EspressoAI fournit aux développeurs un environnement structuré pour concevoir, configurer et déployer des agents IA alimentés par de grands modèles linguistiques. Il supporte l'enregistrement et l'appel d'outils dans le flux de travail de l'agent, gère le contexte conversationnel via des modules mémoire intégrés, et permet de chaîner les prompts pour le raisonnement multi-étapes. Les développeurs peuvent intégrer des API externes, des plugins personnalisés et une logique conditionnelle pour adapter le comportement de l'agent. La conception modulaire du framework garantit son extensibilité, permettant aux équipes d’échanger des composants, d’ajouter de nouvelles capacités ou de s’adapter aux LLM propriétaires sans réécrire la logique de base.

Huginn est un cadre d'automatisation polyvalent et open-source qui permet aux utilisateurs de créer des agents pour surveiller, collecter et agir sur des données provenant de diverses sources telles que des sites web, des API, des médias sociaux et des e-mails. Chaque agent peut être configuré pour se déclencher lors de certains événements, transformer des données et les transmettre à d'autres agents ou services externes. Avec une planification intégrée, la journalisation et une bibliothèque riche de types d'agents—comme RSSAgent, EmailAgent, WebhookAgent et DataOutputAgent—Huginn supporte des flux de travail complexes et une logique conditionnelle. Il fonctionne sur Linux, macOS, Windows ou Docker, et peut être étendu avec du code Ruby personnalisé ou des conteneurs Docker pour des tâches spécifiques et des intégrations.

Query-Bot intègre l'ingestion de documents, la segmentation de texte et les embeddings vectoriels pour créer un index consultable à partir de PDFs, fichiers texte et documents Word. En utilisant LangChain et GPT-3.5 Turbo d'OpenAI, il traite les requêtes des utilisateurs en récupérant les passages pertinents et en générant des réponses concises. L'interface UI basée sur Streamlit permet aux utilisateurs de télécharger des fichiers, de suivre l'historique des conversations et d'ajuster les paramètres. Il peut être déployé localement ou sur des environnements cloud, offrant un cadre extensible pour des agents personnalisés et des bases de connaissances.

FastAPI Agents offre une couche de service robuste pour le développement d'agents basés sur LLM en utilisant le framework web FastAPI. Il permet de définir le comportement des agents avec des chaînes LangChain, des outils et des systèmes de mémoire. Chaque agent peut être exposé comme un point de terminaison REST standard, supportant des requêtes asynchrones, des réponses en streaming et des charges utiles personnalisables. L'intégration avec des magasins de vecteurs permet la génération augmentée par récupération pour des applications axées sur la connaissance. Le framework comprend une journalisation intégrée, des hooks de surveillance et une prise en charge de Docker pour le déploiement en conteneur. Il est facile d'étendre les agents avec de nouveaux outils, middleware et authentification. FastAPI Agents accélère la mise sur le marché des solutions IA, en assurant la sécurité, la scalabilité et la maintenabilité des applications basées sur des agents en entreprise et en recherche.

Advanced_RAG offre un pipeline modulaire pour les tâches de génération augmentée par récupération, comprenant des chargeurs de documents, des constructeurs d'index vectoriels et des gestionnaires de chaînes. Les utilisateurs peuvent configurer différentes bases de données vectorielles (FAISS, Pinecone), personnaliser les stratégies de récupération (recherche par similarité, recherche hybride), et intégrer n'importe quel LLM pour générer des réponses contextuelles. Il prend également en charge des métriques d’évaluation et la journalisation pour le tuning des performances, et est conçu pour la scalabilité et la extensibilité en environnement de production.

CryptoTrader Agents fournit une boîte à outils complète pour concevoir, entraîner et déployer des stratégies de trading pilotées par IA sur les marchés de cryptomonnaies. Il inclut un environnement modulaire pour l’ingestion de données, la création de fonctionnalités, et des fonctions de récompense personnalisées. Les utilisateurs peuvent exploiter des algorithmes d’apprentissage par renforcement préconfigurés ou intégrer leurs propres modèles. La plateforme offre un backtesting simulé basé sur des données historiques de prix, des contrôles de gestion des risques, et un suivi précis des métriques. Lorsqu’elle est prête, les agents peuvent se connecter aux API d’échange en direct pour une exécution automatisée. Bordée en Python, la plateforme est entièrement extensible, permettant aux utilisateurs de prototyper de nouvelles tactiques, d’effectuer des balayages de paramètres, et de surveiller les performances en temps réel.

