Le système Linguistic Agent est un cadre Open-Source Python conçu pour construire des agents intelligents qui exploitent les modèles de langage pour planifier et exécuter des tâches. Il inclut des composants pour la gestion de la mémoire, le registre d'outils, le planificateur et l'exécuteur, permettant aux agents de maintenir le contexte, d'appeler des API externes, d'effectuer des recherches sur le web et d'automatiser les flux de travail. Configurable via YAML, il prend en charge plusieurs fournisseurs de LLM, permettant un prototypage rapide de chatbots, résumeurs de contenu, et assistants autonomes. Les développeurs peuvent étendre la fonctionnalité en créant des outils et des backends de mémoire personnalisés, déployant des agents localement ou sur des serveurs.

Pipe Pilot est un outil open-source qui permet aux développeurs de créer, visualiser et gérer des pipelines IA en Python. Il offre une API déclarative ou une configuration YAML pour chaîner des tâches telles que génération de texte, classification, enrichissement de données et appels API REST. Les utilisateurs peuvent mettre en œuvre des branches conditionnelles, des boucles, des réinitialisations et des gestionnaires d’erreurs pour créer des workflows résilients. Pipe Pilot maintient le contexte d’exécution, enregistre chaque étape et supporte des modes d’exécution parallèles ou séquentiels. Il s’intègre avec les principaux fournisseurs LLM, des fonctions personnalisées et des services externes, idéal pour automatiser des rapports, chatbots, le traitement intelligent de données et des applications d’IA complexes en plusieurs étapes.

FreeThinker offre une architecture modulable pour définir des agents IA capables d'exécuter des tâches de manière autonome en tirant parti de grands modèles de langage, de modules de mémoire et d'outils externes. Les développeurs peuvent configurer les agents via Python ou YAML, intégrer des outils personnalisés pour la recherche web, le traitement de données ou les appels API, et utiliser des stratégies de planification intégrées. Le framework gère l'exécution étape par étape, la conservation du contexte et l'agrégation des résultats pour que les agents puissent fonctionner de manière autonome dans la recherche, l'automatisation ou les workflows de soutien à la décision.

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.

TDD-GPT-Agent intègre les modèles GPT-4 ou GPT-3.5 d'OpenAI dans une CLI basée sur Python pour piloter un cycle de développement piloté par les tests entièrement automatisé. Sur la base d'une spécification de fonction par un développeur, il génère des fichiers de test pytest, exécute localement les tests, analyse les échecs, et produit du code d'implémentation pour satisfaire les assertions. Il répète le cycle jusqu'à ce que tous les tests passent. Configurable via un fichier YAML, l'agent supporte la personnalisation des prompts, la journalisation des sessions, l'intégration Git, et peut être intégré dans des pipelines CI/CD pour une assurance qualité continue. Ce workflow basé sur l'IA accélère le développement, améliore la couverture et garantit la fiabilité du code.

Aladin propose une architecture modulaire permettant aux développeurs de définir des agents autonomes propulsés par de grands modèles de langage (LLMs). Chaque agent peut charger des backends mémoire (ex. SQLite, en mémoire), utiliser des modèles de prompts dynamiques et intégrer des plugins personnalisés pour des appels API externes ou l'exécution de commandes locales. Il possède un planificateur de tâches qui décompose des objectifs de haut niveau en actions séquencées, les exécutant dans l'ordre et les réitérant basés sur le feedback de l'LLM. La configuration est gérée via des fichiers YAML et des variables d'environnement, l'adaptant à divers cas d'usage. Les utilisateurs peuvent déployer Aladin via Docker Compose ou pip. Les interfaces CLI et HTTP basées sur FastAPI permettent de lancer des agents, surveiller leur exécution et inspecter l'état de la mémoire, facilitant l'intégration avec des pipelines CI/CD, interfaces de chat ou dashboards personnalisés.