LLM-Agent est un cadre léger et extensible pour créer des agents IA alimentés par de grands modèles linguistiques. Il fournit des abstractions pour la mémoire de conversation, des modèles d'invite dynamiques et une intégration transparente d'outils ou d'API personnalisés. Les développeurs peuvent orchestrer des processus de raisonnement multi-étapes, maintenir l'état à travers les interactions et automatiser des tâches complexes telles que la récupération de données, la génération de rapports et le support décisionnel. En combinant la gestion de la mémoire avec l'utilisation d'outils et la planification, LLM-Agent facilite le développement d'agents intelligents et orientés tâches en Python.

Local LLM avec appel de fonction permet aux développeurs de créer des agents IA qui fonctionnent entièrement sur le matériel local, éliminant ainsi les préoccupations de confidentialité des données et les dépendances au cloud. Le cadre inclut un code d'exemple pour intégrer des LLM locaux tels que LLaMA, GPT4All ou d'autres modèles à poids ouverts, et démontre comment configurer des schémas de fonctions que le modèle peut invoquer pour effectuer des tâches telles que la récupération de données, l'exécution de commandes shell ou l'interaction avec des API. Les utilisateurs peuvent étendre la conception en définissant des points de terminaison de fonction personnalisés, en personnalisant des invites et en gérant les réponses de fonction. Cette solution légère simplifie le processus de création d'assistants IA hors ligne, de chatbots et d'outils d'automatisation pour une large gamme d'applications.

Wren est une plateforme d'agents IA basée sur Python, conçue pour aider les développeurs à créer, gérer et déployer des agents autonomes. Elle fournit des abstractions pour définir des outils (API ou fonctions), des magasins de mémoire pour la conservation du contexte, et une logique d'orchestration pour gérer le raisonnement multi-étapes. Avec Wren, vous pouvez rapidement prototyper des chatbots, des scripts d'automatisation de tâches et des assistants de recherche en combinant les appels LLM, en enregistrant des outils personnalisés et en conservant l'historique des conversations. Sa conception modulaire et ses capacités de rappel facilitent l'extension et l'intégration avec des applications existantes.

Kin Kernel est un noyau léger open-source pour la construction de travailleurs numériques alimentés par IA. Il fournit un système unifié pour orchestrer de grands modèles de langage, gérer la mémoire contextuelle et intégrer des outils ou API personnalisés. Avec une architecture basée sur les événements, Kin Kernel supporte l'exécution asynchrone de tâches, le suivi des sessions et des plugins extensibles. Les développeurs définissent le comportement des agents, enregistrent des fonctions externes, et configurent le routage multi-LLM pour automatiser des workflows allant de l'extraction de données au support client. Le framework inclut aussi une journalisation intégrée et une gestion d'erreurs pour faciliter la surveillance et le débogage. Conçu pour la flexibilité, Kin Kernel peut être intégré dans des services web, microservices ou applications Python autonomes, permettant aux organisations de déployer des agents IA robustes à grande échelle.

Received est une plateforme de nouvelle génération pour les équipes financières B2B, facilitant la gestion des contrats personnalisés et des modèles de tarification complexes. Elle propose une facturation automatisée, une gestion des contrats, une facturation basée sur l'utilisation et des API personnalisées. En centralisant les flux de revenus et en fournissant des analyses de données en temps réel, la plateforme permet aux entreprises d'optimiser les processus de facturation, de réduire les retards de paiement et de maintenir un flux de trésorerie sain. Elle vise à remplacer les feuilles de calcul traditionnelles et à éliminer les coûts informatiques, en créant un environnement financier automatisé et fluide.

Self Collab AI offre un cadre modulaire dans lequel les développeurs définissent des agents autonomes, des canaux de communication et des objectifs de tâche. Les agents utilisent des invites prédéfinies et des modèles pour négocier les responsabilités, échanger des données et itérer sur des solutions. Basé sur Python et doté d'interfaces faciles à étendre, il supporte l'intégration avec des LLM, des plugins personnalisés et des API externes. Les équipes peuvent rapidement prototyper des workflows complexes—comme des assistants de recherche, de génération de contenu ou des pipelines d'analyse de données—en configurant les rôles des agents et les règles de collaboration sans écrire de code d'orchestration approfondi.

