VMAS est une boîte à outils complète pour construire et entraîner des systèmes multi-agents utilisant l'apprentissage par renforcement profond. Il supporte la simulation parallèle sur GPU de centaines d'instances d'environnement, permettant une collecte de données à haut débit et un entraînement évolutif. VMAS inclut des implémentations des algorithmes MARL populaires tels que PPO, MADDPG, QMIX et COMA, avec des interfaces modulaires pour la politique et l'environnement pour une prototypage rapide. Le cadre facilite la formation centralisée avec exécution décentralisée (CTDE), propose une personnalisation du façonnage des récompenses, des espaces d'observation et des hooks de rappel pour la journalisation et la visualisation. Avec sa conception modulaire, VMAS s'intègre parfaitement avec les modèles PyTorch et les environnements externes, ce qui en fait un choix idéal pour la recherche dans les tâches coopératives, compétitives et à motivations mixtes en robotique, gestion du trafic, allocation des ressources et scénarios d'IA de jeux.

Cloudflare Agents est conçu pour aider les développeurs à construire, déployer et gérer des agents IA autonomes à la périphérie du réseau à l'aide de Cloudflare Workers. En utilisant un SDK unifié, vous pouvez définir des comportements d'agents, des actions personnalisées et des flux de conversation en JavaScript ou TypeScript. Le cadre s'intègre parfaitement avec des fournisseurs LLM majeurs comme OpenAI et Anthropic, et propose un support intégré pour les requêtes HTTP, les variables d'environnement et les réponses en streaming. Une fois configurés, les agents peuvent être déployés mondialement en quelques secondes, offrant une interaction à très faible latence aux utilisateurs finaux. Cloudflare Agents inclut également des outils pour le développement local, les tests et le débogage, garantissant une expérience de développement fluide.

Les Agents Économiques Autonomes (AEA) de Fetch.ai sont un cadre polyvalent qui permet aux développeurs de concevoir, mettre en œuvre et orchestrer des agents logiciels autonomes capables d'interagir entre eux, avec des environnements externes et des registres numériques. Exploitant une architecture basée sur des plugins, AEA fournit des modules préconstruits pour les protocoles de communication, les API de registre cryptographique, l'identité décentralisée et les compétences de prise de décision personnalisables. Les agents peuvent découvrir et effectuer des transactions dans des marchés décentralisés, réaliser des comportements guidés par des objectifs et s'adapter via des flux de données en temps réel. Le cadre prend en charge des outils de simulation pour tester et déboguer des scénarios multi-agents, ainsi que leur déploiement sur des blockchains en direct ou des réseaux peer-to-peer. Avec une interopérabilité intégrée et une messagerie agent-à-agent, AEA simplifie le développement d'applications économiques autonomes complexes telles que le commerce d'énergie, l'optimisation de la chaîne d'approvisionnement et la coordination intelligente de l'IoT.

La traduction automatique machine agentique est un cadre open-source conçu pour la recherche et le développement en traduction automatique. Il orchestre trois agents principaux — un générateur, un évaluateur et un affinateur — pour produire, évaluer et affiner collaborativement les traductions. Basé sur PyTorch et des modèles de transformeurs, le système supporte la pré-formation supervisée, l'optimisation par apprentissage par renforcement, et des politiques d'agents configurables. Les utilisateurs peuvent effectuer des benchmarks sur des jeux de données standard, suivre les scores BLEU, et étendre le pipeline avec des agents ou fonctions de récompense personnalisés pour explorer la collaboration entre agents dans les tâches de traduction.

Agents with ADK est un cadre Python open-source conçu pour simplifier la création d'agents intelligents alimentés par de grands modèles de langage. Il comprend des modèles d'agents modulaires, une gestion mémoire intégrée, des interfaces d'exécution d'outils et des capacités de coordination multi-agent. Les développeurs peuvent rapidement intégrer des fonctions personnalisées ou des API externes, configurer des chaînes de planification et de raisonnement, et surveiller les interactions des agents. Le cadre prend en charge l'intégration avec des fournisseurs LLM populaires et offre des fonctionnalités de journalisation, de logique de nouvelle tentative et d'extensibilité pour le déploiement en production.

