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.

Agentic Workflow est un cadre déclaratif permettant aux développeurs de définir des flux de travail d'IA complexes en chaînant plusieurs agents basés sur LLM, chacun avec des rôles, prompts et logique d'exécution personnalisables. Il offre un support intégré pour l'orchestration des tâches, la gestion de l'état, la gestion des erreurs et les intégrations de plugins, permettant une interaction fluide entre agents et outils externes. La bibliothèque utilise Python et des configurations basées sur YAML pour abstraire la définition des agents, supporte l'exécution asynchrone et offre une extensibilité via des connecteurs et plugins personnalisés. En tant que projet open-source, il inclut des exemples détaillés, des modèles et de la documentation pour aider les équipes à accélérer le développement et à maintenir des écosystèmes complexes d'agents IA.

MARL-DPP est un cadre open-source permettant l'apprentissage par renforcement multi-agent (MARL) avec diversité imposée via des processus déterminants (DPP). Les approches MARL traditionnelles souffrent souvent d'une convergence des politiques vers des comportements similaires ; MARL-DPP y remédie en intégrant des mesures basées sur le DPP pour encourager les agents à conserver des distributions d'actions diversifiées. La boîte à outils fournit un code modulaire pour intégrer le DPP dans les objectifs d'entraînement, l’échantillonnage de politiques et la gestion de l’exploration. Elle inclut une intégration prête à l’emploi avec des environnements standard comme OpenAI Gym et l’environnement multi-agent Particle (MPE), ainsi que des utilitaires pour la gestion des hyperparamètres, la journalisation et la visualisation des métriques de diversité. Les chercheurs peuvent évaluer l’impact des contraintes de diversité sur des tâches coopératives, l’allocation des ressources et les jeux compétitifs. La conception extensible prend en charge des environnements personnalisés et des algorithmes avancés, facilitant l’exploration de nouvelles variantes de MARL-DPP.