Evolving Agents fournit un cadre basé sur la programmation génétique pour construire et faire évoluer des agents d'IA modulaires. Les utilisateurs assemblent des architectures d'agents à partir de composants interchangeables, configurent des simulations d'environnement et des métriques de fitness, puis exécutent des cycles évolutifs pour générer automatiquement des comportements d'agents améliorés. La bibliothèque inclut des outils pour la mutation, le croisement, la gestion de population et le suivi de l'évolution, permettant aux chercheurs et développeurs de prototyper, tester et affiner des agents autonomes dans divers environnements simulés.

Hyperbolic Time Chamber fournit un environnement flexible pour construire des agents IA en proposant des composants pour la gestion de la mémoire, l'orchestration de la fenêtre contextuelle, la chaînée de prompts, l'intégration d'outils et le contrôle d'exécution. Les développeurs définissent le comportement des agents via des blocs modulaires, configurent des mémoires personnalisées (courte et longue durée) et connectent des API externes ou des outils locaux. Le framework inclut le support asynchrone, la journalisation et des utilitaires de débogage, permettant une itération rapide et un déploiement d'agents conversationnels ou axés sur les tâches sophistiqués dans des projets Python.

Isek est une plateforme orientée développeur pour créer des agents IA avec une architecture modulaire. Elle propose un système de plugins pour les outils et sources de données, une mémoire intégrée pour la rétention du contexte et un moteur de planification pour coordonner les tâches en plusieurs étapes. Vous pouvez déployer des agents localement ou dans le cloud, intégrer n'importe quel backend LLM, et étendre la fonctionnalité via des modules communautaires ou personnalisés. Isek facilite la création de chatbots, d'assistants virtuels et de flux de travail automatisés grâce à des modèles, SDK et outils CLI pour un développement rapide.

mcp-agent-graph fournit une couche d'orchestration basée sur un graphe pour les agents AI, permettant aux développeurs de cartographier des flux de travail complexes en plusieurs étapes sous forme de graphes dirigés. Chaque nœud du graphe correspond à une tâche ou fonction d'agent, capturant les entrées, sorties et dépendances. Les arêtes définissent le flux de données entre les agents, garantissant l'ordre d'exécution correct. Le moteur supporte des modes d'exécution séquentielle et parallèle, la résolution automatique des dépendances, et s'intègre avec des fonctions Python personnalisées ou des services externes. La visualisation intégrée permet aux utilisateurs d'inspecter la topologie du graphe et de déboguer les flux de travail. Ce framework rationalise le développement de systèmes modulaires et évolutifs multi-agents pour le traitement des données, les flux de travail langage naturel ou les pipelines de modèles AI combinés.

OpenMAS est conçu pour faciliter le développement et l'évaluation d'agents d'IA décentralisés et de stratégies de coordination multi-agents. Il dispose d'une architecture modulaire permettant aux utilisateurs de définir des comportements d'agents personnalisés, des modèles d'environnement dynamiques et des protocoles de messagerie inter-agents. Le cadre prend en charge la simulation basée sur la physique, l'exécution événementielle et l'intégration de plugins pour les algorithmes d'IA. Les utilisateurs peuvent configurer des scénarios via YAML ou Python, visualiser les interactions des agents et collecter des métriques de performance via des outils d'analyse intégrés. OpenMAS rationalise la prototypage dans des domaines tels que l'intelligence en essaim, la robotique coopérative et la prise de décision distribuée.

Le dépôt fournit un tutoriel étape par étape et une implémentation de référence pour créer un agent AI basé sur ReAct utilisant DeepSeek pour la récupération vectorielle en haute dimension. Il couvre la configuration de l'environnement, l'installation des dépendances, et la configuration des magasins de vecteurs pour des données personnalisées. L'agent utilise le motif ReAct pour combiner les traces de raisonnement avec des recherches de connaissances externes, résultant en des réponses transparentes et explicables. Les utilisateurs peuvent étendre le système en intégrant des chargeurs de documents supplémentaires, en ajustant les modèles de prompts, ou en échangeant les bases de données vectorielles. Ce cadre flexible permet aux développeurs et chercheurs de prototyper rapidement des agents conversationnels puissants, capables de raisonner, de récupérer et d'interagir sans effort avec diverses sources de connaissances en quelques lignes de code Python.

RepoAgent est un cadre d'IA qui transforme n'importe quel dépôt de code en une base de connaissances interactive. Il indexe les fichiers sources, fonctions, classes et documentations dans un magasin vectoriel, permettant une récupération rapide et des réponses contextuelles. Les développeurs peuvent poser des questions en langage naturel sur la fonctionnalité, l'architecture ou les dépendances du code. Il prend en charge la résumé automatique du code, la génération de documentation et la création de cas de test en intégrant des grands modèles linguistiques. RepoAgent analyse également les issues, pull requests et l'historique des commits pour fournir des insights sur la qualité du code et les bugs potentiels. Son design modulaire permet de personnaliser les pipelines de récupération, la sélection des modèles et le formatage des sorties. En s'intégrant directement dans les pipelines CI/CD ou IDE, RepoAgent accélère le développement, réduit le temps d'intégration et augmente la productivité de l'équipe.