SimplerLLM fournit aux développeurs une API minimaliste pour composer des chaînes LLM, définir des actions d'agents et orchestrer des appels d'outils. Avec des abstractions intégrées pour la conservation de mémoire, des modèles de prompt et l'analyse de sortie, les utilisateurs peuvent rapidement assembler des agents conversationnels qui maintiennent le contexte entre les interactions. Le framework s'intègre parfaitement avec OpenAI, Azure et HuggingFace, et supporte des outils modulables pour les recherches, les calculatrices et les APIs personnalisées. Son cœur léger minimise les dépendances, permettant un développement agile et un déploiement facile sur le cloud ou en edge. Que ce soit pour construire des chatbots, des assistants QA ou des automateurs de tâches, SimplerLLM simplifie les pipelines d'agents LLM de bout en bout.

AI Agents est un cadre Python complet conçu pour rationaliser le développement d'agents logiciels intelligents. Il offre des kits d'outils plug-and-play pour intégrer des services externes comme la recherche Web, la gestion des fichiers et les API personnalisées. Avec des modules de mémoire intégrés, les agents maintiennent le contexte lors des interactions, permettant un raisonnement multi-étapes avancé et des conversations persistantes. Le cadre prend en charge plusieurs fournisseurs de LLM, y compris OpenAI et des modèles open source, permettant aux développeurs de changer ou de combiner facilement des modèles. Les utilisateurs définissent des tâches, attribuent des outils et des politiques de mémoire, et le moteur principal orchestre la construction des prompts, l'invocation des outils et l'analyse des réponses pour un fonctionnement fluide des agents.

Agent-Baba offre une boîte à outils complète pour créer et gérer des agents IA autonomes adaptés à des tâches spécifiques. Il propose une architecture de plugins pour étendre les capacités, un système de mémoire pour conserver le contexte conversationnel, et une automatisation de flux de travail pour l'exécution séquentielle des tâches. Les développeurs peuvent intégrer des outils comme des scrapeurs web, des bases de données et des API personnalisées dans les agents. Le framework simplifie la configuration via des schémas déclaratifs YAML ou JSON, supporte la collaboration multi-agents, et fournit des tableaux de bord de surveillance pour suivre la performance et les logs des agents, permettant une amélioration itérative et un déploiement transparent dans différents environnements.

Agent-Squad est un framework modulaire en Python qui permet aux équipes de concevoir, déployer et exécuter des systèmes multi-agents pour l'exécution de tâches complexes. Au cœur du système, Agent-Squad permet aux utilisateurs de configurer divers profils d'agents—comme récupérateurs de données, résumeurs, codeurs et validateurs—qui communiquent via des canaux définis et partagent un contexte mémoire. En décomposant des objectifs de haut niveau en sous-tâches, le framework orchestre le traitement parallèle et exploite les LLM avec des API externes, des bases de données ou des outils personnalisés. Les développeurs peuvent définir des workflows en JSON ou en code, surveiller les interactions des agents et ajuster les stratégies de façon dynamique à l'aide des outils de journalisation et d'évaluation intégrés. Les applications courantes incluent des assistants de recherche automatisés, des pipelines de génération de contenu, des bots QA intelligents, et des processus de revue de code itératifs. La conception open-source s'intègre parfaitement avec les services AWS, permettant des déploiements évolutifs.

Fenado AI, créé par des fondateurs expérimentés Azhar Iqubal et Manish Bisht, propose une plateforme sans code pour le lancement de sites web et d'applications mobiles. La plateforme utilise l'IA pour aider les utilisateurs à concevoir et à construire rapidement leurs produits numériques, de l'idée à l'exécution, sans aucune connaissance en programmation. Les services clés de Fenado AI incluent des prototypes instantanés, une création alimentée par l'IA, et des solutions évolutives pour des besoins commerciaux complets. Que ce soit pour créer des applications mobiles fonctionnelles, développer des API personnalisées ou fournir un support technique dédié, Fenado AI simplifie le processus pour les fondateurs, leur permettant de transformer leurs visions en réalité rapidement et efficacement.

InfantAgent offre une structure légère pour concevoir et déployer des agents intelligents en Python. Il s'intègre avec des LLM populaires (OpenAI, Hugging Face), supporte des modules de mémoire persistants et permet des chaînes d'outils personnalisés. Dès la sortie de la boîte, vous disposez d'une interface conversationnelle, d'une orchestration de tâches et d'une prise de décision basée sur des politiques. L'architecture plugin du cadre permet une extension facile pour des outils et APIs spécifiques au domaine, idéale pour le prototypage d'agents de recherche, l'automatisation des flux de travail ou l'intégration d'assistants IA dans des applications.