HumanLayer est une API et un SDK qui permet aux agents de l'IA d'interagir avec les humains pour des retours, des approbations et des conseils. En intégrant HumanLayer, les développeurs peuvent s'assurer que les décisions critiques de l'IA sont supervisées par des humains, créer des flux de travail d'approbation personnalisés, gérer les transitions entre les processus guidés par le logiciel et par l'humain, et collecter des retours humains précieux pour améliorer les systèmes d'IA. Il prend en charge l'intégration avec des frameworks et LLM populaires, ce qui en fait un outil polyvalent pour diverses applications nécessitant une supervision humaine des sorties de l'IA.

Ce bootcamp couvre le cadre LangChain de bout en bout, vous permettant de créer des agents IA en Python. Vous explorerez les modèles de prompt, la composition de chaînes, l'outilage d'agents, la mémoire conversationnelle et la récupération de documents. Grâce à des notebooks interactifs et des exercices détaillés, vous implémenterez des chatbots, des workflows automatisés, des systèmes de questions-réponses et des chaînes d'agents personnalisés. À la fin du cours, vous saurez déployer et optimiser des agents basés sur LangChain pour diverses tâches.

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.

Le projet mario-ai propose une pipeline complète pour développer des agents IA afin de maîtriser Super Mario Bros. en utilisant la neuroévolution. En intégrant une implémentation NEAT basée sur Python avec l’environnement OpenAI Gym SuperMario, il permet aux utilisateurs de définir des critères de fitness, des taux de mutation, et des topologies de réseaux personnalisés. Pendant l’entraînement, le framework évalue des générations de réseaux neuronaux, sélectionne les génomes performants, et fournit une visualisation en temps réel du jeu et de l’évolution du réseau. De plus, il supporte la sauvegarde et le chargement de modèles entraînés, l’exportation des meilleurs génomes, et la génération de rapports détaillés de performance. Chercheurs, éducateurs et amateurs peuvent étendre le code à d’autres environnements de jeux, expérimenter avec des stratégies évolutionnaires, et benchmarker le progrès de l’apprentissage IA à travers différents niveaux.

OSU NLP Middleware est un framework léger en Python, facilitant le développement de systèmes d’agents IA. Il fournit une boucle principale qui orchestre les interactions entre modèles linguistiques naturels et fonctions d’outils externes définies comme plugins. Le framework supporte des fournisseurs LLM populaires (OpenAI, Hugging Face, etc.) et permet aux développeurs d’enregistrer des outils personnalisés pour des tâches comme les requêtes à des bases de données, la récupération de documents, la recherche Web, le calcul mathématique, et les appels API REST. Middleware gère l’historique des conversations, les limites de débit, et journalise toutes les interactions. Il offre également une mise en cache configurable et des politiques de réessai pour une fiabilité accrue, facilitant la création d’assistants intelligents, chatbots, et workflows autonomes avec un minimum de code standard.

L'architecture modulaire LLM est conçue pour simplifier la création d'applications personnalisées pilotées par LLM via une conception modulaire et composable. Elle fournit des composants clés tels que des modules de mémoire pour la rétention d'état de session, des interfaces d'outils pour les appels d'API externes, des gestionnaires de prompts pour la génération de prompts basés sur des modèles ou dynamique, et des moteurs d'orchestration pour contrôler le flux de travail de l'agent. Vous pouvez configurer des pipelines en chaînant ces modules, permettant des comportements complexes tels que le raisonnement en plusieurs étapes, des réponses contextuelles et la récupération de données intégrée. La structure supporte plusieurs backends LLM, vous permettant de changer ou de mélanger des modèles, et offre des points d'extension pour ajouter de nouveaux modules ou une logique personnalisée. Cette architecture accélère le développement en promouvant la réutilisation des composants tout en maintenant la transparence et le contrôle sur le comportement de l'agent.

Le Framework du Système Multi-Agent offre une structure modulaire pour construire et orchestrer plusieurs agents IA au sein d'applications Python. Il inclut un gestionnaire d'agents pour créer et superviser les agents, une colonne vertébrale de communication supportant divers protocoles (par exemple, passage de messages, diffusion d'événements), ainsi que des magasins de mémoire personnalisables pour la conservation des connaissances à long terme. Les développeurs peuvent définir des rôles d'agents distincts, attribuer des tâches spécialisées, et configurer des stratégies de coopération telles que la recherche de consensus ou le vote. Le cadre s'intègre parfaitement avec des modèles IA externes et des bases de connaissances, permettant aux agents de raisonner, apprendre, et s'adapter. Idéal pour les simulations distribuées, les grappes d'agents conversationnels, et les pipelines de décision automatisés, le système accélère la résolution de problèmes complexes en exploitant l'autonomie parallèle.

Semi Agent offre une architecture modulaire pour construire des agents IA capables de planifier, d’exécuter des actions et de se souvenir du contexte au fil du temps. Il s’intègre avec des modèles linguistiques populaires, supporte la définition d’outils pour des fonctionnalités personnalisées et maintient une mémoire conversationnelle ou orientée tâche. Les développeurs peuvent définir des plans étape par étape, relier des API externes ou scripts en tant qu’outils, et exploiter la journalisation intégrée pour déboguer et optimiser le comportement des agents. Son design open-source et sa base Python permettent une personnalisation, une extensibilité et une intégration simples dans des pipelines existants.

