MultiAgentPuzzleSolver fournit un environnement modulaire où des agents d’IA indépendants travaillent ensemble pour résoudre des énigmes telles que les puzzles à glissières, la Cube de Rubik, et les grilles logiques. Les agents partagent des informations d’état, négocient des affectations de sous-tâches, et appliquent diverses heuristiques pour explorer l’espace de solutions plus efficacement que les approches à un seul agent. Les développeurs peuvent ajouter de nouveaux comportements d’agents, personnaliser les protocoles de communication, et introduire de nouvelles définitions d’énigmes. Le cadre inclut des outils pour la visualisation en temps réel, la collecte de métriques de performance, et la scripting d’expériences. Il supporte Python 3.8+, les bibliothèques standard, et des outils ML populaires pour une intégration transparente dans les projets de recherche.

NeXent est un framework d'agents IA flexible qui vous permet de définir des travailleurs numériques personnalisés via YAML ou SDK Python. Vous pouvez intégrer plusieurs LLM, API externes et chaînes d’outils dans des pipelines modulaires. Des modules mémoire intégrés permettent des interactions avec état, tandis qu’un tableau de bord de surveillance fournit des informations en temps réel. NeXent supporte le déploiement local et en cloud, les conteneurs Docker et évolue horizontalement pour les charges de travail d'entreprise. La conception open-source encourage l'extensibilité et les plugins communautaires.

Super-Agent-Party permet aux développeurs de définir un objet Party où des agents IA individuels jouent des rôles distincts tels que la planification, la recherche, la rédaction et la révision. Chaque agent peut être configuré avec des invites personnalisées, des outils et des paramètres de modèle. Le framework gère l'acheminement des messages et le contexte partagé, permettant aux agents de collaborer en temps réel sur des sous-tâches. Il supporte l'intégration de plugins pour des services tiers, des stratégies d'orchestration flexibles et des routines de gestion des erreurs. Avec une API intuitive, les utilisateurs peuvent ajouter ou supprimer des agents dynamiquement, enchaîner des flux de travail et visualiser les interactions entre agents. Basé sur Node.js et compatible avec les principaux fournisseurs cloud, Super-Agent-Party simplifie le développement de systèmes multi-agent évolutifs et maintenables pour l'automatisation, la génération de contenu, l'analyse de données, et plus encore.

CoreLink-Persona-Engine est un cadre modulaire qui permet aux développeurs de créer des agents IA avec des personas uniques en définissant des traits de personnalité, des comportements de mémoire et des flux de conversation. Il fournit une architecture de plugin flexible pour intégrer des bases de connaissances, une logique personnalisée et des API externes. Le moteur gère à la fois la mémoire à court terme et à long terme, permettant la continuité contextuelle entre les sessions. Les développeurs peuvent configurer des profils de persona avec JSON ou YAML, se connecter à des fournisseurs de LLM comme OpenAI ou des modèles locaux, et déployer des agents sur différentes plateformes. Avec une journalisation et une analyse intégrées, CoreLink facilite la surveillance des performances des agents et l’affinement du comportement, le rendant adapté pour des chatbots de support client, des assistants virtuels, des applications de jeu de rôle et des prototypes de recherche.

GRASP propose un pipeline structuré pour construire des agents IA dans des environnements TypeScript ou JavaScript. Au cœur, les développeurs définissent des agents en enregistrant un ensemble d'outils—fonctions ou connecteurs API externes—et en spécifiant des modèles de prompts qui guident le comportement de l'agent. Des modules de mémoire intégrés permettent aux agents de stocker et de récupérer des informations contextuelles, permettant des conversations multi-tours avec un état persistant. La composante de planification orchestre la sélection et l'exécution des outils en fonction de l'entrée utilisateur, tandis que la couche d'exécution gère les appels API et le traitement des résultats. Le système de plugins de GRASP supporte des extensions personnalisées, permettant des fonctionnalités telles que la génération augmentée par récupération (RAG), la planification de tâches et la journalisation. Sa conception modulaire permet aux équipes de choisir uniquement les composants dont elles ont besoin, facilitant l'intégration avec des systèmes et services existants pour les chatbots, assistants virtuels et workflows automatisés.

Personal AI Assistant est un agent AI modulaire développé en Python pour fournir une conversation, une mémoire contextuelle et l'exécution automatique de tâches. Il dispose d'un système de plugins pour la navigation web, la gestion de fichiers, l'envoi d'emails et la planification de calendrier. Soutenu par des modèles linguistiques d'OpenAI ou locaux et un stockage mémoire basé sur SQLite, il conserve l'historique de la conversation et adapte ses réponses au fil du temps. Les développeurs peuvent étendre ses capacités avec des modules personnalisés pour créer un assistant sur mesure pour la productivité, la recherche ou l'automatisation domestique.

Semantic Kernel Copilot Demo est une application de référence de bout en bout illustrant comment construire des agents IA avancés avec le cadre Semantic Kernel de Microsoft. La démo propose un chaînage de prompts pour un raisonnement multi-étapes, une gestion de mémoire pour rappeler le contexte entre les sessions, et une architecture de compétences basée sur des plugins permettant l'intégration avec des API ou services externes. Les développeurs peuvent configurer des connecteurs pour Azure OpenAI ou des modèles OpenAI, définir des modèles de prompts personnalisés et implémenter des compétences spécifiques au domaine telles que l'accès au calendrier, la gestion de fichiers ou la récupération de données. L'exemple montre comment orchestrer ces composants pour créer un copilote conversationnel capable de comprendre les intentions des utilisateurs, d'exécuter des tâches et de maintenir le contexte au fil du temps, favorisant ainsi le développement rapide d'assistants IA personnalisés.

