JADE est un framework de développement d'agents basé sur Java qui simplifie la création de systèmes multi-agents distribués. Il fournit une infrastructure conforme à FIPA incluant un environnement d'exécution, transport de messages, facilitateur de répertoire et gestion des agents. Les développeurs écrivent des classes d'agents en Java, les déploient dans des conteneurs et utilisent des outils graphiques comme RMA et Sniffer pour le débogage et la surveillance. JADE supporte la mobilité des agents, la planification de comportements et les opérations du cycle de vie, permettant des conceptions évolutives et modulaires pour la recherche, la coordination IoT, les simulations et l'automatisation d'entreprise.

JARVIS-1 offre une architecture modulaire combinant une interface en langage naturel, un module mémoire et un exécuteur de tâches basé sur des plugins. Bâti sur GPT-index, il sauvegarde les conversations, récupère le contexte et évolue avec les interactions de l’utilisateur. Les utilisateurs définissent des tâches via des prompts simples, tandis que JARVIS-1 orchestre la planification des travaux, l'exécution du code, la manipulation de fichiers et la navigation web. Son système de plugins permet des intégrations sur mesure pour les bases de données, e-mails, PDFs et services cloud. Déployable via Docker ou CLI sur Linux, macOS et Windows, JARVIS-1 garantit un fonctionnement hors ligne et un contrôle total des données, ce qui le rend idéal pour les développeurs, équipes DevOps et utilisateurs avancés recherchant une automatisation sécurisée et extensible.

JASA fournit un ensemble complet de bibliothèques Java pour construire et exécuter des simulations de systèmes multi-agents. Il supporte la gestion du cycle de vie des agents, la planification d'événements, la transmission asynchrone de messages et la modélisation d'environnements. Les développeurs peuvent étendre les classes principales pour implémenter des comportements personnalisés, intégrer des sources de données externes et visualiser les résultats de la simulation. La conception modulaire et la documentation API claire facilitent la création rapide de prototypes et la scalabilité, ce qui le rend adapté à la recherche académique, à l'enseignement et au développement de preuves de concept en modélisation basée sur les agents.

Julep AI est une plateforme open-source conçue pour aider les équipes de science des données à construire, itérer et déployer rapidement des workflows d'IA en plusieurs étapes. Avec Julep, vous pouvez créer des pipelines d'IA évolutifs, durables et de longue durée en utilisant des agents, des tâches et des outils. La configuration basée sur YAML de la plateforme simplifie les processus d'IA complexes et garantit des workflows prêts pour la production. Elle prend en charge le prototypage rapide, la conception modulaire et l'intégration transparente avec les systèmes existants, ce qui la rend idéale pour gérer des millions d'utilisateurs simultanés tout en offrant une visibilité complète sur les opérations d'IA.

LangChain est un cadre modulaire qui aide les développeurs à créer des applications AI avancées en connectant de grands modèles de langage avec des sources de données externes et des outils. Il fournit des abstractions de chaînes pour des appels séquentiels LLM, une orchestration d'agents pour les flux de travail de décision, des modules de mémoire pour la conservation du contexte, et des intégrations avec des chargeurs de documents, des magasins vectoriels et des outils basés sur API. Avec la prise en charge de plusieurs fournisseurs et SDK en Python et JavaScript, LangChain accélère le prototypage et le déploiement de chatbots, de systèmes QA et d'assistants personnalisés.

LangChain est un cadre axé sur les développeurs conçu pour simplifier la création d'agents IA intelligents et d'applications. Il fournit des abstractions pour les chaînes d'appels LLM, le comportement agentique avec intégration d'outils, la gestion de la mémoire pour la persistance du contexte et des modèles de prompts personnalisables. Avec un support intégré pour les chargeurs de documents, les magasins vectoriels et divers fournisseurs de modèles, LangChain vous permet de construire des pipelines de génération augmentée par récupération, des agents autonomes et des assistants conversationnels pouvant interagir avec des API, des bases de données et des systèmes externes dans un flux de travail unifié.

