GenAI Job Agents est un cadre open-source basé sur Python qui facilite la création et la gestion d'agents de travail alimentés par l'IA. Les développeurs peuvent définir des types de tâches personnalisés et des comportements d'agents à l'aide de fichiers de configuration simples ou de classes Python. Le système s'intègre parfaitement avec OpenAI pour le raisonnement basé sur LLM et avec LangChain pour la chaînage d'appels. Les tâches peuvent être mises en file d'attente, exécutées en parallèle et surveillées via des mécanismes de journalisation et de gestion des erreurs intégrés. Les agents peuvent gérer des entrées dynamiques, réessayer automatiquement en cas d'échec et produire des résultats structurés pour le traitement en aval. Avec une architecture modulaire, des plugins extensibles et des API claires, GenAI Job Agents permet aux équipes d'automatiser des tâches répétitives, d'orchestrer des flux de travail complexes et de faire évoluer les opérations pilotées par l'IA en environnement de production.

HFO_DQN combine Python et TensorFlow pour fournir une chaîne complète pour entraîner des agents de football utilisant Deep Q-Networks. Les utilisateurs peuvent cloner le dépôt, installer les dépendances incluant le simulateur HFO et les bibliothèques Python, et configurer les paramètres d'entraînement dans des fichiers YAML. Le cadre implémente la mémoire d'expérience, les mises à jour du réseau cible, l'exploration ε-greedy, et le façonnage de récompenses spécifique au domaine offense de moitié terrain. Il comprend des scripts pour l'entraînement des agents, la journalisation des performances, des matchs d'évaluation, et la réalisation de graphiques. La structure modulaire du code permet d'intégrer des architectures neural personnalisées, des algorithmes RL alternatifs, et des stratégies de coordination multi-agents. Les sorties incluent des modèles entraînés, des métriques de performance, et des visualisations du comportement, facilitant la recherche en apprentissage par renforcement et systèmes multi-agents.

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.

Multi-Agent AI Assistant est un cadre modulaire basé sur Python qui orchestre plusieurs agents alimentés par GPT, chacun assigné à des rôles discrets tels que la planification, la recherche, l'analyse et l'exécution. Le système supporte la transmission de messages entre agents, le stockage de mémoire et l'intégration avec des outils et APIs externes, permettant une décomposition complexe des tâches et une résolution collaborative de problèmes. Les développeurs peuvent personnaliser le comportement des agents, ajouter de nouvelles boîtes à outils et configurer les flux de travail via de simples fichiers de configuration. En exploitant un raisonnement distribué entre agents spécialisés, le cadre accélère la recherche automatisée, l’analyse de données, le support décisionnel et l’automatisation des tâches. Le dépôt comprend des implémentations d'exemple et des modèles, permettant une prototypage rapide d'assistants intelligents et de travailleurs numériques capables de gérer des flux de travail de bout en bout en environnement commercial, éducatif et 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.

Duet GPT est un cadre open source en Python pour orchestrer des conversations multi-agents entre deux modèles GPT. Vous définissez des rôles d'agents distincts, personnalisés avec des prompts système, et le cadre gère automatiquement le tour de rôle, le passage des messages et l'historique de la conversation. Cette structure collaborative accélère la résolution de tâches complexes, permettant un raisonnement comparatif, des cycles de critique et un raffinement itératif par échanges alternés. Son intégration transparente avec l'API OpenAI, sa configuration simple et sa journalisation intégrée en font un outil idéal pour la recherche, le prototypage et les flux de travail en production dans l'aide à la programmation, le support à la décision et l'idéation créative. Les développeurs peuvent étendre les classes principales pour intégrer de nouveaux services LLM, ajuster la logique de l'itérateur et exporter les transcriptions au format JSON ou Markdown pour l'analyse ultérieure.

Thufir est un framework open-source basé sur Python conçu pour faciliter la création d'agents IA autonomes capables de planification et d'exécution de tâches complexes. Au cœur de Thufir se trouve un moteur de planification qui décompose des objectifs de haut niveau en étapes réalisables, un module de mémoire pour stocker et rappeler des informations contextuelles au cours des sessions, et une interface d’outils plug-and-play permettant aux agents d’interagir avec des API externes, bases de données ou environnements d’exécution de code. Les développeurs peuvent exploiter les composants modulaires de Thufir pour personnaliser le comportement des agents, définir des outils personnalisés, gérer l’état de l’agent et orchestrer des workflows multi-agents. En abstraisant les préoccupations d’infrastructure de bas niveau, Thufir accélère le développement et le déploiement d’agents intelligents pour des cas d’usage tels que assistants virtuels, automatisation de flux de travail, recherche et travailleurs numériques.

