Le AI Agent Marketplace est construit avec Next.js et React pour fournir un hub centralisé où les utilisateurs peuvent parcourir, évaluer et déployer une large gamme d’agents IA. La plateforme extrait les métadonnées des agents à partir de contributions communautaires, offrant des descriptions détaillées, des tags de capacités et des démos en direct dans le navigateur. Les utilisateurs peuvent filtrer par domaine, fonction ou fournisseur technologique. Pour les développeurs, le dépôt open-source comprend une architecture modulaire avec support pour l’ajout de nouvelles entrées d’agents, la configuration d’API et la personnalisation de l’interface utilisateur. Les options de déploiement incluent l’hébergement sur Vercel ou des conteneurs Docker locaux. En consolidant différents projets d’agents IA en une interface consultable, le marketplace accélère l’expérimentation, la collaboration et l’intégration dans des flux de travail de production.

AI-Short-Video-Engine orchestre plusieurs modules AI dans une pipeline de bout en bout pour transformer des prompts textuels définis par l’utilisateur en vidéos courtes et professionnelles. Tout d’abord, le système utilise de grands modèles linguistiques pour générer un storyboard et un script. Ensuite, Stable Diffusion crée des illustrations de scène, tandis que bark fournit une narration vocale réaliste. L’engine assemble images, superpositions de texte et audio en une vidéo cohérente, en ajoutant automatiquement transitions et musique de fond. Son architecture basée sur des plugins permet de personnaliser chaque étape : échanger des modèles TTS ou générateurs d’images alternatifs, ajuster la résolution vidéo et les styles. Déployé via Docker ou Python natif, il offre des commandes CLI et des points de terminaison API REST sûrs, permettant aux développeurs d’intégrer la production vidéo pilotée par IA dans leurs flux de travail sans effort.

Aladin propose une architecture modulaire permettant aux développeurs de définir des agents autonomes propulsés par de grands modèles de langage (LLMs). Chaque agent peut charger des backends mémoire (ex. SQLite, en mémoire), utiliser des modèles de prompts dynamiques et intégrer des plugins personnalisés pour des appels API externes ou l'exécution de commandes locales. Il possède un planificateur de tâches qui décompose des objectifs de haut niveau en actions séquencées, les exécutant dans l'ordre et les réitérant basés sur le feedback de l'LLM. La configuration est gérée via des fichiers YAML et des variables d'environnement, l'adaptant à divers cas d'usage. Les utilisateurs peuvent déployer Aladin via Docker Compose ou pip. Les interfaces CLI et HTTP basées sur FastAPI permettent de lancer des agents, surveiller leur exécution et inspecter l'état de la mémoire, facilitant l'intégration avec des pipelines CI/CD, interfaces de chat ou dashboards personnalisés.

Cargoship fournit une solution simplifiée pour intégrer l'IA dans vos applications sans avoir besoin de connaissances en apprentissage automatique. Choisissez parmi notre collection de modèles d'IA open source, emballés de manière pratique dans des conteneurs Docker. En exécutant le conteneur, vous pouvez déployer les modèles sans effort et y accéder via une API bien documentée. Cela facilite l'incorporation de capacités avancées d'IA à votre logiciel, quel que soit votre niveau de compétence, en accélérant le temps de développement et en réduisant la complexité.

ClassiCore-Public fournit un environnement complet pour construire, optimiser et déployer des modèles de classification. Il dispose d'un créateur de pipelines intuitif qui gère l'ingestion de données brutes, le nettoyage et l'ingénierie des fonctionnalités. Le zoo de modèles intégré comprend des algorithmes tels que Forêts Aléatoires, SVMs et architectures de Deep Learning. L'optimisation automatisée des hyperparamètres utilise la recherche bayésienne pour trouver les réglages optimaux. Les modèles entraînés peuvent être déployés en tant qu'API RESTful ou microservices, avec des tableaux de bord de surveillance qui suivent les performances en temps réel. Les plugins extensibles permettent aux développeurs d'ajouter des prétraitements, visualisations ou de nouvelles cibles de déploiement, faisant de ClassiCore-Public une solution idéale pour les tâches de classification à l'échelle industrielle.

OmniMind0 est un cadre d’IA basé sur des agents complet, écrit en Python, permettant la création et l’orchestration de plusieurs agents autonomes. Chaque agent peut être configuré pour gérer des tâches spécifiques — comme la récupération de données, la synthèse ou la prise de décision — tout en partageant l’état via des backends de mémoire modulables comme Redis ou des fichiers JSON. L’architecture de plugins intégrée vous permet d’étendre la fonctionnalité avec des APIs externes ou des commandes personnalisées. Il prend en charge les modèles OpenAI, Azure et Hugging Face, et offre des déploiements via CLI, serveur API REST ou Docker pour une intégration flexible dans vos flux de travail.

Stellar Chat permet aux équipes de créer des agents d'IA conversationnelle en fournissant un cadre robuste qui abstrait les interactions LLM, la gestion de la mémoire et l'intégration d'outils. Au cœur, il présente un pipeline extensible qui gère le prétraitement des entrées utilisateur, l'enrichissement du contexte via la récupération de mémoire basée sur des vecteurs, et l'invocation de LLM avec des stratégies de prompting configurables. Les développeurs peuvent utiliser des solutions de stockage vectoriel populaires comme Pinecone, Weaviate ou FAISS, et intégrer des API tierces ou des plugins personnalisés pour des tâches comme la recherche Web, les requêtes à la base de données ou le contrôle d'applications d'entreprise. Avec un support pour la sortie en streaming et des boucles de rétroaction en temps réel, Stellar Chat garantit des expériences utilisateur réactives. Il inclut également des modèles de départ et des exemples de bonnes pratiques pour les bots d'assistance client, la recherche de connaissances et l'automatisation des flux de travail internes. Déployé avec Docker ou Kubernetes, il évolue pour répondre aux exigences de production tout en restant entièrement open-source sous licence MIT.

DocumentAI-Backend est un framework backend léger qui automatise l'extraction de texte, de champs de formulaire et de données structurées à partir de documents. Il offre des points de terminaison API REST pour télécharger des PDFs ou des images, les traiter via Google Document AI avec fallback OCR, et renvoyer les résultats analysés en JSON. Construit avec Python, FastAPI et Docker, il permet une intégration rapide dans des systèmes existants, des déploiements évolutifs et une personnalisation via des pipelines et middleware configurables.

Sys-Agent fournit un environnement sécurisé et auto-hébergé où les utilisateurs peuvent donner des instructions en langage naturel pour effectuer des tâches au niveau du système. Il se connecte à des backends d'IA comme OpenAI, des LLM locaux ou d'autres services de modèles, traduisant les requêtes en commandes shell, opérations sur fichiers et vérifications de l'infrastructure. Les utilisateurs peuvent personnaliser les invites, définir des modèles de tâche, évoluer via Docker ou Kubernetes et étendre la fonctionnalité via des plugins. Sys-Agent enregistre toutes les actions et offre des pistes d'audit pour garantir transparence et sécurité.