Le apprentissage automatique autodidacte simple offre aux développeurs une approche extrêmement simple pour créer et entraîner des agents d'apprentissage par renforcement en Python. Le framework abstrait les composants clés du RL, tels que les wrappers d'environnement, les modules de politique et les buffers d'expérience, en interfaces concises. Les utilisateurs peuvent rapidement initialiser les environnements, définir des politiques personnalisées avec des backends familiers comme PyTorch ou TensorFlow, et exécuter des boucles d’entraînement avec journalisation et sauvegarde intégrées. La bibliothèque supporte les algorithmes on-policy et off-policy, permettant une expérimentation flexible avec Q-learning, les gradients de politique et les méthodes acteur-critique. En réduisant le code boilerplate, le apprentissage automatique autodidacte simple permet aux praticiens, éducateurs et chercheurs de prototype des algorithmes, tester des hypothèses et visualiser la performance de l'agent avec une configuration minimale. Sa conception modulaire facilite également l'intégration avec les stacks ML existants et les environnements personnalisés.

CASA est conçue comme un cadre d'autonomie modulaire, prêt à l'emploi, basé sur l'écosystème Robot Operating System (ROS). Elle présente une architecture décentralisée où chaque robot exécute des planificateurs locaux et des nœuds d'arbres de comportement, publiant sur un tableau noir partagé pour les mises à jour de l'état du monde. L'attribution de tâches est gérée par des algorithmes d'enchères qui assignent des missions en fonction des capacités et de la disponibilité des robots. La couche de communication utilise des messages ROS standards sur des réseaux multi-robots pour synchroniser les agents. Les développeurs peuvent personnaliser les paramètres des missions, intégrer des pilotes de capteurs et étendre les bibliothèques de comportements. CASA supporte la simulation de scénarios, la surveillance en temps réel et des outils de journalisation. Sa conception extensible permet aux équipes de recherche d'expérimenter de nouveaux algorithmes de coordination et de déployer sans effort sur diverses plates-formes robotiques, des véhicules terrestres sans pilote aux drones aériens.

Advanced Agents Cookbooks est un projet GitHub communautaire offrant une bibliothèque de recettes d'agents IA basés sur LangChain. Il couvre des modules de mémoire pour la rétention du contexte, l'intégration d'outils personnalisés pour des appels API et données externes, des modèles pour l'appel de fonctions pour des réponses structurées, la planification de raisonnement pour la prise de décision complexe et l'orchestration de workflows multi-étapes. Les développeurs peuvent utiliser ces exemples prêts à l'emploi pour comprendre les meilleures pratiques, personnaliser le comportement et accélérer le développement d'agents intelligents automatisant des tâches telles que la planification, la récupération de données et le support client.

ai-agents-trial est un projet Python open-source démontrant comment construire des agents IA autonomes utilisant LLMs. Il fournit des abstractions modulaires pour la planification des agents, l'appel d'outils (par exemple, recherche Web, calculatrices) et la gestion de la mémoire. Les développeurs peuvent définir des outils personnalisés, chaîner des actions sur plusieurs étapes et conserver le contexte entre les sessions. La base de code utilise les API d'OpenAI avec des utilitaires d'aide pour orchestrer les flux de travail, ce qui le rend idéal pour le prototypage rapide de assistants chat, de bots de recherche ou d'agents d'automatisation spécifiques à un domaine. Les points d'intégration permettent d'étendre la fonctionnalité avec de nouveaux connecteurs et sources de données sans modifier la logique principale.

Swarms est une boîte à outils et un framework destinés à simplifier la création et l'orchestration d'agents IA autonomes travaillant ensemble pour résoudre des flux de travail complexes. Chaque agent peut être configuré avec des rôles, des outils et des contextes de mémoire distincts, permettant à des agents spécialisés de rechercher des informations, analyser des données, générer des résultats créatifs ou invoquer des API externes. La plateforme fournit une interface en ligne de commande, un SDK Python et des fichiers de configuration YAML pour définir le comportement des agents, les stratégies de planification et la communication entre agents. Swarms supporte l'intégration avec OpenAI, Anthropic, Azure et des LLM open-source, et propose une journalisation intégrée, des tableaux de bord de surveillance et des couches de persistance modulaires pour enchaîner des processus de raisonnement multi-étapes. Avec Swarms, les équipes peuvent concevoir, tester et déployer des solutions IA distribuées et auto-organisées avec un code boilerplate minimal et une observabilité complète.

Clear Agent est un framework axé sur les développeurs conçu pour simplifier la création d'agents pilotés par l'IA. Il propose l'enregistrement d'outils, la gestion de la mémoire et des classes d'agents personnalisables qui traitent les instructions des utilisateurs, appellent des API ou des fonctions locales, et renvoient des réponses structurées. Les développeurs peuvent définir des flux de travail, étendre la fonctionnalité avec des plugins et déployer des agents sur plusieurs plateformes sans code boilerplate. Clear Agent met l'accent sur la clarté, la modularité et la facilité d'intégration pour des assistants IA prêts pour la production.

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.