LangChain Google Gemini Agent est une bibliothèque Python conçue pour simplifier la création d'agents IA autonomes alimentés par les modèles de langage Gemini de Google. Elle combine l'approche modulaire de LangChain—qui permet des chaînes d'invite, la gestion de la mémoire et l'intégration d'outils—avec la compréhension avancée du langage naturel de Gemini. Les utilisateurs peuvent définir des outils personnalisés pour les appels API, les requêtes de bases de données, le web scraping et la synthèse de documents ; les orchestrer via un agent qui interprète les entrées utilisateur, sélectionne les actions d'outils appropriées et compose des réponses cohérentes. Le résultat est un agent flexible capable de raisonnement à plusieurs étapes, d'accès aux données en temps réel et de dialogues contextuels, idéal pour construire des chatbots, des assistants de recherche et des flux de travail automatisés. Il prend également en charge l'intégration avec des magasins de vecteurs populaires et des services cloud pour l’évolutivité.

MARL-DPP est un cadre open-source permettant l'apprentissage par renforcement multi-agent (MARL) avec diversité imposée via des processus déterminants (DPP). Les approches MARL traditionnelles souffrent souvent d'une convergence des politiques vers des comportements similaires ; MARL-DPP y remédie en intégrant des mesures basées sur le DPP pour encourager les agents à conserver des distributions d'actions diversifiées. La boîte à outils fournit un code modulaire pour intégrer le DPP dans les objectifs d'entraînement, l’échantillonnage de politiques et la gestion de l’exploration. Elle inclut une intégration prête à l’emploi avec des environnements standard comme OpenAI Gym et l’environnement multi-agent Particle (MPE), ainsi que des utilitaires pour la gestion des hyperparamètres, la journalisation et la visualisation des métriques de diversité. Les chercheurs peuvent évaluer l’impact des contraintes de diversité sur des tâches coopératives, l’allocation des ressources et les jeux compétitifs. La conception extensible prend en charge des environnements personnalisés et des algorithmes avancés, facilitant l’exploration de nouvelles variantes de MARL-DPP.

MIU CS589 AI Agent API offre une interface standardisée pour fabriquer des agents d'IA personnalisés. Les développeurs peuvent définir des comportements d'agents, intégrer des outils ou services externes, et gérer des réponses en streaming ou par lot via des endpoints HTTP. Le framework prend en charge l'authentification, le routage des requêtes, la gestion des erreurs et la journalisation. Il est entièrement extensible — les utilisateurs peuvent enregistrer de nouveaux outils, ajuster la mémoire de l'agent et configurer les paramètres LLM. Convient pour l'expérimentation, les démos et les prototypes de production, il simplifie l'orchestration multi-outils et accélère le développement d'agents IA sans verrouiller sur une plateforme monolithique.

L'architecture modulaire LLM est conçue pour simplifier la création d'applications personnalisées pilotées par LLM via une conception modulaire et composable. Elle fournit des composants clés tels que des modules de mémoire pour la rétention d'état de session, des interfaces d'outils pour les appels d'API externes, des gestionnaires de prompts pour la génération de prompts basés sur des modèles ou dynamique, et des moteurs d'orchestration pour contrôler le flux de travail de l'agent. Vous pouvez configurer des pipelines en chaînant ces modules, permettant des comportements complexes tels que le raisonnement en plusieurs étapes, des réponses contextuelles et la récupération de données intégrée. La structure supporte plusieurs backends LLM, vous permettant de changer ou de mélanger des modèles, et offre des points d'extension pour ajouter de nouveaux modules ou une logique personnalisée. Cette architecture accélère le développement en promouvant la réutilisation des composants tout en maintenant la transparence et le contrôle sur le comportement de l'agent.

MultiAgentes offre une architecture modulaire pour définir des environnements et des agents, supportant des interactions multi-agent synchrones et asynchrones. Il comprend des classes de base pour les environnements et les agents, des scénarios prédéfinis pour des tâches coopératives et compétitives, des outils pour personnaliser les fonctions de récompense, et des API pour la communication entre agents et le partage d'observations. Les utilitaires de visualisation permettent une surveillance en temps réel des comportements des agents, tandis que les modules de journalisation enregistrent les métriques de performance pour analyse. Le framework s'intègre parfaitement avec les bibliothèques RL compatibles avec Gym, permettant aux utilisateurs d'entraîner des agents avec des algorithmes existants. MultiAgentes est conçu pour l'extensibilité, permettant aux développeurs d'ajouter de nouveaux modèles d'environnement, types d'agents et protocoles de communication adaptés à diverses applications de recherche et d'éducation.

rag-services est une plateforme extensible qui décompose les pipelines RAG en microservices discrets. Elle offre un service de stockage de documents, un service d'indexation vectorielle, un service d'embedding, plusieurs services d'inférence LLM et un orchestrateur pour coordonner les flux de travail. Chaque composant expose des API REST, vous permettant de mélanger et d'associer bases de données et fournisseurs de modèles. Avec la prise en charge de Docker et Docker Compose, vous pouvez déployer localement ou dans des clusters Kubernetes. Le cadre permet des solutions RAG évolutives et tolérantes aux pannes pour chatbots, bases de connaissances et Q&A automatiques.