EspressoAI fournit aux développeurs un environnement structuré pour concevoir, configurer et déployer des agents IA alimentés par de grands modèles linguistiques. Il supporte l'enregistrement et l'appel d'outils dans le flux de travail de l'agent, gère le contexte conversationnel via des modules mémoire intégrés, et permet de chaîner les prompts pour le raisonnement multi-étapes. Les développeurs peuvent intégrer des API externes, des plugins personnalisés et une logique conditionnelle pour adapter le comportement de l'agent. La conception modulaire du framework garantit son extensibilité, permettant aux équipes d’échanger des composants, d’ajouter de nouvelles capacités ou de s’adapter aux LLM propriétaires sans réécrire la logique de base.

Query-Bot intègre l'ingestion de documents, la segmentation de texte et les embeddings vectoriels pour créer un index consultable à partir de PDFs, fichiers texte et documents Word. En utilisant LangChain et GPT-3.5 Turbo d'OpenAI, il traite les requêtes des utilisateurs en récupérant les passages pertinents et en générant des réponses concises. L'interface UI basée sur Streamlit permet aux utilisateurs de télécharger des fichiers, de suivre l'historique des conversations et d'ajuster les paramètres. Il peut être déployé localement ou sur des environnements cloud, offrant un cadre extensible pour des agents personnalisés et des bases de connaissances.

e2e-chainlit-chatbot est un projet d'exemple démontrant le cycle complet de développement d'un agent d'IA conversationnelle utilisant Chainlit. Le dépôt inclut du code de bout en bout pour lancer un serveur web local hébergeant une interface de chat interactive, intégrée à de grands modèles de langage pour les réponses, et gérant le contexte de la conversation à travers les messages. Il propose des modèles de prompt personnalisables, des workflows multi-agent, et la diffusion en direct des réponses. Les développeurs peuvent configurer des clés API, ajuster les paramètres du modèle, et étendre le système avec une logique ou des intégrations personnalisées. Avec des dépendances minimales et une documentation claire, ce projet accélère l'expérimentation avec des chatbots pilotés par l'IA et fournit une base solide pour des assistants conversationnels de qualité production. Il inclut également des exemples pour personnaliser les composants front-end, la journalisation et la gestion des erreurs. Conçu pour une intégration transparente avec les plateformes cloud, il supporte à la fois les cas d'utilisation de prototype et de production.

LangChain Google Gemini Agent est une bibliothèque Python conçue pour simplifier la création d'agents IA autonomes alimentés par les modèles de langage Gemini de Google. Elle combine l'approche modulaire de LangChain—qui permet des chaînes d'invite, la gestion de la mémoire et l'intégration d'outils—avec la compréhension avancée du langage naturel de Gemini. Les utilisateurs peuvent définir des outils personnalisés pour les appels API, les requêtes de bases de données, le web scraping et la synthèse de documents ; les orchestrer via un agent qui interprète les entrées utilisateur, sélectionne les actions d'outils appropriées et compose des réponses cohérentes. Le résultat est un agent flexible capable de raisonnement à plusieurs étapes, d'accès aux données en temps réel et de dialogues contextuels, idéal pour construire des chatbots, des assistants de recherche et des flux de travail automatisés. Il prend également en charge l'intégration avec des magasins de vecteurs populaires et des services cloud pour l’évolutivité.

MARL-DPP est un cadre open-source permettant l'apprentissage par renforcement multi-agent (MARL) avec diversité imposée via des processus déterminants (DPP). Les approches MARL traditionnelles souffrent souvent d'une convergence des politiques vers des comportements similaires ; MARL-DPP y remédie en intégrant des mesures basées sur le DPP pour encourager les agents à conserver des distributions d'actions diversifiées. La boîte à outils fournit un code modulaire pour intégrer le DPP dans les objectifs d'entraînement, l’échantillonnage de politiques et la gestion de l’exploration. Elle inclut une intégration prête à l’emploi avec des environnements standard comme OpenAI Gym et l’environnement multi-agent Particle (MPE), ainsi que des utilitaires pour la gestion des hyperparamètres, la journalisation et la visualisation des métriques de diversité. Les chercheurs peuvent évaluer l’impact des contraintes de diversité sur des tâches coopératives, l’allocation des ressources et les jeux compétitifs. La conception extensible prend en charge des environnements personnalisés et des algorithmes avancés, facilitant l’exploration de nouvelles variantes de MARL-DPP.

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.

MultiAgentes offre une architecture modulaire pour définir des environnements et des agents, supportant des interactions multi-agent synchrones et asynchrones. Il comprend des classes de base pour les environnements et les agents, des scénarios prédéfinis pour des tâches coopératives et compétitives, des outils pour personnaliser les fonctions de récompense, et des API pour la communication entre agents et le partage d'observations. Les utilitaires de visualisation permettent une surveillance en temps réel des comportements des agents, tandis que les modules de journalisation enregistrent les métriques de performance pour analyse. Le framework s'intègre parfaitement avec les bibliothèques RL compatibles avec Gym, permettant aux utilisateurs d'entraîner des agents avec des algorithmes existants. MultiAgentes est conçu pour l'extensibilité, permettant aux développeurs d'ajouter de nouveaux modèles d'environnement, types d'agents et protocoles de communication adaptés à diverses applications de recherche et d'éducation.