AgentSpeak est une implémentation open-source en Java du langage de programmation AgentSpeak(L), conçue pour faciliter la création et la gestion d'agents autonomes BDI (Croyance-Désir-Intention). Il possède un environnement d'exécution qui analyse le code AgentSpeak(L), maintient les bases de croyances des agents, déclenche des événements et sélectionne puis exécute des plans en fonction des croyances et objectifs actuels. L'interpréteur supporte l'exécution concurrente des agents, les mises à jour dynamiques de plans et des sémantiques personnalisables. Avec une architecture modulaire, les programmeurs peuvent étendre des composants centraux tels que la sélection de plans et la révision des croyances. AgentSpeak permet aux chercheurs et à l'industrie de prototyper, simuler et déployer des agents intelligents dans des simulations, des systèmes IoT et des scénarios multi-agents.

ASP-DALI fournit une plateforme unifiée pour définir et exécuter des agents intelligents basés sur la logique. Les développeurs écrivent des règles ASP pour représenter la connaissance et les objectifs de l’agent, tandis que les constructions DALI définissent les réactions aux événements et l’exécution des actions. À l’exécution, un solveur ASP calcule des ensembles de réponses qui guident la prise de décision de l’agent, lui permettant de planifier, de réagir aux événements entrants et d’ajuster ses croyances de manière dynamique. Le cadre supporte des bases de connaissances modulaires, facilitant les mises à jour incrémentielles et la séparation claire entre règles déclaratives et comportements réactifs. ASP-DALI est implémenté en Prolog avec des interfaces vers des solveurs ASP populaires, simplifiant l’intégration et le déploiement en recherche et prototypes.

Au cœur, DAGent représente les workflows d'agents comme un graphe acyclique dirigé de nœuds, où chaque nœud peut encapsuler un appel LLM, une fonction personnalisée ou un outil externe. Les développeurs définissent explicitement les dépendances des tâches, permettant l'exécution parallèle et la logique conditionnelle, tandis que le framework gère la planification, le passage des données et la récupération d'erreurs. DAGent fournit également des outils de visualisation intégrés pour inspecter la structure et le flux d'exécution du DAG, améliorant le débogage et la traçabilité. Avec des types de nœuds extensibles, le support de plugins, et une intégration transparente avec des fournisseurs LLM populaires, DAGent permet aux équipes de créer des applications d'IA complexes et multi-étapes telles que pipelines de données, agents conversationnels, et assistants de recherche automatisés avec un minimum de code boilerplate. La focalisation sur la modularité et la transparence rend cet outil idéal pour l'orchestration évolutive des agents dans les environnements expérimentaux et de production.

Overeasy est un framework open-source basé sur Python pour orchestrer des agents IA alimentés par LLM dans diverses disciplines. Il fournit une architecture modulaire pour définir des agents, configurer des stockages de mémoire et intégrer des outils externes tels que APIs, bases de connaissances et bases de données. Les développeurs peuvent se connecter à OpenAI, Azure ou à des points de terminaison LLM auto-hébergés et concevoir des workflows dynamiques impliquant un ou plusieurs agents. Le moteur d'orchestration d'Overeasy gère la délégation des tâches, la prise de décisions et les stratégies de secours, permettant la création de travailleurs numériques robustes pour la recherche, le support client, l'analyse de données, la planification, etc. Une documentation complète et des projets d'exemple accélèrent le déploiement sur Linux, macOS et Windows.

Plan Agent avec Meta-Agent offre une architecture d'agent IA stratifiée : l'Agent de Planification génère des stratégies structurées pour atteindre des objectifs de haut niveau, tandis que le Meta-Agent supervise l'exécution, ajuste les plans en temps réel, et délègue les sous-tâches à des sous-agents spécialisés. Il dispose de connecteurs d'outils plug-and-play (ex. APIs web, bases de données), d'une mémoire persistante pour le maintien du contexte, et d'une journalisation configurable pour l'analyse des performances. Les utilisateurs peuvent étendre le framework avec des modules personnalisés pour divers scénarios d'automatisation, de la traitement de données à la génération de contenu ou au support à la décision.

