Java-Action-Shape est une bibliothèque d'actions dédiée conçue pour étendre le cadre multi-agent LightJason avec des capacités géométriques avancées. Elle fournit aux agents des actions toutes faites pour instancier des formes courantes (cercle, rectangle, polygone), appliquer des transformations (translation, rotation, mise à l'échelle) et effectuer des calculs analytiques (aire, périmètre, centroïde). Chaque action est thread-safe et s'intègre au modèle d'exécution asynchrone de LightJason, garantissant un traitement parallèle efficace. Les développeurs peuvent définir des formes personnalisées en spécifiant des sommets et des arêtes, les enregistrer dans le registre d'actions de l'agent et les inclure dans les définitions de plans. En centralisant la logique liée aux formes, Java-Action-Shape réduit le code boilerplate, impose des API cohérentes et accélère la création d'applications agent axées sur la géométrie, des simulations aux outils éducatifs.

AgenticSearch est une boîte à outils Python open-source pour construire des agents IA autonomes qui effectuent des recherches web, agrègent des données et produisent des réponses structurées. Il intègre de grands modèles linguistiques et des API de recherche pour orchestrer des flux de travail multi-étapes : lancer des requêtes, scraper des résultats, classer des liens pertinents, extraire des passages clés et résumer les résultats. Les développeurs peuvent personnaliser le comportement des agents, chaîner des actions et surveiller l'exécution pour créer des assistants de recherche, des outils d'intelligence concurrentielle ou des collecteurs de données spécifiques à un domaine sans navigation manuelle.

agent-steps est un cadre d'orchestration d'étapes Python conçu pour rationaliser le développement d'agents IA en décomposant des tâches complexes en étapes discrètes et réutilisables. Chaque étape encapsule une action spécifique — comme l'appel à un modèle linguistique, la transformation de données ou des appels API externes — et peut transmettre le contexte aux étapes suivantes. La bibliothèque supporte une exécution synchrone et asynchrone, permettant des pipelines évolutifs. Les outils de journalisation et de débogage intégrés offrent une transparence sur l'exécution des étapes, tandis que son architecture modulaire favorise la maintenabilité. Les utilisateurs peuvent définir des types d'étapes personnalisés, les enchainer dans des workflows et les intégrer facilement dans des applications Python existantes. agent-steps est adapté pour créer des chatbots, des pipelines de données automatisés, des systèmes d'aide à la décision et d'autres solutions IA multi-étapes.

AWS Bedrock Multi-Agent Blueprint offre un cadre modulaire pour implémenter une architecture multi-agent sur AWS Bedrock. Il inclut un exemple de code pour définir les rôles d'agents — planificateur, chercheur, exécuteur et évaluateur — qui collaborent via des files d'attente de messages partagées. Chaque agent peut invoquer différents modèles Bedrock avec des invites personnalisées et transmettre des sorties intermédiaires aux agents suivants. La journalisation intégrée avec CloudWatch, les modèles de gestion des erreurs et la prise en charge de l'exécution synchrone ou asynchrone illustrent comment gérer la sélection de modèles, les tâches par lots et l'orchestration de bout en bout. Les développeurs clonant le dépôt, configurent les rôles IAM AWS et les points de terminaison Bedrock, puis déploient via CloudFormation ou CDK. Le design open source encourage l'extension des rôles, la mise à l'échelle des agents par tâche, et l'intégration avec S3, Lambda et Step Functions.

Swarms.rs est le runtime principal en Rust pour exécuter des programmes d'agents IA basés sur des essaims. Il comprend un système modulaire de plugins pour intégrer une logique personnalisée ou des modèles IA, une couche de passage de messages pour la communication p2p, et un exécuteur asynchrone pour planifier les comportements des agents. Ces composants permettent aux développeurs de concevoir, déployer et faire évoluer des réseaux complexes d'agents décentralisés pour la simulation, l'automatisation et la collaboration multi-agents.

MGym est un cadre spécialisé pour créer et gérer des environnements d'apprentissage par renforcement multi-agent (MARL) en Python. Il permet aux utilisateurs de définir des scénarios complexes avec plusieurs agents, chacun disposant d'espaces d'observation et d'action personnalisables, de fonctions de récompense et de règles d'interaction. MGym supporte à la fois les modes d'exécution synchrones et asynchrones, fournissant des simulations d'agents parallèles et tournantes. Conçu avec une API semblable à Gym, MGym s'intègre parfaitement avec des bibliothèques RL populaires telles que Stable Baselines, RLlib et PyTorch. Il comprend des modules utilitaires pour le benchmarking des environnements, la visualisation des résultats et l'analyse des performances, facilitant une évaluation systématique des algorithmes MARL. Son architecture modulaire permet un prototypage rapide de tâches cooperatives, compétitives ou d'agents mixtes, permettant aux chercheurs et développeurs d'accélérer l'expérimentation et la recherche MARL.

Hyperbolic Time Chamber fournit un environnement flexible pour construire des agents IA en proposant des composants pour la gestion de la mémoire, l'orchestration de la fenêtre contextuelle, la chaînée de prompts, l'intégration d'outils et le contrôle d'exécution. Les développeurs définissent le comportement des agents via des blocs modulaires, configurent des mémoires personnalisées (courte et longue durée) et connectent des API externes ou des outils locaux. Le framework inclut le support asynchrone, la journalisation et des utilitaires de débogage, permettant une itération rapide et un déploiement d'agents conversationnels ou axés sur les tâches sophistiqués dans des projets Python.