfaces d'agents de style OpenAI. Il fournit un SDK Python qui imite le paradigme d'appel de fonctions d'OpenAI et supporte l'intégration d'outils tiers, permettant aux développeurs de définir des outils personnalisés, d'appeler des APIs externes et de maintenir le contexte de conversation à travers plusieurs tours. Le framework gère l'orchestration des requêtes, la construction dynamique de prompts et l'analyse des réponses, renvoyant des sorties structurées compatibles avec le format ChatCompletion d'OpenAI. En abstraisant les différences d'API, il permet une utilisation transparente des modèles chinois de ZhipuAI dans les workflows existants orientés OpenAI. Idéal pour développer des chatbots, assistants virtuels et workflows automatisés nécessitant des capacités de LLM chinois, sans modifier les bases de code existantes basées sur OpenAI.

Autonomys Agents permet aux développeurs de créer des agents IA autonomes capables d’exécuter des tâches complexes sans intervention manuelle. Basé sur Python, le framework fournit des outils pour définir le comportement des agents, intégrer des API externes et des fonctions personnalisées, et maintenir une mémoire conversationnelle tout au long des interactions. Les agents peuvent collaborer dans des configurations multi-agents, partager des connaissances et coordonner leurs actions. Les modules d’observabilité offrent des journaux en temps réel, le suivi de la performance et des insights pour le débogage. Avec son architecture modulaire, les équipes peuvent étendre les composants principaux, intégrer de nouveaux LLM et déployer des agents dans différents environnements. Que ce soit pour automatiser le support client, effectuer des analyses de données ou orchestrer des workflows de recherche, Autonomys Agents simplifie le développement et la gestion de systèmes intelligents autonomes de bout en bout.

Bot-With-Plan offre un modèle Python modulaire pour construire des agents IA qui génèrent d'abord un plan détaillé avant l'exécution. Il utilise GPT d'OpenAI pour analyser les instructions utilisateur, décomposer les tâches en étapes séquentielles, valider le plan, puis exécuter chaque étape via des outils externes comme la recherche web ou des calculatrices. Le cadre inclut la gestion des prompts, le parsing des plans, l'orchestration de l'exécution et la gestion des erreurs. En séparant les phases de planification et d'exécution, il offre une meilleure supervision, un débogage plus simple et une structure claire pour l’extension avec de nouveaux outils ou capacités.

Cerebellum propose une plateforme modulaire où les développeurs définissent des agents à l’aide de plans déclaratifs composés d’étapes séquentielles ou d’appels d’outils. Chaque plan peut appeler des outils intégrés ou personnalisés — tels que des connecteurs API, des récupérateurs ou des processeurs de données — via une interface unifiée. Les modules de mémoire permettent aux agents de stocker, récupérer et oublier des informations entre les sessions, permettant des interactions contextuelles et à état. Il s’intègre avec des LLM populaires (OpenAI, Hugging Face), supporte l’enregistrement d’outils personnalisés et comporte un moteur d’exécution événementiel pour un contrôle en temps réel. Avec des journaux, une gestion des erreurs et des hooks de plugin, Cerebellum augmente la productivité, facilitant le développement rapide d’agents pour l’automatisation, les assistants virtuels et la recherche.

ChainLite rationalise la création d’agents IA en abstraisant la complexité de l’orchestration LLM en modules de chaînes réutilisables. À l’aide de décorateurs Python simples et de fichiers de configuration, les développeurs définissent les comportements des agents, les interfaces d’outils et les structures de mémoire. Le framework s’intègre aux fournisseurs LLM populaires (OpenAI, Cohere, Hugging Face) et aux sources de données externes (API, bases de données), permettant aux agents de récupérer des informations en temps réel. Avec une interface utilisateur basée sur le navigateur intégrée, alimentée par Streamlit, les utilisateurs peuvent inspecter l’historique des conversations au niveau des jetons, déboguer les invites et visualiser les graphes d’exécution de la chaîne. ChainLite prend en charge plusieurs cibles de déploiement, du développement local à la production en conteneurs, permettant une collaboration fluide entre data scientists, ingénieurs et équipes produit.