HackerGCLASS Agent API est un framework open-source en Python qui expose des points de terminaison RESTful pour exécuter des agents IA. Les développeurs peuvent définir des intégrations d'outils personnalisés, configurer des modèles de prompt et maintenir l'état et la mémoire des agents à travers les sessions. Le framework supporte la coordination simultanée de plusieurs agents, la gestion de flux de conversation complexes et l'intégration de services externes. Il simplifie le déploiement via Uvicorn ou d'autres serveurs ASGI et offre une extensibilité avec des modules de plugins, permettant la création rapide d'agents IA spécifiques à un domaine pour divers cas d'utilisation.

Agentic Framework est un framework polyvalent et open-source conçu pour simplifier la création d'agents IA autonomes exploitant de grands modèles linguistiques et MongoDB. Il fournit des composants modulaires pour gérer la mémoire de l'agent, définir des ensembles d'outils, orchestrer des workflows multi-étapes et templatiser des prompts. Le magasin de mémoire intégré, basé sur MongoDB, permet aux agents de préserver un contexte persistant entre les sessions, tandis que des interfaces d'outils modulables permettent une interaction fluide avec des API externes et des sources de données. Basé sur Node.js, le framework inclut la journalisation, des hooks de surveillance et des exemples de déploiement pour prototyper et faire évoluer rapidement des agents intelligents. Avec une configuration personnalisable, les développeurs peuvent adapter les agents à des tâches telles que la récupération de connaissances, le support client automatisé, l'analyse de données et l'automatisation des processus, réduisant ainsi la charge de développement et accélérant la mise en production.

AI-Creator fournit une architecture flexible pour créer des agents IA capables d'exécuter des tâches, d'interagir via le langage naturel et de tirer parti d'outils externes. Il comprend des modules pour la gestion des invites, le raisonnement en chaîne, la mémoire de session et des pipelines personnalisables. Les développeurs peuvent définir le comportement des agents à l'aide de JSON simples ou de configurations de code, intégrer des APIs et des bases de données en tant qu'outils, et déployer des agents en tant que services web ou applications CLI. Le cadre supporte l'extensibilité et la modularité, ce qui le rend idéal pour le prototypage de chatbots, assistants virtuels et travailleurs numériques spécialisés.

Dive est un cadre open-source basé sur Python, conçu pour créer et exécuter des agents IA autonomes capables d'effectuer des tâches multi-étapes avec une intervention manuelle minimale. En définissant des profils d'agents dans des fichiers de configuration YAML simples, les développeurs peuvent spécifier des API, des outils et des modules de mémoire pour des tâches telles que la récupération de données, l'analyse et l'orchestration de pipelines. Dive gère le contexte, l'état et l'ingénierie des prompts, permettant des flux de travail flexibles avec gestion d'erreurs intégrée et journalisation. Son architecture modulaire supporte une large gamme de modèles linguistiques et de systèmes de récupération, facilitant la constitution d'agents pour l'automatisation du service client, la génération de contenu et les processus DevOps. Le cadre évolue de la prototype à la production, offrant des commandes CLI et des points de terminaison API pour une intégration transparente dans des systèmes existants.

Jina AI est un fournisseur leader de solutions de recherche neuronale natives du cloud. Leur framework open source exploite l'apprentissage profond à la pointe de la technologie pour permettre aux entreprises et aux développeurs de gérer efficacement et de rechercher à travers divers types de données. Cette approche facilite le déploiement, l'évolutivité et l'orchestration transparents des systèmes de recherche, ce qui en fait un choix idéal pour les entreprises cherchant à améliorer leurs capacités de récupération d'informations et de gestion de données.