Pydantic AI Agent offre une méthode structurée et sûre pour concevoir des agents pilotés par l'IA en tirant parti des capacités de validation et de modélisation de Pydantic. Les développeurs définissent les configurations d'agents comme des classes Pydantic, en précisant les schémas d'entrée, les modèles d'invite et les interfaces d'outils. Le cadre s'intègre parfaitement avec des APIs LLM telles que OpenAI, permettant aux agents d'exécuter des fonctions définies par l'utilisateur, de traiter les réponses LLM et de maintenir l'état du flux de travail. Il supporte le chaînage de multiples étapes de raisonnement, la personnalisation des invites et la gestion automatique des erreurs de validation. En combinant la validation des données avec une logique modulaire d'agents, Pydantic AI Agent facilite le développement de chatbots, scripts d'automatisation et assistants IA personnalisés. Son architecture extensible permet l'intégration de nouveaux outils et adaptateurs, facilitant la prototypage rapide et le déploiement fiable des agents IA dans diverses applications Python.

Humanloop se concentre sur l'habilitation des utilisateurs à construire, affiner et optimiser des agents d'IA conversationnels. La plateforme utilise des boucles de rétroaction qui facilitent les améliorations en temps réel dans les dialogues d'IA, garantissant que les réponses deviennent plus pertinentes et précises au fil du temps. Les organisations peuvent tirer parti de Humanloop pour améliorer le service client, automatiser les réponses et en fin de compte offrir une expérience utilisateur fluide. En simplifiant le processus de formation des modèles d'IA, Humanloop permet aux équipes de se concentrer sur l'affinement du contenu plutôt que de lutter avec des tâches de programmation complexes.

Joylive Agent offre une architecture modulaire basée sur des plugins, conçue pour créer des agents IA sophistiqués. Il fournit une intégration transparente avec des LLM tels que OpenAI GPT, des backends de mémoire configurables pour la persistance des sessions, et un gestionnaire de kits d'outils pour exposer des API externes ou des fonctions personnalisées comme capacités d'agent. Le cadre inclut également une orchestration de chaîne de réflexion intégrée, une gestion de dialogue multi-tours et un serveur RESTful pour un déploiement facile. Son noyau Java garantit une stabilité de niveau entreprise, permettant aux équipes de prototyper rapidement, d'étendre et de faire évoluer des assistants intelligents pour divers cas d'utilisation.

NeuralGPT vise à simplifier le développement d'agents d'IA en offrant des composants modulaires et des pipelines standardisés. Au cœur, il propose des classes d'agents personnalisables, la génération augmentée par récupération (RAG) et des couches de mémoire pour maintenir le contexte conversationnel. Les développeurs peuvent intégrer des bases de données vectorielles (par exemple, Chroma, Pinecone, Qdrant) pour la recherche sémantique et définir des agents outils pour exécuter des commandes externes ou des appels API. Le framework supporte plusieurs backends LLM tels que OpenAI, Hugging Face et Azure OpenAI. NeuralGPT inclut une CLI pour un prototypage rapide et un SDK Python pour le contrôle programmatique. Avec une journalisation intégrée, une gestion des erreurs et une architecture extensible de plugins, il accélère le déploiement d'assistants intelligents, de chatbots et de workflows automatisés.

Le dépôt fournit un tutoriel étape par étape et une implémentation de référence pour créer un agent AI basé sur ReAct utilisant DeepSeek pour la récupération vectorielle en haute dimension. Il couvre la configuration de l'environnement, l'installation des dépendances, et la configuration des magasins de vecteurs pour des données personnalisées. L'agent utilise le motif ReAct pour combiner les traces de raisonnement avec des recherches de connaissances externes, résultant en des réponses transparentes et explicables. Les utilisateurs peuvent étendre le système en intégrant des chargeurs de documents supplémentaires, en ajustant les modèles de prompts, ou en échangeant les bases de données vectorielles. Ce cadre flexible permet aux développeurs et chercheurs de prototyper rapidement des agents conversationnels puissants, capables de raisonner, de récupérer et d'interagir sans effort avec diverses sources de connaissances en quelques lignes de code Python.

Rubra fournit un cadre unifié pour créer des agents alimentés par IA capables d'interagir avec des outils externes, des APIs ou des bases de connaissances. Les utilisateurs définissent le comportement des agents à l'aide d'une interface JSON simple ou SDK, puis intègrent des fonctions comme la recherche web, la récupération de documents, la manipulation de feuilles de calcul ou des APIs spécifiques au domaine. La plateforme supporte des pipelines de génération augmentée par récupération, permettant aux agents d'extraire des données pertinentes et de générer des réponses éclairées. Les développeurs peuvent tester et déboguer les agents dans une console interactive, surveiller les performances et scaler les déploiements selon les besoins. Avec une authentification sécurisée, un contrôle d'accès basé sur les rôles et des logs détaillés, Rubra simplifie la création d'agents de niveau entreprise. Que ce soit pour des bots de support client, des assistants de recherche automatisés ou des orchestrateurs de workflow, Rubra accélère le développement et le déploiement.

