Plan Agent avec Meta-Agent offre une architecture d'agent IA stratifiée : l'Agent de Planification génère des stratégies structurées pour atteindre des objectifs de haut niveau, tandis que le Meta-Agent supervise l'exécution, ajuste les plans en temps réel, et délègue les sous-tâches à des sous-agents spécialisés. Il dispose de connecteurs d'outils plug-and-play (ex. APIs web, bases de données), d'une mémoire persistante pour le maintien du contexte, et d'une journalisation configurable pour l'analyse des performances. Les utilisateurs peuvent étendre le framework avec des modules personnalisés pour divers scénarios d'automatisation, de la traitement de données à la génération de contenu ou au support à la décision.

Agent Workflow Memory est une bibliothèque Python conçue pour augmenter les agents IA avec une mémoire persistante dans des workflows complexes. Elle exploite des magasins vectoriels pour encoder et récupérer le contexte pertinent, permettant aux agents de se souvenir des interactions passées, de maintenir l'état et de prendre des décisions éclairées. La bibliothèque s'intègre parfaitement avec des frameworks comme le WorkflowAgent de LangChain et offre des rappels de mémoire personnalisables, des politiques d'éviction de données, et le support pour divers backends de stockage. En stockant l'historique des conversations et les métadonnées des tâches dans des bases de données vectorielles, elle permet d'effectuer des recherches par similarité sémantique pour faire apparaître les souvenirs les plus pertinents. Les développeurs peuvent affiner les périmètres de récupération, compresser les données historiques, et implémenter des stratégies de persistance personnalisées. Idéal pour des sessions longues, la coordination multi-agent et les dialogues riches en contexte, Agent Workflow Memory assure que les agents IA fonctionnent avec continuité, permettant des interactions plus naturelles et sensibles au contexte tout en réduisant la redondance et en améliorant l'efficacité.