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.

Chainlit est un framework Python asynchrone open-source conçu pour aider les développeurs à construire et déployer rapidement des applications d'IA conversationnelle et d'agents évolutifs. Il prend en charge les intégrations avec des bibliothèques et des frameworks Python populaires pour offrir une expérience de développement fluide. Avec Chainlit, les utilisateurs peuvent créer des applications de chat prêtes à l'emploi capables de gérer des interactions complexes et de conserver le contexte de la conversation.

ModelScope Agent offre un cadre modulaire basé sur Python pour orchestrer des agents IA autonomes. Il comprend une intégration de plugin pour des outils externes (API, bases de données, recherche), une mémoire de conversation pour la préservation du contexte et des chaînes d'agents personnalisables pour gérer des tâches complexes telles que la récupération de connaissances, le traitement de documents et le support à la décision. Les développeurs peuvent configurer les rôles, comportements et prompts des agents, ainsi que tirer parti de plusieurs backends LLM pour optimiser la performance et la fiabilité en production.

CodeFuse-muAgent est un cadre open-source basé sur Python qui orchestre plusieurs agents IA autonomes pour résoudre collectivement des tâches complexes. Les développeurs définissent des agents individuels avec des compétences spécialisées — telles que traitement de données, compréhension du langage naturel ou interaction avec des API externes — et configurent les protocoles de communication pour une délégation dynamique des tâches. Le cadre fournit une gestion centralisée de la mémoire, la journalisation et la surveillance, tout en restant indépendant du modèle, supportant l'intégration avec des LLM populaires et des modèles IA personnalisés. En utilisant CodeFuse-muAgent, les équipes peuvent construire des workflows IA modulaires, automatiser des processus multi-étapes et faire évoluer les déploiements dans divers environnements. Des fichiers de configuration flexibles et des API extensibles permettent une mise en prototype rapide, des tests et un réglage fin, rendant cela adapté aux cas d'utilisation dans le support client, les pipelines de génération de contenu, les assistants de recherche, et plus encore.

CUPCAKE AGI (Composable Utilitarian Pipeline for Creative, Knowledgeable, and Evolvable Autonomous General Intelligence) est un cadre Python flexible qui simplifie la construction d'agents autonomes en combinant modèles de langage, mémoire et outils externes. Il offre des modules principaux comprenant un planificateur d'objectifs, un exécuteur de modèles et un gestionnaire de mémoire pour conserver le contexte à travers les interactions. Les développeurs peuvent étendre la fonctionnalité via des plugins pour intégrer des API, bases de données ou kits d'outils personnalisés. CUPCAKE AGI supporte les workflows synchrones et asynchrones, ce qui le rend idéal pour la recherche, le prototypage et le déploiement d'agents en production dans diverses applications.

Cyrano est un framework open-source et une CLI en Python pour créer des agents IA orchestrant de grands modèles linguistiques et des outils externes via des invites en langage naturel. Les utilisateurs peuvent définir des outils personnalisés (fonctions), configurer la mémoire et les limites de tokens, et gérer les callbacks. Cyrano gère l'analyse des réponses JSON des LLMs et exécute en séquence les outils spécifiés. Il met l'accent sur la simplicité, la modularité et zéro dépendance externe, permettant aux développeurs de prototyper rapidement des chatbots, de construire des workflows automatisés et d'intégrer rapidement des capacités IA dans des applications.

Fast Reinforcement Learning est un framework Python spécialisé visant à accélérer le développement et l'exécution d'agents d'apprentissage par renforcement. Il offre une prise en charge prête à l'emploi pour des algorithmes populaires tels que PPO, A2C, DDPG et SAC, associée à une gestion d'environnements vectorisés à haut débit. Les utilisateurs peuvent facilement configurer des réseaux de politiques, personnaliser des boucles d'apprentissage et exploiter l'accélération GPU pour des expérimentations à grande échelle. La conception modulaire de la bibliothèque assure une intégration transparente avec les environnements OpenAI Gym, permettant aux chercheurs et praticiens de prototyper, de benchmarker et de déployer des agents dans une variété de tâches de contrôle, de jeux et de simulation.