Langchainrb est une bibliothèque Ruby open-source conçue pour rationaliser le développement d'applications pilotées par l'IA en proposant un cadre modulaire pour les agents, les chaînes et les outils. Les développeurs peuvent définir des modèles d'invites, assembler des chaînes d'appels LLM, intégrer des composants de mémoire pour préserver le contexte et connecter des outils personnalisés tels que des chargeurs de documents ou des API de recherche. Il prend en charge la génération d'incorporations pour la recherche sémantique, la gestion des erreurs intégrée et une configuration flexible des modèles. Avec des abstractions d'agents, vous pouvez implémenter des assistants conversationnels qui décident quel outil ou chaîne invoquer en fonction de l'entrée de l'utilisateur. L'architecture extensible de Langchainrb permet des personnalisations faciles, permettant une prototypage rapide de chatbots, des pipelines de résumé automatisés, des systèmes QA et des automatisations de flux de travail complexes.

Le LangGraph Cookbook fournit des recettes prêtes à l'emploi pour construire des agents IA sophistiqués en représentant les flux de travail sous forme de graphes dirigés. Chaque nœud peut encapsuler des prompts, des invocations d'outils, des connecteurs de données ou des étapes de post-traitement. Les recettes couvrent des tâches telles que la question-réponse sur des documents, la résumation, la génération de code et la coordination multi-outils. Les développeurs peuvent étudier et adapter ces modèles pour prototyper rapidement des applications personnalisées alimentées par LLM, améliorant modularité, réutilisabilité et transparence de l'exécution.

LifelongAgentBench est conçu pour simuler des environnements d'apprentissage continu du monde réel, permettant aux développeurs de tester des agents IA sur une séquence de tâches évolutives. Le cadre offre une API plug-and-play pour définir de nouveaux scénarios, charger des jeux de données et configurer des politiques de gestion de mémoire. Des modules d'évaluation intégrés calculent des métriques telles que transfert en avant, transfert en arrière, taux d'oubli et performance cumulative. Les utilisateurs peuvent déployer des implémentations de base ou intégrer des agents propriétaires, facilitant une comparaison directe dans des conditions identiques. Les résultats sont exportés sous forme de rapports standardisés, avec des graphiques interactifs et des tableaux. L'architecture modulaire supporte des extensions avec des chargeurs de données, des métriques et des plugins de visualisation personnalisés, permettant aux chercheurs et ingénieurs d'adapter la plateforme à divers domaines d'application.

LLM to MCP Integration Engine est un cadre open-source conçu pour intégrer de grands modèles de langage (LLMs) avec diverses plateformes de communication par messagerie (MCP). Il fournit des adaptateurs pour les API LLM telles qu'OpenAI et Anthropic, ainsi que des connecteurs pour des plateformes comme Slack, Discord et Telegram. Le moteur gère l'état des sessions, enrichit le contexte et route les messages bidirectionnellement. Son architecture basée sur des plugins permet aux développeurs d'étendre la prise en charge à de nouveaux fournisseurs et de personnaliser la logique métier, accélérant ainsi le déploiement d'agents IA en environnement de production.

LLMWare sert d'outil complet pour la construction d'agents AI alimentés par de grands modèles de langage. Il permet de définir des chaînes réutilisables, d'intégrer des outils externes via des interfaces simples, de gérer les états de mémoire contextuelle et d'orchestrer un raisonnement multi-étapes entre modèles de langage et services en aval. Avec LLMWare, les développeurs peuvent brancher différents backends de modèles, configurer la logique de décision de l'agent et ajouter des kits d'outils personnalisés pour des tâches telles que la navigation web, les requêtes de base de données ou les appels API. Sa conception modulaire permet un prototypage rapide d'agents autonomes, de chatbots ou d'assistants de recherche, avec une journalisation intégrée, la gestion des erreurs et des adaptateurs de déploiement pour les environnements de développement et de production.