RAGENT est conçu pour créer des agents IA autonomes pouvant interagir avec divers outils et sources de données. En coulisses, il utilise la génération augmentée par récupération pour obtenir du contexte pertinent à partir de fichiers locaux ou de sources externes, puis compose des réponses via des modèles OpenAI. Les développeurs peuvent ajouter des outils pour recherche web, automatisation du navigateur avec Selenium, opérations de lecture/écriture de fichiers, execution de code dans des sandbox sécurisés, et OCR pour l'extraction de texte d'images. Le framework gère la mémoire de conversation, orchestre les outils et supporte des modèles de prompts personnalisés. Avec RAGENT, les équipes peuvent rapidement prototyper des agents intelligents pour Q&A, automatisation de recherche, résumé de contenu et automatisation de flux de travail de bout en bout, tout dans un environnement Python.

Lagent est un cadre axé sur les développeurs, qui permet la création d'agents intelligents sur la base de grands modèles linguistiques. Il propose des modules de planification dynamique qui divisent les tâches en sous-objectifs, des systèmes de mémoire pour maintenir le contexte sur de longues sessions et des interfaces d’intégration d’outils pour les appels API ou l’accès à des services externes. Avec des pipelines personnalisables, les utilisateurs définissent le comportement de l’agent, les stratégies de prompt, la gestion des erreurs et l’analyse des sorties. Les outils de journalisation et de débogage de Lagent aident à surveiller les étapes de décision, tandis que son architecture évolutive supporte les déploiements locaux, cloud ou en entreprise. Il accélère la création d’assistants autonomes, d’analyses de données et d’automatisations de flux de travail.

llm-lab fournit une boîte à outils flexible pour créer des agents intelligents utilisant de grands modèles de langage. Elle comprend un moteur d'orchestration d'agents, la prise en charge de modèles de prompts personnalisés, le suivi de la mémoire et de l'état, et une intégration transparente avec des API et plugins externes. Les utilisateurs peuvent élaborer des scénarios, définir des chaînes d'outils, simuler des interactions et collecter des logs de performance. Le framework propose également une suite de tests intégrée pour valider le comportement des agents face à des résultats attendus. Conçu pour l'extensibilité, llm-lab permet aux développeurs d'échanger de fournisseurs LLM, d'ajouter de nouveaux outils et de faire évoluer la logique des agents à travers des expérimentations itératives.

Multi-Agent-RAG offre un cadre modulaire pour construire des applications de génération augmentée par récupération (RAG) en orchestrant plusieurs agents d'IA spécialisés. Les développeurs configurent des agents individuels : un agent de récupération connecte des magasins vectoriels pour extraire des documents pertinents ; un agent de raisonnement effectue une analyse en chaîne de pensée ; et un agent de génération synthétise les réponses finales en utilisant de grands modèles de langage. Le framework supporte des extensions via plugins, des prompts configurables, et une journalisation complète, permettant une intégration transparente avec des API LLM populaires et des bases de données vectorielles pour améliorer la précision RAG, la scalabilité, et l'efficacité du développement.

L'architecture multi-agents offre une plateforme évolutive et extensible pour définir, enregistrer et coordonner plusieurs agents IA travaillant ensemble sur un objectif commun. Elle inclut un courtier de messages, une gestion du cycle de vie, une création dynamique d'agents et des protocoles de communication personnalisables. Les développeurs peuvent créer des agents spécialisés (ex. récupérateurs de données, processeurs NLP, décideurs) et les intégrer dans le runtime principal pour gérer des tâches allant de l'agrégation de données aux flux de décisions autonomes. La conception modulaire du cadre supporte les extensions via plugins et s'intègre aux modèles ML ou API existants.