AI-Agents propose une architecture modulaire pour définir des agents pilotés par IA utilisant Python et des modèles OpenAI. Il intègre des outils plug-in – notamment la recherche web, des calculatrices, la recherche Wikipedia et des fonctions personnalisées – permettant aux agents d'effectuer un raisonnement complexe à plusieurs étapes. Des composants de mémoire intégrés permettent la conservation du contexte entre les sessions. Les développeurs peuvent cloner le dépôt, configurer des clés API et étendre ou échanger rapidement des outils. Avec des exemples clairs et une documentation, AI-Agents simplifie le flux de travail du concept au déploiement de solutions IA conversationnelles ou orientées tâche.

Agentic Kernel offre une architecture découplée pour construire des agents d'IA en composant des composants réutilisables. Les développeurs peuvent définir des pipelines de planification pour décomposer des objectifs, configurer des mémoires à court et long terme à l'aide d'intégrations d'embeddings ou de backends basés sur des fichiers, et enregistrer des outils ou API externes pour l'exécution d'actions. Le framework supporte la sélection dynamique d'outils, les cycles de réflexion des agents et une planification intégrée pour gérer les flux de travail. Son design modulaire est compatible avec n'importe quel fournisseur de LLM et composants personnalisés, permettant des cas d'utilisation tels que assistants conversationnels, agents de recherche automatisés et bots de traitement de données. Avec une journalisation transparente, une gestion d'état, et une intégration facile, Agentic Kernel accélère le développement tout en assurant la maintenabilité et la scalabilité dans les applications basées sur l'IA.

AI Agent Example est un référentiel de démonstration pratique pour les développeurs et chercheurs souhaitant construire des agents intelligents alimentés par de grands modèles de langage (LLM). Le projet inclut un code d'exemple pour la planification d'agents, le stockage de mémoire et l'invocation d'outils, illustrant comment intégrer des API externes ou des fonctions personnalisées. Il propose une interface conversationnelle simple qui interprète les intentions de l'utilisateur, formule des plans d'action et exécute des tâches en appelant des outils prédéfinis. Les développeurs peuvent suivre des modèles clairs pour étendre l'agent avec de nouvelles capacités comme la planification d'événements, le scraping web ou le traitement automatisé de données. Offrant une architecture modulaire, ce modèle accélère l'expérimentation avec des workflows pilotés par l'IA et des assistants numériques personnalisés tout en donnant un aperçu de l'orchestration des agents et de la gestion d'état.

AskAtlasAI-Agent permet aux développeurs de déployer des agents d’IA répondant à des requêtes en langage naturel contre n’importe quel ensemble de documents stockés dans MongoDB Atlas. Il orchestrait les appels LLM pour l’incorporation, la recherche et la génération de réponses, gère le contexte conversationnel et propose des chaînes d’invite configurables. Basé sur JavaScript/TypeScript, il nécessite peu de configuration : connectez votre cluster Atlas, fournissez vos identifiants OpenAI, ingérez ou faites référence à vos documents, et commencez à interroger via une API simple. Il supporte également l’extension avec des fonctions de classement personnalisées, des backend de mémoire et l’orchestration multi-modèles.

Build with ADK facilite la création d'agents IA en fournissant un outil de scaffolding CLI, des définitions de flux de travail, des modules d'intégration LLM, des utilitaires de test, de journalisation et de support déploiement. Les développeurs peuvent initialiser des projets d'agents, choisir des modèles IA, configurer des invites, connecter des outils ou APIs externes, tester localement et déployer leurs agents en production ou sur des plateformes de conteneurs — le tout avec des commandes simples. L'architecture modulaire permet une extension facile avec des plugins et supporte plusieurs langages de programmation pour une flexibilité maximale.

Minimalist Agent fournit un cadre minimaliste pour construire des agents AI en Python. Il exploite les classes d'agents de LangChain et l'API d'OpenAI pour effectuer un raisonnement à plusieurs étapes, sélectionner dynamiquement des outils et exécuter des fonctions. Vous pouvez cloner le dépôt, configurer votre clé API OpenAI, définir des outils ou points de terminaison personnalisés, et exécuter le script CLI pour interagir avec l'agent. La conception met l'accent sur la clarté et l'extensibilité, rendant facile l'étude, la modification et l'extension des comportements principaux de l'agent pour l'expérimentation ou l'enseignement.

CUPCAKE AGI (Composable Utilitarian Pipeline for Creative, Knowledgeable, and Evolvable Autonomous General Intelligence) est un cadre Python flexible qui simplifie la construction d'agents autonomes en combinant modèles de langage, mémoire et outils externes. Il offre des modules principaux comprenant un planificateur d'objectifs, un exécuteur de modèles et un gestionnaire de mémoire pour conserver le contexte à travers les interactions. Les développeurs peuvent étendre la fonctionnalité via des plugins pour intégrer des API, bases de données ou kits d'outils personnalisés. CUPCAKE AGI supporte les workflows synchrones et asynchrones, ce qui le rend idéal pour la recherche, le prototypage et le déploiement d'agents en production dans diverses applications.

LangChain est un cadre Python open-source conçu pour accélérer le développement d'applications alimentées par l'IA. Il offre des abstractions pour enchaîner plusieurs appels à des modèles linguistiques (chaînes), construire des agents qui interagissent avec des outils externes, et gérer la mémoire des conversations. Les développeurs peuvent définir des invites, des parseurs de sortie et exécuter des workflows de bout en bout. Les intégrations incluent des magasins vectoriels, des bases de données, des APIs et des plateformes d'hébergement pour permettre des chatbots prêts pour la production, l’analyse de documents, des assistants de code, et des pipelines AI personnalisés.