MAGI (Modular AI Generative Intelligence) est un cadre open-source conçu pour simplifier la création et la gestion d'agents IA. Il offre une architecture de plugins pour l'intégration d'outils personnalisés, des modules de mémoire persistante, la planification par chaînes de pensée, et l'orchestration en temps réel de flux de travail en plusieurs étapes. Les développeurs peuvent enregistrer des APIs externes ou des scripts locaux en tant qu'outils d'agent, configurer des backends de mémoire, et définir des politiques de tâches. La conception extensible de MAGI supporte à la fois les tâches synchrones et asynchrones, ce qui le rend idéal pour les chatbots, les pipelines d'automatisation, et les prototypes de recherche.

MAPF_G2RL est un cadre de recherche open-source qui relie la théorie des graphes et l'apprentissage par renforcement profond pour résoudre le problème de recherche de chemin multi-agents (MAPF). Il encode les nœuds et les arêtes en représentations vectorielles, définit des fonctions de récompense spatiales et sensibles aux collisions, et supporte divers algorithmes RL tels que DQN, PPO et A2C. Le cadre automatise la création de scénarios en générant des graphes aléatoires ou en important des cartes du monde réel, et orchestre des boucles d'entraînement qui optimisent simultanément les politiques pour plusieurs agents. Après apprentissage, les agents sont évalués dans des environnements simulés pour mesurer l'optimalité des chemins, le temps de sortie et les taux de réussite. Sa conception modulaire permet aux chercheurs d'étendre ses composants, d'intégrer de nouvelles techniques MARL et de benchmarker contre des solveurs classiques.

MARL-DPP est un cadre open-source permettant l'apprentissage par renforcement multi-agent (MARL) avec diversité imposée via des processus déterminants (DPP). Les approches MARL traditionnelles souffrent souvent d'une convergence des politiques vers des comportements similaires ; MARL-DPP y remédie en intégrant des mesures basées sur le DPP pour encourager les agents à conserver des distributions d'actions diversifiées. La boîte à outils fournit un code modulaire pour intégrer le DPP dans les objectifs d'entraînement, l’échantillonnage de politiques et la gestion de l’exploration. Elle inclut une intégration prête à l’emploi avec des environnements standard comme OpenAI Gym et l’environnement multi-agent Particle (MPE), ainsi que des utilitaires pour la gestion des hyperparamètres, la journalisation et la visualisation des métriques de diversité. Les chercheurs peuvent évaluer l’impact des contraintes de diversité sur des tâches coopératives, l’allocation des ressources et les jeux compétitifs. La conception extensible prend en charge des environnements personnalisés et des algorithmes avancés, facilitant l’exploration de nouvelles variantes de MARL-DPP.

PersonalAI offre un cadre d’agent complet combinant des intégrations LLM avancées avec une mémoire sémantique persistante et un système de plugins extensible. Les développeurs peuvent configurer des backends de mémoire tels que Redis, SQLite, PostgreSQL ou des magasins vectoriels pour gérer les embeddings et rappeler des conversations passées. Les plugins intégrés supportent des tâches comme la recherche web, la lecture/écriture de fichiers et l’exécution de code Python, tandis qu’une API robuste de plugins permet le développement d’outils personnalisés. L’agent coordonne les requêtes LLM et les invocations d’outils dans un flux de travail dirigé, permettant des réponses contextuelles et des actions automatisées. Utilisez des LLM locaux via Hugging Face ou des services cloud via OpenAI et Azure OpenAI. La conception modulaire de PersonalAI facilite le prototypage rapide d’assistants spécifiques à un domaine, de bots de recherche automatisés ou d’agents de gestion des connaissances qui apprennent et s’adaptent au fil du temps.

Mava est une bibliothèque open-source basée sur JAX pour développer, entraîner et évaluer des systèmes d'apprentissage par renforcement multi-agent. Elle propose des implémentations préconstruites d'algorithmes coopératifs et compétitifs tels que MAPPO et MADDPG, ainsi que des boucles de formation configurables prenant en charge les flux de travail à nœud unique et distribués. Les chercheurs peuvent importer des environnements depuis PettingZoo ou définir leurs propres environnements, puis utiliser les composants modulaires de Mava pour l'optimisation de politique, la gestion du tampon de répétition et la journalisation des métriques. L'architecture flexible du cadre permet une intégration transparente de nouveaux algorithmes, espaces d'observation personnalisés et structures de récompense. En exploitant les capacités d'auto-vectorisation et d'accélération matérielle de JAX, Mava assure des expériences efficaces à grande échelle et un benchmarking reproductible dans divers scénarios multi-agent.

