Agentic Workflow est un cadre déclaratif permettant aux développeurs de définir des flux de travail d'IA complexes en chaînant plusieurs agents basés sur LLM, chacun avec des rôles, prompts et logique d'exécution personnalisables. Il offre un support intégré pour l'orchestration des tâches, la gestion de l'état, la gestion des erreurs et les intégrations de plugins, permettant une interaction fluide entre agents et outils externes. La bibliothèque utilise Python et des configurations basées sur YAML pour abstraire la définition des agents, supporte l'exécution asynchrone et offre une extensibilité via des connecteurs et plugins personnalisés. En tant que projet open-source, il inclut des exemples détaillés, des modèles et de la documentation pour aider les équipes à accélérer le développement et à maintenir des écosystèmes complexes d'agents IA.

AnyAgent est une plateforme flexible qui permet aux développeurs de construire des agents intelligents capables de raisonnement, de planification et d'exécution de tâches dans divers domaines. Elle propose un planificateur intégré pour enchaîner les actions, des magasins de mémoire configurables pour le contexte à long terme, et une intégration facile avec des outils et APIs externes. Grâce à un DSL déclaratif simple, vous pouvez définir des compétences personnalisées, intégrer la journalisation des événements, et changer sans effort entre différents backends LLM. Que ce soit pour des bots de support client, des assistants pour l’analyse de données ou des prototypes de recherche, AnyAgent accélère la création d'agents avec une architecture robuste, des composants modulaires et une extensibilité pour des scénarios d’automatisation réels.

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.

llm-ReAct implémente l'architecture ReAct (Reasoning and Acting) pour les grands modèles de langage, permettant une intégration transparente du raisonnement par chaînes de pensées avec l'exécution d'outils externes et le stockage mémoire. Les développeurs peuvent configurer une boîte à outils d'outils personnalisés — tels que la recherche web, les requêtes en base de données, les opérations sur fichiers et les calculatrices — et instruire l'agent à planifier des tâches multi-étapes en invoquant les outils selon le besoin pour récupérer ou traiter des informations. Le module mémoire intégré conserve l'état de la conversation et les actions passées, favorisant un comportement d'agent plus sensible au contexte. Avec un code Python modulaire et une prise en charge des API OpenAI, llm-ReAct simplifie l'expérimentation et le déploiement d'agents intelligents capables de résoudre adaptativement des problèmes, d'automatiser des flux de travail et de fournir des réponses riches en contexte.