Multi-Agent-Blueprint est une base de code open-source complète pour construire et orchestrer plusieurs agents alimentés par IA collaborant pour aborder des tâches complexes. Au cœur, il offre un système modulaire pour définir des rôles d'agents distincts — tels que chercheurs, analystes et exécutants — chacun avec des mémoires dédiées et des modèles de prompts. Le framework s'intègre parfaitement avec de grands modèles de langage, des API de connaissances externes et des outils personnalisés, permettant une délégation dynamique des tâches et des boucles de rétroaction itératives entre agents. Il inclut également une journalisation et une surveillance intégrées pour suivre les interactions et sorties des agents. Avec des flux de travail personnalisables et des composants interchangeables, les développeurs et chercheurs peuvent rapidement prototyper des pipelines multi-agents pour des applications telles que la génération de contenu, l'analyse de données, le développement de produits ou le support client automatisé.

MultiAgentPuzzleSolver fournit un environnement modulaire où des agents d’IA indépendants travaillent ensemble pour résoudre des énigmes telles que les puzzles à glissières, la Cube de Rubik, et les grilles logiques. Les agents partagent des informations d’état, négocient des affectations de sous-tâches, et appliquent diverses heuristiques pour explorer l’espace de solutions plus efficacement que les approches à un seul agent. Les développeurs peuvent ajouter de nouveaux comportements d’agents, personnaliser les protocoles de communication, et introduire de nouvelles définitions d’énigmes. Le cadre inclut des outils pour la visualisation en temps réel, la collecte de métriques de performance, et la scripting d’expériences. Il supporte Python 3.8+, les bibliothèques standard, et des outils ML populaires pour une intégration transparente dans les projets de recherche.

Nuzon-AI fournit un cadre d'agent basé sur Python qui permet de définir des tâches, de gérer la mémoire conversationnelle et d'étendre les capacités via des plugins. Il prend en charge l'intégration avec des grands LLM (OpenAI, modèles locaux), permettant aux agents d'effectuer des interactions web, de l'analyse de données et des flux de travail automatisés. L'architecture comprend un registre de compétences, un système d'invocation d'outils et une couche d'orchestration multi-agents, vous permettant de composer des agents pour le support client, l'assistance à la recherche et la productivité personnelle. Grâce à des fichiers de configuration, vous pouvez personnaliser le comportement de chaque agent, la politique de rétention de la mémoire et la journalisation pour le débogage ou la conformité.

Open WebUI Pipeline pour RAGFlow fournit aux développeurs et data scientists une pipeline modulaire pour construire des applications RAG (recherche augmentée par génération). Il supporte le téléchargement de documents, le calcul d'embeddings via diverses API LLM, et le stockage des vecteurs dans des bases de données locales pour une recherche de similarité efficace. Le framework orchestre les flux de récupération, synthèse et conversation, permettant des interfaces de chat en temps réel qui référencent des connaissances externes. Avec des prompts personnalisables, une compatibilité multi-modèles et une gestion de mémoire, il permet aux utilisateurs de créer des systèmes QA spécialisés, des résumeurs de documents et des assistants IA personnels dans un environnement Web UI interactif. L'architecture plugin permet une intégration transparente avec des configurations WebUI locales existantes comme Oobabooga. Il inclut des fichiers de configuration étape par étape et supporte le traitement par lots, le suivi du contexte conversationnel et des stratégies de récupération flexibles. Les développeurs peuvent étendre la pipeline avec des modules personnalisés pour la sélection de l'entrepôt vectoriel, la chaîne de prompts et la mémoire utilisateur, ce qui la rend idéale pour la recherche, le support client et les services de connaissances spécialisés.

OpenAI Agents MCP Server fournit une base solide pour déployer et gérer des agents autonomes alimentés par des modèles OpenAI. Il expose une API RESTful flexible pour créer, configurer et contrôler des agents, permettant aux développeurs d'orchestrer des tâches multi-étapes, de coordonner les interactions entre agents et de maintenir une mémoire persistante entre les sessions. Le framework prend en charge les intégrations d'outils de type plugin, une journalisation avancée des conversations et des stratégies de planification personnalisables. En abstraisant les préoccupations de l'infrastructure, MCP Server rationalise le processus de développement, facilitant la création rapide de prototypes et la mise en production évolutive d'assistants conversationnels, d'automations de workflows et de travailleurs numériques pilotés par IA.