Vocode est une bibliothèque open-source conçue pour simplifier la création d'applications basées sur la voix en utilisant l'IA. Elle offre des outils et des services pour automatiser les appels téléphoniques entrants et sortants via des API. Les développeurs peuvent construire des bots vocaux sophistiqués en intégrant des capacités de reconnaissance vocale, d'IA/NLU et de synthèse vocale. La plateforme est optimisée pour la flexibilité permettant un changement facile entre divers fournisseurs STT, TTS et LLM. Vocode est particulièrement conçu pour rendre l'intégration des centres d'appels pilotés par l'IA dans les systèmes existants simple et efficace.

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.

Agentic Workflow est un cadre déclaratif permettant aux développeurs de définir des flux de travail d'IA complexes en chaînant plusieurs agents basés sur LLM, chacun avec des rôles, prompts et logique d'exécution personnalisables. Il offre un support intégré pour l'orchestration des tâches, la gestion de l'état, la gestion des erreurs et les intégrations de plugins, permettant une interaction fluide entre agents et outils externes. La bibliothèque utilise Python et des configurations basées sur YAML pour abstraire la définition des agents, supporte l'exécution asynchrone et offre une extensibilité via des connecteurs et plugins personnalisés. En tant que projet open-source, il inclut des exemples détaillés, des modèles et de la documentation pour aider les équipes à accélérer le développement et à maintenir des écosystèmes complexes d'agents IA.

CrewAI-Learning est une bibliothèque open-source conçue pour simplifier les projets d'apprentissage par renforcement multi-agent. Elle offre des structures d'environnements, des définitions modulaires d'agents, des fonctions de récompense personnalisables, et une suite d'algorithmes intégrés comme DQN, PPO, et A3C adaptés aux tâches collaboratives. Les utilisateurs peuvent définir des scénarios, gérer les boucles de formation, enregistrer les métriques et visualiser les résultats. Le framework supporte la configuration dynamique des équipes d'agents et les stratégies de partage de récompense, rendant facile le prototypage, l'évaluation et l'optimisation de solutions IA coopératives dans divers domaines.

LangUI est une bibliothèque Tailwind CSS open source qui fournit plus de 60 composants prêts à l'emploi, réactifs et personnalisables, spécifiquement conçus pour les projets AI et GPT. Que vous construisiez une nouvelle application ou que vous amélioriez une application existante, les différents composants de LangUI, tels que des conteneurs de prompts, des panneaux d'historique et des entrées de messages, vous permettent de vous concentrer sur les fonctionnalités principales de votre projet tout en laissant la conception de l'UI à ces éléments soigneusement élaborés.

Mava est une bibliothèque open-source basée sur JAX pour développer, entraîner et évaluer des systèmes d'apprentissage par renforcement multi-agent. Elle propose des implémentations préconstruites d'algorithmes coopératifs et compétitifs tels que MAPPO et MADDPG, ainsi que des boucles de formation configurables prenant en charge les flux de travail à nœud unique et distribués. Les chercheurs peuvent importer des environnements depuis PettingZoo ou définir leurs propres environnements, puis utiliser les composants modulaires de Mava pour l'optimisation de politique, la gestion du tampon de répétition et la journalisation des métriques. L'architecture flexible du cadre permet une intégration transparente de nouveaux algorithmes, espaces d'observation personnalisés et structures de récompense. En exploitant les capacités d'auto-vectorisation et d'accélération matérielle de JAX, Mava assure des expériences efficaces à grande échelle et un benchmarking reproductible dans divers scénarios multi-agent.