Practical AI Agents offre aux développeurs un cadre complet et des exemples prêts à l'emploi pour construire des agents autonomes alimentés par de grands modèles linguistiques. Il montre comment intégrer des outils API (par ex., navigateurs Web, bases de données, fonctions personnalisées), implémenter une mémoire de style RAG, gérer le contexte des conversations et effectuer une planification dynamique. Les exemples peuvent être adaptés pour des chatbots, des assistants d'analyse de données, des scripts d'automatisation de tâches ou des outils de recherche. Le dépôt comprend des notebooks, des fichiers Docker et des fichiers de configuration pour simplifier la configuration et le déploiement dans différents environnements.

Proactive AI Agents est un cadre centré sur le développeur conçu pour architecturer des écosystèmes sophistiqués d'agents autonomes alimentés par de grands modèles linguistiques. Il offre des capacités prête à l'emploi pour la création d'agents, la décomposition des tâches et la communication inter-agent, permettant une coordination fluide sur des objectifs complexes à plusieurs étapes. Chaque agent peut être équipé d'outils personnalisés, de stockage mémoire et d'algorithmes de planification, leur permettant d'anticiper proactivement les besoins des utilisateurs, de planifier des tâches et d'ajuster les stratégies en temps réel. Le cadre supporte l'intégration modulaire de nouveaux modèles linguistiques, kits d'outils et bases de connaissances, tout en proposant des fonctions de journalisation et de surveillance intégrées. En abstraisant les complexités de l'orchestration des agents, Proactive AI Agents accélère le développement de workflows pilotés par l'IA pour la recherche, l'automatisation et les applications en entreprise.

Whiz est conçu pour fournir une base robuste pour le développement d'agents intelligents capables d'effectuer des workflows conversationnels et orientés tâches complexes. Avec Whiz, les développeurs définissent des "outils" — des fonctions Python ou des API externes — que l'agent peut invoquer lors du traitement des requêtes utilisateur. Un module de mémoire intégré capture et récupère le contexte de conversation, permettant des interactions multi-tours cohérentes. Un moteur de planification dynamique décompose les objectifs en étapes réalisables, tandis qu'une interface flexible permet d'injecter des politiques personnalisées, des registres d'outils et des backends de mémoire. Whiz supporte la recherche sémantique basée sur des embeddings pour extraire des documents pertinents, la journalisation pour la traçabilité et l'exécution asynchrone pour la montée en charge. Entièrement open-source, Whiz peut être déployé partout où Python s'exécute, permettant une création rapide de prototypes de bots d'assistance client, d'assistants d'analyse de données ou d'agents spécialisés, avec peu de boilerplate.

AgentScope est un framework axé sur les développeurs conçu pour simplifier la création d'agents intelligents en fournissant des composants modulaires pour la planification dynamique, le stockage de mémoire contextuelle et l'intégration d'outils/API. Il supporte plusieurs backends LLM (OpenAI, Anthropic, Hugging Face) et offre des pipelines personnalisables pour l'exécution de tâches, la synthèse de réponses et la récupération de données. L'architecture de AgentScope permet un prototypage rapide de chatbots conversationnels, d'agents d'automatisation de workflows et d'assistants de recherche, tout en restant extensible et évolutif.

L'Agno AI Agent est conçu pour aider les développeurs à construire rapidement des agents autonomes alimentés par de grands modèles de langage. Il fournit un registre d'outils modulaire, une gestion de la mémoire, des boucles de planification et d'exécution, ainsi qu'une intégration transparente avec des API externes (telles que la recherche web, les systèmes de fichiers et les bases de données). Les utilisateurs peuvent définir des interfaces d'outils personnalisés, configurer des personnalités d'agents et orchestrer des workflows complexes et multi-étapes. Les agents peuvent planifier des tâches, appeler des outils dynamiquement et apprendre des interactions précédentes pour améliorer la performance au fil du temps.