Self-Determining AI Agents est un framework basé sur Python conçu pour simplifier la création d'agents IA autonomes. Il dispose d'une boucle de planification personnalisable où les agents génèrent des tâches, planifient des stratégies et exécutent des actions à l'aide d'outils intégrés. Le framework inclut des modules de mémoire persistants pour la conservation du contexte, un système de planification flexible et des hooks pour l'intégration d'outils personnalisés tels que API web ou requêtes de base de données. Les développeurs définissent des objectifs d'agents via des fichiers de configuration ou du code, et la bibliothèque gère le processus décisionnel itératif. Il supporte la journalisation, la surveillance des performances et peut être étendu avec de nouveaux algorithmes de planification. Idéal pour la recherche, l'automatisation des workflows et la prototypage rapide de systèmes multi-agents intelligents.

Semantic Kernel Copilot Demo est une application de référence de bout en bout illustrant comment construire des agents IA avancés avec le cadre Semantic Kernel de Microsoft. La démo propose un chaînage de prompts pour un raisonnement multi-étapes, une gestion de mémoire pour rappeler le contexte entre les sessions, et une architecture de compétences basée sur des plugins permettant l'intégration avec des API ou services externes. Les développeurs peuvent configurer des connecteurs pour Azure OpenAI ou des modèles OpenAI, définir des modèles de prompts personnalisés et implémenter des compétences spécifiques au domaine telles que l'accès au calendrier, la gestion de fichiers ou la récupération de données. L'exemple montre comment orchestrer ces composants pour créer un copilote conversationnel capable de comprendre les intentions des utilisateurs, d'exécuter des tâches et de maintenir le contexte au fil du temps, favorisant ainsi le développement rapide d'assistants IA personnalisés.

Spellcaster propose une approche structurée pour construire des agents IA en utilisant des 'sorts' — une combinaison d'invites, de logique et de workflows. Les développeurs écrivent des configurations YAML pour définir le rôle, les entrées, les sorties et les étapes d'orchestration des agents. L'outil CLI exécute les sorts, route les messages et s'intègre de manière transparente avec OpenAI, Anthropic et d'autres API LLM. Spellcaster suit les logs d'exécution, conserve le contexte de la conversation et prend en charge des plugins personnalisés pour le pré-traitement et le post-traitement. Son interface de débogage visualise la séquence d'appels et les flux de données, facilitant l'identification des échecs de prompt et des problèmes de performance. En abstraisant les modèles complexes d'orchestration et en standardisant les modèles de prompts, Spellcaster réduit la charge de développement et garantit un comportement cohérent des agents dans divers environnements.

Steel est un cadre centré sur le développeur, conçu pour accélérer la création et le fonctionnement d'agents alimentés par LLM en environnement de production. Il offre des connecteurs indépendants du fournisseur pour les principales API de modèles, un magasin de mémoire en mémoire et persistant, des modèles d'invocation d'outils intégrés, une mise en cache automatique des réponses et un traçage détaillé pour l'observabilité. Les développeurs peuvent définir des flux de travail complexes pour les agents, intégrer des outils personnalisés (par exemple, recherche, requêtes de bases de données et API externes) et gérer les sorties en streaming. Steel abstrait la complexité de l'orchestration, permettant aux équipes de se concentrer sur la logique métier et d'itérer rapidement sur des applications alimentées par l'IA.

SuperAgentX permet aux entreprises et aux développeurs de construire des agents IA autonomes via une interface intuitive sans code. Les utilisateurs commencent par définir le comportement et les workflows des agents à l'aide d'un éditeur glisser-déposer, puis intègrent des services externes et des API pour enrichir les capacités des agents, comme les recherches CRM, les requêtes aux bases de données ou les plateformes de communication tierces. Des fonctionnalités avancées de planification et d'automatisation permettent aux agents d'exécuter des tâches à des moments ou déclencheurs spécifiques, tandis que la surveillance en temps réel et la journalisation offrent des insights sur l'activité des agents. Les agents déployés peuvent être accessibles via des interfaces de chat, des endpoints REST ou des widgets intégrés, rendant leur utilisation idéale pour les bots de support client, les assistants de récupération de données et l'automatisation des processus dans diverses industries.

AI-Agents propose une architecture modulaire pour définir des agents pilotés par IA utilisant Python et des modèles OpenAI. Il intègre des outils plug-in – notamment la recherche web, des calculatrices, la recherche Wikipedia et des fonctions personnalisées – permettant aux agents d'effectuer un raisonnement complexe à plusieurs étapes. Des composants de mémoire intégrés permettent la conservation du contexte entre les sessions. Les développeurs peuvent cloner le dépôt, configurer des clés API et étendre ou échanger rapidement des outils. Avec des exemples clairs et une documentation, AI-Agents simplifie le flux de travail du concept au déploiement de solutions IA conversationnelles ou orientées tâche.