Agentfy offre une architecture modulaire pour construire des agents IA en combinant des LLM, des backends de mémoire et des intégrations d’outils dans une exécution cohésive. Les développeurs déclarent le comportement de l’agent à l’aide de classes Python, enregistrent des outils (API REST, bases de données, utilitaires) et choisissent des stockages mémoire (local, Redis, SQL). Le framework orchestre les invites, actions, appels d’outils et gestion du contexte pour automatiser les tâches. La CLI intégrée et le support Docker permettent un déploiement en un seul clic dans les environnements cloud, edge ou bureau.

Co-Sight est un framework d'IA open-source qui simplifie le développement et le déploiement de solutions d'analyses vidéo en temps réel. Il fournit des modules pour l'ingestion de données vidéo, le prétraitement, la formation de modèles et l'inférence distribuée sur l'Edge et le Cloud. Avec un support intégré pour la détection d'objets, la classification, le suivi et l'orchestration de pipelines, Co-Sight garantit une faible latence et un haut débit. Son architecture modulaire s'intègre facilement avec des bibliothèques d'apprentissage profond populaires et peut évoluer sans effort avec Kubernetes. Les développeurs peuvent définir des pipelines via YAML, déployer avec Docker et surveiller les performances via un tableau de bord web. Co-Sight permet de créer des applications de vision avancée pour la surveillance des villes intelligentes, le transport intelligent et l'inspection de qualité industrielle, en réduisant le temps de développement et la complexité opérationnelle.

CrewAI Agent Generator utilise une interface en ligne de commande pour initialiser un nouveau projet d’agent IA avec des structures de dossiers solidement établies, des modèles de prompts d’exemple, des définitions d’outils et des stubs de test. Vous pouvez configurer des connexions à OpenAI, Azure ou des endpoints LLM personnalisés ; gérer la mémoire de l’agent avec des magasins vectoriels ; orchestrer plusieurs agents dans des workflows collaboratifs ; consulter des logs détaillés de conversation ; et déployer vos agents sur Vercel, AWS Lambda ou Docker avec des scripts intégrés. Il accélère le développement et garantit une architecture cohérente pour les projets d’agents IA.

Ce cadre permet aux utilisateurs de concevoir, configurer et déployer plusieurs agents IA qui communiquent via des messages JSON à travers un orchestrateur central. Chaque agent peut avoir des rôles, des invites et des modules de mémoire distincts, et il est possible d'intégrer n'importe quel fournisseur LLM en implémentant une interface de fournisseur. Le système supporte l'historique de conversation persistant, le routage dynamique et les extensions modulaires. Idéal pour simuler des débats, automatiser des flux de support client ou coordonner la génération de documents en plusieurs étapes. Il fonctionne sous Python avec un support Docker pour les déploiements conteneurisés.

Ce cadre fournit une architecture basée sur un serveur prenant en charge des serveurs MCP (Multi-Channel Processing) multiples pour gérer des conversations simultanées, maintenir le contexte entre les sessions et intégrer des services externes via des plugins. Les développeurs peuvent configurer des connecteurs pour les plates-formes de messagerie, définir des appels de fonctions personnalisés et faire évoluer les instances via Docker ou des hôtes natifs. Il inclut la journalisation, la gestion des erreurs et un pipeline modulaire pour étendre les capacités sans modifier le code principal.

RAGApp est conçu pour simplifier toute la pipeline RAG en fournissant des intégrations clés en main avec des bases de données vectorielles populaires (FAISS, Pinecone, Chroma, Qdrant) et de grands modèles de langage (OpenAI, Anthropic, Hugging Face). Il inclut des outils d'ingestion de données pour convertir des documents en embeddings, des mécanismes de récupération contextuelle pour une sélection précise des connaissances, et un UI de chat intégré ou un serveur API REST pour le déploiement. Les développeurs peuvent facilement étendre ou remplacer n'importe quel composant — ajouter des préprocesseurs personnalisés, intégrer des API externes en tant qu'outils, ou changer de fournisseur de LLM — tout en utilisant Docker et les outils CLI pour un prototypage rapide et le déploiement en production.

Taiga est un framework d'agent IA open-source basé sur Python conçu pour simplifier la création, l'orchestration et le déploiement d'agents autonomes utilisant de grands modèles de langage (LLM). Le framework comprend un système de plugins flexible pour l'intégration d'outils personnalisés et d'APIs externes, un module de mémoire configurable pour gérer le contexte conversationnel à court et long terme, et un mécanisme de chaînage de tâches pour séquencer des flux de travail à plusieurs étapes. Taiga offre également une journalisation intégrée, des métriques et une gestion des erreurs pour une utilisation en production. Les développeurs peuvent rapidement créer des agents avec des modèles, étendre la fonctionnalité via SDK, et déployer sur différentes plateformes. En abstraisant la complexité de l'orchestration, Taiga permet aux équipes de se concentrer sur la création d'assistants intelligents capables de rechercher, planifier et exécuter des actions sans intervention manuelle.

OCO-Agent exploite des modèles linguistiques compatibles OpenAI pour transformer des invites en processus exploitables. Il offre un système de plugins flexible pour intégrer API externes, commandes shell et routines de traitement de données. Le framework conserve l'historique de conversation et le contexte en mémoire, permettant des tâches longues et multi-étapes. Avec une interface CLI et une prise en charge de Docker, OCO-Agent accélère la prototypage et le déploiement d'assistants intelligents pour les opérations, l'analyse et la productivité des développeurs.

Pi Web Agent est un framework léger et extensible pour construire des agents de chat IA sur le web. Il utilise Python FastAPI en backend et un frontend React pour fournir des conversations interactives alimentées par OpenAI, Cohere ou LLM locaux. Les utilisateurs peuvent télécharger des documents ou connecter des bases de données externes pour une recherche sémantique via des magasins vectoriels. Une architecture de plugins permet d’intégrer des outils personnalisés, des appels de fonctions et des API tierces localement. Il offre un accès complet au code source, des modèles de prompt basés sur le rôle et une mémoire configurable pour créer des assistants IA personnalisés.