Dev-Agent est un framework d'agents IA open-source qui permet aux développeurs de créer et déployer rapidement des agents autonomes. Il combine une architecture modulaire de plugins avec une invocation d'outils facile à configurer, y compris des points de terminaison HTTP, des requêtes de base de données et des scripts personnalisés. Les agents peuvent exploiter une couche de mémoire persistante pour référencer les interactions passées, et orchestrer des flux de raisonnement à plusieurs étapes pour des tâches complexes. Avec la prise en charge intégrée des modèles GPT d'OpenAI, les utilisateurs définissent le comportement des agents via des spécifications JSON ou YAML simples. L'outil CLI gère l'authentification, l'état de la session, et la journalisation. Que ce soit pour créer des bots de support client, des assistants de récupération de données ou des helpers CI/CD automatisés, Dev-Agent réduit la surcharge de développement et permet une extension transparente via des plugins communautaires, offrant flexibilité et évolutivité pour diverses applications basées sur l'IA.

JaCaMo fournit un environnement unifié pour concevoir et exécuter des systèmes multi-agents (MAS) en intégrant trois composants principaux : le langage de programmation Jason pour les agents BDI, CArtAgO pour la modélisation environnementale basée sur des artefacts, et Moise pour la spécification des structures organisationnelles et roles. Les développeurs peuvent écrire des plans d'agents, définir des artefacts avec des opérations, et organiser des groupes d'agents sous des cadres normatifs. La plateforme inclut des outils pour la simulation, le débogage et la visualisation des interactions MAS. Avec le support pour l'exécution distribuée, des référentiels d'artefacts, et une messagerie flexible, JaCaMo permet un prototypage rapide et la recherche dans des domaines tels que l'intelligence en essaim, la robotique collaborative et la prise de décision distribuée. Son design modulaire assure l'évolutivité et l'extensibilité à travers des projets académiques et industriels.

gym-multigrid fournit une série d'environnements en grille personnalisables conçus pour la navigation multi-chambres et les tâches d'exploration en apprentissage par renforcement. Chaque environnement se compose de pièces interconnectées remplies d'objets, de clés, de portes et d'obstacles. Les utilisateurs peuvent ajuster la taille de la grille, la configuration des pièces et le placement des objets de manière programmatique. La bibliothèque prend en charge les modes d'observation complets ou partiels, offrant des représentations d'état RGB ou matricielles. Les actions incluent le déplacement, l'interaction avec les objets et la manipulation des portes. En l'intégrant comme environnement Gym, les chercheurs peuvent exploiter n'importe quel agent compatible Gym pour former et évaluer des algorithmes sur des tâches telles que des puzzles clé-portes, la récupération d'objets ou la planification hiérarchique. La conception modulaire et les dépendances minimales de gym-multigrid en font un outil idéal pour comparer de nouvelles stratégies d'IA.

Julep AI est une plateforme open-source conçue pour aider les équipes de science des données à construire, itérer et déployer rapidement des workflows d'IA en plusieurs étapes. Avec Julep, vous pouvez créer des pipelines d'IA évolutifs, durables et de longue durée en utilisant des agents, des tâches et des outils. La configuration basée sur YAML de la plateforme simplifie les processus d'IA complexes et garantit des workflows prêts pour la production. Elle prend en charge le prototypage rapide, la conception modulaire et l'intégration transparente avec les systèmes existants, ce qui la rend idéale pour gérer des millions d'utilisateurs simultanés tout en offrant une visibilité complète sur les opérations d'IA.

LLM to MCP Integration Engine est un cadre open-source conçu pour intégrer de grands modèles de langage (LLMs) avec diverses plateformes de communication par messagerie (MCP). Il fournit des adaptateurs pour les API LLM telles qu'OpenAI et Anthropic, ainsi que des connecteurs pour des plateformes comme Slack, Discord et Telegram. Le moteur gère l'état des sessions, enrichit le contexte et route les messages bidirectionnellement. Son architecture basée sur des plugins permet aux développeurs d'étendre la prise en charge à de nouveaux fournisseurs et de personnaliser la logique métier, accélérant ainsi le déploiement d'agents IA en environnement de production.

Micro-agent est une bibliothèque JavaScript légère et sans opinion, conçue pour simplifier la création d'agents IA sophistiqués utilisant de grands modèles de langage. Elle expose des abstractions de base telles que agents, outils, planificateurs et magasins de mémoire, permettant aux développeurs de assembler des flux conversationnels personnalisés. Les agents peuvent invoquer des API externes ou des utilitaires internes en tant qu'outils, permettant une récupération dynamique de données et l'exécution d'actions. La bibliothèque supporte à la fois la mémoire conversationnelle à court terme et la mémoire persistante à long terme pour maintenir le contexte à travers les sessions. Les planificateurs orchestrent les processus de chaîne de pensée, décomposant des tâches complexes en appels d'outils ou requêtes de modèle linguistique. Avec des modèles de prompts configurables et des stratégies d'exécution, micro-agent s'adapte parfaitement aux applications web frontend, aux services Node.js et aux environnements en périphérie, fournissant une base flexible pour les chatbots, assistants virtuels ou systèmes de décision autonomes.