Whiz est conçu pour fournir une base robuste pour le développement d'agents intelligents capables d'effectuer des workflows conversationnels et orientés tâches complexes. Avec Whiz, les développeurs définissent des "outils" — des fonctions Python ou des API externes — que l'agent peut invoquer lors du traitement des requêtes utilisateur. Un module de mémoire intégré capture et récupère le contexte de conversation, permettant des interactions multi-tours cohérentes. Un moteur de planification dynamique décompose les objectifs en étapes réalisables, tandis qu'une interface flexible permet d'injecter des politiques personnalisées, des registres d'outils et des backends de mémoire. Whiz supporte la recherche sémantique basée sur des embeddings pour extraire des documents pertinents, la journalisation pour la traçabilité et l'exécution asynchrone pour la montée en charge. Entièrement open-source, Whiz peut être déployé partout où Python s'exécute, permettant une création rapide de prototypes de bots d'assistance client, d'assistants d'analyse de données ou d'agents spécialisés, avec peu de boilerplate.

Les Agents Autonomes sont une bibliothèque Python open-source conçue pour simplifier la création d'agents d'IA autonomes alimentés par de grands modèles de langage. En abstraisant des composants clés tels que la perception, le raisonnement et l'action, ils permettent aux développeurs de définir des outils, des mémoires et des stratégies personnalisés. Les agents peuvent planifier de manière autonome des tâches multi-étapes, interroger des API externes, traiter des résultats via des parseurs personnalisés et maintenir un contexte conversationnel. Le cadre prend en charge la sélection dynamique d'outils, l'exécution séquentielle et parallèle des tâches, ainsi que la persistance de la mémoire, permettant une automatisation robuste allant de l'analyse de données et la recherche à la synthèse de courriels et le web scraping. Son design extensible facilite l'intégration avec différents fournisseurs de LLM et modules personnalisés.

BAML Agents est conçu pour les développeurs et praticiens de l'IA cherchant une plateforme modulaire et extensible pour construire des agents autonomes. Il propose une architecture basée sur des plugins pour une intégration transparente des outils personnalisés, un sous-système de mémoire pour maintenir le contexte conversationnel et une prise en charge intégrée des workflows de raisonnement multi-étapes. Avec BAML Agents, les utilisateurs peuvent rapidement configurer le comportement de l'agent, se connecter à des API externes et orchestrer des tâches complexes sans réinventer les modèles d'agent courants. Son design léger et ses abstractions claires en font un outil idéal pour le prototypage, la recherche et les déploiements en production dans divers scénarios d'automatisation.

e2e-chainlit-chatbot est un projet d'exemple démontrant le cycle complet de développement d'un agent d'IA conversationnelle utilisant Chainlit. Le dépôt inclut du code de bout en bout pour lancer un serveur web local hébergeant une interface de chat interactive, intégrée à de grands modèles de langage pour les réponses, et gérant le contexte de la conversation à travers les messages. Il propose des modèles de prompt personnalisables, des workflows multi-agent, et la diffusion en direct des réponses. Les développeurs peuvent configurer des clés API, ajuster les paramètres du modèle, et étendre le système avec une logique ou des intégrations personnalisées. Avec des dépendances minimales et une documentation claire, ce projet accélère l'expérimentation avec des chatbots pilotés par l'IA et fournit une base solide pour des assistants conversationnels de qualité production. Il inclut également des exemples pour personnaliser les composants front-end, la journalisation et la gestion des erreurs. Conçu pour une intégration transparente avec les plateformes cloud, il supporte à la fois les cas d'utilisation de prototype et de production.

FireAct Agent est un framework React open-source conçu pour créer des agents conversationnels alimentés par l'IA. Il offre une architecture modulaire qui permet de définir des outils personnalisés, de gérer la mémoire de session et de rendre des interfaces de chat avec des types de messages riches. Avec des typings TypeScript et la prise en charge du rendu côté serveur, FireAct Agent rationalise la connexion aux LLMs, l'appel d'API externes ou de fonctions, et le maintien du contexte conversationnel tout au long des interactions. Vous pouvez personnaliser le style, étendre les composants principaux et déployer sur n'importe quel environnement web.

FreeAct utilise une architecture modulaire pour simplifier la création d'agents IA. Les développeurs définissent des objectifs de haut niveau et configurent le module de planification pour générer des plans étape par étape. La composante de raisonnement évalue la faisabilité du plan, tandis que le moteur d'exécution orchestre les appels API, les requêtes à la base de données et les interactions avec des outils externes. La gestion de mémoire suit le contexte de la conversation et les données historiques, permettant aux agents de prendre des décisions éclairées. Un registre d'environnement simplifie l'intégration d'outils et de services personnalisés, permettant une adaptation dynamique. FreeAct supporte plusieurs backends LLM et peut être déployé sur des serveurs locaux ou sur des environnements cloud. Son caractère open-source et sa conception extensible facilitent la prototypage rapide d'agents intelligents pour la recherche et les cas d'utilisation en production.

Practical AI Agents offre aux développeurs un cadre complet et des exemples prêts à l'emploi pour construire des agents autonomes alimentés par de grands modèles linguistiques. Il montre comment intégrer des outils API (par ex., navigateurs Web, bases de données, fonctions personnalisées), implémenter une mémoire de style RAG, gérer le contexte des conversations et effectuer une planification dynamique. Les exemples peuvent être adaptés pour des chatbots, des assistants d'analyse de données, des scripts d'automatisation de tâches ou des outils de recherche. Le dépôt comprend des notebooks, des fichiers Docker et des fichiers de configuration pour simplifier la configuration et le déploiement dans différents environnements.

Spellcaster propose une approche structurée pour construire des agents IA en utilisant des 'sorts' — une combinaison d'invites, de logique et de workflows. Les développeurs écrivent des configurations YAML pour définir le rôle, les entrées, les sorties et les étapes d'orchestration des agents. L'outil CLI exécute les sorts, route les messages et s'intègre de manière transparente avec OpenAI, Anthropic et d'autres API LLM. Spellcaster suit les logs d'exécution, conserve le contexte de la conversation et prend en charge des plugins personnalisés pour le pré-traitement et le post-traitement. Son interface de débogage visualise la séquence d'appels et les flux de données, facilitant l'identification des échecs de prompt et des problèmes de performance. En abstraisant les modèles complexes d'orchestration et en standardisant les modèles de prompts, Spellcaster réduit la charge de développement et garantit un comportement cohérent des agents dans divers environnements.