Le projet Multi Agent Robotic System offre une plateforme modulaire basée sur Python pour développer, simuler et déployer des équipes robotiques coopératives. Il implémente principalement des stratégies de contrôle décentralisé permettant aux robots de partager des informations d'état et de répartir collaborativement les tâches sans coordinateur central. Le système comprend des modules intégrés pour la planification de trajectoires, la prévention des collisions, la cartographie de l'environnement et la planification dynamique des tâches. Les développeurs peuvent intégrer de nouveaux algorithmes en étendant les interfaces fournies, ajuster les protocoles de communication via des fichiers de configuration et visualiser les interactions entre robots dans des environnements simulés. Compatible avec ROS, il supporte la transition transparente de la simulation au matériel réel. Ce cadre accélère la recherche en fournissant des composants réutilisables pour le comportement en essaim, l'exploration collaborative et les expériences d'automatisation d'entrepôt.

Rigging est un cadre axé sur le développement qui facilite la création et l'orchestration d'agents IA. Il fournit l'enregistrement d'outils et de fonctions, la gestion du contexte et de la mémoire, le chaînage de flux de travail, des événements de rappel et la journalisation. Les développeurs peuvent intégrer plusieurs fournisseurs LLM, définir des plugins personnalisés et assembler des pipelines à plusieurs étapes. Le SDK TypeScript sécurisé de Rigging garantit modularité et réutilisabilité, accélérant le développement d'agents IA pour les chatbots, le traitement des données et la génération de contenu.

Microsoft AutoGen a été conçu pour faciliter le développement complet d'agents IA autonomes en fournissant des composants modulaires pour la gestion de la mémoire, la planification des tâches, l'intégration d'outils et la communication. Les développeurs peuvent définir des outils personnalisés avec des schémas structurés et se connecter à des fournisseurs LLM majeurs comme OpenAI et Azure OpenAI. Le framework supporte l'orchestration d'un ou plusieurs agents, permettant des workflows collaboratifs où les agents coordonnent l'exécution de tâches complexes. Son architecture plug-and-play permet une extension facile avec de nouveaux magasins de mémoire, stratégies de planification et protocoles de communication. En abstraisant les détails d'intégration de bas niveau, AutoGen accélère la création de prototypes et le déploiement d'applications pilotées par IA dans des domaines tels que le support client, l'analyse de données et l'automatisation des processus.

NagaAgent est une bibliothèque Python open-source conçue pour simplifier la création, l'orchestration et la montée en charge d'agents IA. Elle fournit un système d'intégration d'outils plug-and-play, des objets de mémoire conversationnelle persistants et un contrôleur multi-agent asynchrone. Les développeurs peuvent enregistrer des outils personnalisés en tant que fonctions, gérer l'état des agents et orchestrer les interactions entre plusieurs agents. Le cadre inclut la journalisation, des hooks de gestion d'erreur et des préréglages de configuration pour des prototypes rapides. NagaAgent est idéal pour construire des workflows complexes — bots de support client, pipelines de traitement de données ou assistants de recherche — sans surcharge d'infrastructure.

Playbooks AI est un framework pour développeurs permettant de construire des agents IA via un DSL déclaratif de playbooks. Il permet l'intégration avec divers LLM, outils personnalisés et magasins de mémoire. Avec une CLI et une interface web, les utilisateurs peuvent définir le comportement de l'agent, orchestrer des workflows multi-étapes et surveiller l'exécution. Les fonctionnalités incluent le routage d'outils, la mémoire à état, le contrôle de version, l'analytique et la collaboration multi-agent, rendant la création de prototypes et le déploiement d'assistants IA prêts pour la production plus faciles.

Stellar Chat permet aux équipes de créer des agents d'IA conversationnelle en fournissant un cadre robuste qui abstrait les interactions LLM, la gestion de la mémoire et l'intégration d'outils. Au cœur, il présente un pipeline extensible qui gère le prétraitement des entrées utilisateur, l'enrichissement du contexte via la récupération de mémoire basée sur des vecteurs, et l'invocation de LLM avec des stratégies de prompting configurables. Les développeurs peuvent utiliser des solutions de stockage vectoriel populaires comme Pinecone, Weaviate ou FAISS, et intégrer des API tierces ou des plugins personnalisés pour des tâches comme la recherche Web, les requêtes à la base de données ou le contrôle d'applications d'entreprise. Avec un support pour la sortie en streaming et des boucles de rétroaction en temps réel, Stellar Chat garantit des expériences utilisateur réactives. Il inclut également des modèles de départ et des exemples de bonnes pratiques pour les bots d'assistance client, la recherche de connaissances et l'automatisation des flux de travail internes. Déployé avec Docker ou Kubernetes, il évolue pour répondre aux exigences de production tout en restant entièrement open-source sous licence MIT.

Strands Agents propose une architecture modulaire pour créer des agents intelligents combinant raisonnement en langage naturel, mémoire à long terme et appels API/outils externes. Il permet aux développeurs de configurer le planificateur, l'exécuteur et les composants de mémoire, d'intégrer n'importe quel LLM (par exemple, OpenAI, Hugging Face), de définir des schémas d'action personnalisés et de gérer l'état entre les tâches. Avec une journalisation intégrée, la gestion des erreurs et un registre d'outils extensible, il accélère le prototypage et le déploiement d'agents capables de faire de la recherche, analyser des données, contrôler des appareils ou servir d'assistants numériques. En abstraisant les modèles courants d'agents, il réduit la quantité de code répétitif et encourage les meilleures pratiques pour une automatisation fiable et maintenable par IA.