Le MCP Browser Agent est un cadre d'agent IA autonome basé sur le navigateur qui exploite de grands modèles linguistiques pour effectuer la navigation Web, le scraping de données, la synthèse de contenu, l'interaction avec les formulaires et des séquences de tâches automatisées. Construit comme une bibliothèque JavaScript légère, il s'intègre parfaitement aux API GPT d'OpenAI, permettant aux développeurs de définir programmétiquement des actions personnalisées, des magasins de mémoire et des chaînes de prompts. L'agent peut cliquer sur des liens, remplir des formulaires, extraire des données de tableau et résumer le contenu de la page à la demande. Il supporte l'exécution asynchrone, la gestion des erreurs et la persistance de session via le stockage du navigateur. Avec des interfaces personnalisables et des modules d'action extensibles, MCP Browser Agent simplifie la création d'assistants intelligents pour le navigateur afin d'augmenter la productivité, de rationaliser les flux de travail et de réduire les tâches manuelles de navigation dans diverses applications web.

Micro-agent est une bibliothèque JavaScript légère et sans opinion, conçue pour simplifier la création d'agents IA sophistiqués utilisant de grands modèles de langage. Elle expose des abstractions de base telles que agents, outils, planificateurs et magasins de mémoire, permettant aux développeurs de assembler des flux conversationnels personnalisés. Les agents peuvent invoquer des API externes ou des utilitaires internes en tant qu'outils, permettant une récupération dynamique de données et l'exécution d'actions. La bibliothèque supporte à la fois la mémoire conversationnelle à court terme et la mémoire persistante à long terme pour maintenir le contexte à travers les sessions. Les planificateurs orchestrent les processus de chaîne de pensée, décomposant des tâches complexes en appels d'outils ou requêtes de modèle linguistique. Avec des modèles de prompts configurables et des stratégies d'exécution, micro-agent s'adapte parfaitement aux applications web frontend, aux services Node.js et aux environnements en périphérie, fournissant une base flexible pour les chatbots, assistants virtuels ou systèmes de décision autonomes.

micro-agent fournit une abstraite minimaliste mais puissante pour créer des agents IA autonomes. Écrite en TypeScript, elle fonctionne parfaitement à la fois dans le navigateur et dans Node.js, permettant de définir des agents avec des modèles de prompt personnalisés, une logique de décision et une intégration d'outils extensible. Les agents peuvent exploiter le raisonnement par chaîne de pensée, interagir avec des API externes et maintenir une mémoire conversationnelle ou spécifique à une tâche. La bibliothèque inclut des utilitaires pour la gestion des réponses API, la gestion des erreurs et la persistance des sessions. Avec micro-agent, les développeurs peuvent prototyper et déployer des agents pour une gamme de tâches — automatisation de workflows, construction d'interfaces conversationnelles ou orchestration de pipelines de traitement de données — sans la surcharge de frameworks plus importants. Son design modulaire et son API claire permettent une extension facile et une intégration dans des applications existantes.

MIDCA est une architecture modulaire conçue pour supporter la boucle cognitive complète des agents intelligents. Elle traite les entrées sensorielles via un module de perception, interprète les données pour générer et prioriser des objectifs, utilise un planificateur pour créer des séquences d'actions, exécute des tâches, puis évalue les résultats par une couche métacognitive. La conception à double-cycles sépare les réponses réactives rapides du raisonnement délibératif plus lent, permettant aux agents de s'adapter dynamiquement. La cadre extensible et le code source ouvert font de MIDCA un outil idéal pour la recherche et le développement dans la prise de décision autonome, l'apprentissage et la réflexion sur soi en IA.