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.

L'agent Wumpus LLM est conçu pour simplifier le développement d'agents IA Socratic avancés en fournissant des utilitaires d'orchestration préfabriqués, des modèles de sollicitation structurés et une intégration d'outils transparente. Les utilisateurs définissent des personas d'agents, des ensembles d'outils, et des flux de conversation, puis exploitent la gestion intégrée de la chaîne de pensée pour une raisonnement transparent. Le framework gère les changements de contexte, la récupération d'erreurs, et la gestion de mémoire, permettant des processus décisionnels en plusieurs étapes. Il comprend une interface plugin pour API, bases de données, et fonctions personnalisées, permettant aux agents de naviguer sur le web, de consulter des bases de connaissances, ou d'exécuter du code. Avec une journalisation complète et un débogage, les développeurs peuvent tracer chaque étape de raisonnement, ajuster le comportement de l'agent, et déployer sur toute plateforme supportant Python 3.7+.

AgentX offre une architecture extensible pour construire des agents pilotés par IA qui exploitent de grands modèles de langage, des intégrations d'outils et d'API, et des modules de mémoire pour effectuer des tâches complexes de manière autonome. Il dispose d'un système de plugins pour des outils personnalisés, du support pour la récupération basée sur des vecteurs, le raisonnement en chaîne de pensée et des journaux d'exécution détaillés. Les utilisateurs définissent des agents via des fichiers de configuration flexibles ou du code, en spécifiant des outils, des backends de mémoire comme Chroma DB et des pipelines de raisonnement. AgentX gère le contexte sur plusieurs sessions, permet la génération augmentée par récupération et facilite les conversations à plusieurs tours. Ses composants modulaires permettent aux développeurs d'orchestrer des flux de travail, de personnaliser les comportements des agents et d'intégrer des services externes pour l'automatisation, l'assistance à la recherche, le support client et l'analyse de données.

Le framework LLM Maze Agent fournit un environnement basé sur Python pour construire des agents intelligents capables de naviguer dans des labyrinthes en grille en utilisant de grands modèles linguistiques. En combinant des interfaces modulaires d’environnement avec des modèles de prompt en chaîne de pensée et une planification heuristique, l’agent interroge itérativement un LLM pour décider des directions de déplacement, s’adapter aux obstacles et mettre à jour sa représentation d’état interne. La prise en charge prête à l’emploi des modèles OpenAI et Hugging Face permet une intégration transparente, tandis que la génération de labyrinthes configurable et le débogage étape par étape facilitent l’expérimentation avec différentes stratégies. Les chercheurs peuvent ajuster les fonctions de récompense, définir des espaces de observations personnalisés et visualiser les trajectoires de l’agent pour analyser les processus de raisonnement. Ce design rend LLM Maze Agent un outil polyvalent pour évaluer la planification pilotée par LLM, enseigner des concepts d’IA et benchmarker la performance des modèles sur des tâches de raisonnement spatial.

micro-agent fournit une abstraite minimaliste mais puissante pour créer des agents IA autonomes. Écrite en TypeScript, elle fonctionne parfaitement à la fois dans le navigateur et dans Node.js, permettant de définir des agents avec des modèles de prompt personnalisés, une logique de décision et une intégration d'outils extensible. Les agents peuvent exploiter le raisonnement par chaîne de pensée, interagir avec des API externes et maintenir une mémoire conversationnelle ou spécifique à une tâche. La bibliothèque inclut des utilitaires pour la gestion des réponses API, la gestion des erreurs et la persistance des sessions. Avec micro-agent, les développeurs peuvent prototyper et déployer des agents pour une gamme de tâches — automatisation de workflows, construction d'interfaces conversationnelles ou orchestration de pipelines de traitement de données — sans la surcharge de frameworks plus importants. Son design modulaire et son API claire permettent une extension facile et une intégration dans des applications existantes.