L'agent IA avec MCP est un cadre complet conçu pour rationaliser le développement d'agents IA avancés capables de maintenir un contexte à long terme, effectuer un raisonnement multi-étapes, et adapter leurs stratégies en fonction de la mémoire. Il utilise une conception modulaire composée d'un gestionnaire de mémoire, d'un planificateur conditionnel, et d'un gestionnaire d'invite, permettant des intégrations personnalisées et une extension avec divers LLMs. Le gestionnaire de mémoire stocke de façon persistante les interactions passées, garantissant la conservation du contexte. Le planificateur conditionnel évalue les conditions à chaque étape et sélectionne dynamiquement la prochaine action. Le gestionnaire d'invite formate les entrées et enchaîne les tâches de manière fluide. Écrit en Python, il s'intègre via API avec les modèles GPT d'OpenAI, supporte la génération augmentée par récupération, et facilite la création d'agents conversationnels, l'automatisation des tâches, ou des systèmes de support à la décision. Une documentation étendue et des exemples guident les utilisateurs dans l'installation et la personnalisation.

Aurora fournit une architecture modulaire pour construire des agents IA génératifs capables de traiter de manière autonome des tâches complexes via une planification et une exécution itératives. Elle se compose d'un composant Planificateur qui décompose des objectifs élevés en étapes exploitables, d'un Exécuteur qui invoque ces étapes avec de grands modèles linguistiques, et d'une couche d'intégration d'outils pour connecter des API, des bases de données ou des fonctions personnalisées. Aurora inclut également une gestion de la mémoire pour la rétention du contexte et des capacités de re-planification dynamique pour s'adapter aux nouvelles informations. Avec des invites personnalisables et des modules plug-and-play, les développeurs peuvent rapidement prototyper des agents IA pour des tâches telles que la génération de contenu, la recherche, le support client ou l'automatisation des processus, tout en conservant un contrôle total sur les flux de travail et la logique de décision.

Lagent est un cadre axé sur les développeurs, qui permet la création d'agents intelligents sur la base de grands modèles linguistiques. Il propose des modules de planification dynamique qui divisent les tâches en sous-objectifs, des systèmes de mémoire pour maintenir le contexte sur de longues sessions et des interfaces d’intégration d’outils pour les appels API ou l’accès à des services externes. Avec des pipelines personnalisables, les utilisateurs définissent le comportement de l’agent, les stratégies de prompt, la gestion des erreurs et l’analyse des sorties. Les outils de journalisation et de débogage de Lagent aident à surveiller les étapes de décision, tandis que son architecture évolutive supporte les déploiements locaux, cloud ou en entreprise. Il accélère la création d’assistants autonomes, d’analyses de données et d’automatisations de flux de travail.

Crewai fournit une bibliothèque Python pour concevoir et exécuter des systèmes multi-agents IA. Les utilisateurs peuvent définir des agents individuels avec des rôles spécialisés, configurer des canaux de communication pour la messagerie inter-agent et implémenter des planificateurs dynamiques pour attribuer des tâches en fonction du contexte en temps réel. Son architecture modulaire permet d’intégrer différents LLM ou modèles personnalisés pour chaque agent. Des outils intégrés de journalisation et de surveillance suivent les conversations et les décisions, permettant un débogage transparent et un affinement itératif des comportements des agents.

RotimeApp offre une solution de planification flexible qui s'ajuste dynamiquement à vos heures de réveil réelles. Que vous soyez un lève-tôt ou un oiseau de nuit, RotimeApp vous aide à aligner sans effort vos routines quotidiennes avec vos schémas de sommeil naturels. Cela garantit que vous restez sur la bonne voie avec vos tâches et rendez-vous sans le stress des horaires fixes. RotimeApp propose des fonctionnalités telles que des rappels de tâches, des notifications d'ajustement et une optimisation des routines, ce qui en fait l'outil parfait pour quiconque souhaitant gérer son temps plus efficacement.