ASP-DALI fournit une plateforme unifiée pour définir et exécuter des agents intelligents basés sur la logique. Les développeurs écrivent des règles ASP pour représenter la connaissance et les objectifs de l’agent, tandis que les constructions DALI définissent les réactions aux événements et l’exécution des actions. À l’exécution, un solveur ASP calcule des ensembles de réponses qui guident la prise de décision de l’agent, lui permettant de planifier, de réagir aux événements entrants et d’ajuster ses croyances de manière dynamique. Le cadre supporte des bases de connaissances modulaires, facilitant les mises à jour incrémentielles et la séparation claire entre règles déclaratives et comportements réactifs. ASP-DALI est implémenté en Prolog avec des interfaces vers des solveurs ASP populaires, simplifiant l’intégration et le déploiement en recherche et prototypes.

Coaty est une boîte à outils open-source écrite en TypeScript pour développer des applications IoT collaboratives et décentralisées utilisant des agents logiciels. Il fournit un runtime conteneur hébergeant des instances d'agents, un service de découverte et un registre pour la recherche dynamique de ressources, ainsi que des couches de communication pub/sub pour la distribution d'événements. Des adaptateurs de stockage intégrés synchronisent l'état entre appareils, tandis qu'un modèle de données flexible permet d'étendre et de partager des objets de domaine. Coaty supporte plusieurs protocoles de transport comme MQTT et WebSocket, permettant une interopérabilité robuste et en temps réel entre les environnements Edge, Fog et Cloud sans points de défaillance centraux.

CodeInterpreter CodeBox a été conçu pour simplifier l’intégration d’expériences de codage interactives dans des applications web. Il offre un éditeur de code basé sur le navigateur avec coloration syntaxique et exécution en temps réel de Python via la connexion au plugin ChatGPT Code Interpreter. Les développeurs peuvent télécharger et téléverser des fichiers, exécuter des scripts d’analyse de données, générer des graphiques et afficher les résultats en ligne. CodeBox gère la communication avec l’API d’OpenAI, contrôle le contexte d’exécution et fournit des hooks pour la gestion d’événements personnalisés, permettant un développement rapide d’outils alimentés par l’IA, de plates-formes éducatives et de tableaux de bord basés sur les données sans nécessiter un environnement d’exécution backend séparé.

Inngest AgentKit offre un cadre complet pour développer des agents IA dans un environnement Node.js. Il exploite l'architecture événementielle d'Inngest pour déclencher des flux de travail d'agents basés sur des événements externes tels que les requêtes HTTP, les tâches planifiées ou les appels Webhook. La boîte à outils comprend des utilitaires de rendu de modèle pour créer des réponses dynamiques, une gestion intégrée de l'état pour maintenir le contexte lors des sessions, et une intégration transparente avec des API externes et des modèles de langage. Les agents peuvent transmettre des réponses partielles en streaming en temps réel, gérer une logique complexe, et orchestrer des processus à plusieurs étapes avec gestion des erreurs et tentatives. En abstraisant l'infrastructure et les préoccupations de workflow, AgentKit permet aux développeurs de se concentrer sur la conception de comportements intelligents, tout en réduisant le code répétitif et en accélérant le déploiement d'assistants conversationnels, de pipelines de traitement de données, et de bots d'automatisation.

AI Agent FletUI fournit un cadre d'interface utilisateur modulaire pour créer des applications de chat intelligentes soutenues par de grands modèles de langage (LLM). Il inclut des widgets de chat, des panneaux d'intégration d'outils, des magasins de mémoire et des gestionnaires d'événements qui se connectent facilement à tout fournisseur LLM. Les utilisateurs peuvent définir des outils personnalisés, gérer le contexte de session de manière persistante et rendre des formats de message riches dès l'installation. La bibliothèque abstrait la complexité de la mise en page UI dans Flet et rationalise l'invocation d'outils, permettant un prototypage rapide et le déploiement d'assistants pilotés par LLM.

ManasAI est un framework en Python qui permet la création d'agents IA autonomes avec un état intégré et des composants modulaires. Il offre des abstractions principales pour la raisonnement des agents, la mémoire à court et long terme, l'intégration d'outils et d'API externes, la gestion d'événements basée sur les messages et l'orchestration multi-agents. Les agents peuvent être configurés pour gérer le contexte, exécuter des tâches, gérer des tentatives et collecter des retours. Son architecture plug-in permet aux développeurs d'adapter les backend de mémoire, outils et orchestrateurs à des workflows spécifiques, ce qui le rend idéal pour le prototypage de chatbots, travailleurs numériques et pipelines automatisés nécessitant un contexte persistant et des interactions complexes.

Ce framework open-source combine la bibliothèque de modélisation des agents AgentSimJs avec le moteur graphique 3D de Three.js pour fournir des simulations multi-agents interactives basées sur le navigateur. Les utilisateurs peuvent définir des types d'agents, des comportements et des règles environnementales, configurer la détection de collision et la gestion des événements, et visualiser les simulations en temps réel avec des options de rendu personnalisables. La bibliothèque prend en charge la gestion dynamique des contrôles, des scènes et du tuning des performances, ce qui l rend idéale pour la recherche, l'éducation et le prototypage de scénarios complexes basés sur des agents.

multiagent-golang fournit une approche structurée pour construire des systèmes multi-agents en Go. Il introduit une abstraction d'Agent où chaque agent peut être équipé de divers capteurs pour percevoir son environnement et d'actionneurs pour agir. Les agents s'exécutent simultanément en utilisant des goroutines et communiquent via des canaux de messagerie dédiés. Le framework comprend également une couche de simulation d'environnement pour gérer les événements, la gestion du cycle de vie des agents et le suivi des changements d'état. Les développeurs peuvent facilement étendre ou personnaliser les comportements des agents, configurer les paramètres de simulation et intégrer des modules pour la journalisation ou l'analyse. Il simplifie la création de simulations évolutives et concurrentes pour la recherche et le prototypage.

OpenAgentSpec définit un ensemble complet de schémas JSON, d’interfaces API et de lignes directrices protocolaires pour les agents IA. Elle couvre l’enregistrement des agents, la déclaration de capacités, les formats de messages, la gestion d’événements, la gestion de mémoire et les mécanismes d'extension. En suivant cette norme, les organisations peuvent créer des agents communiquant de manière fiable entre eux et avec leur environnement hôte, ce qui réduit l’effort d’intégration et favorise un écosystème réutilisable de composants IA interopérables.

Le modèle AgentForce Custom Client fournit une base de code utilisant JavaScript/TypeScript et les API Salesforce pour s'authentifier auprès d'une organisation Salesforce, gérer les sessions de chat AgentForce, envoyer et recevoir des messages, et personnaliser les composants de l'interface utilisateur. Il met en avant la souscription aux événements, l'intégration de logique métier personnalisée, et le style via Lightning Web Components. Les développeurs peuvent utiliser ce modèle pour créer des agents conversationnels IA, ajuster les flux de messages, intégrer des systèmes externes et étendre le cadre pour répondre aux flux de travail et aux exigences de branding spécifiques à leur organisation.

Le protocole UIM définit un schéma JSON standardisé par lequel les agents IA peuvent décrire des éléments d'interface utilisateur, des comportements et des événements. Il couvre des composants tels que boutons, champs de saisie, formulaires, tableaux, arbres et graphiques, et supporte des hooks d'événements pour les interactions utilisateur. Les rendus frontend consomment les messages UIM pour construire et mettre à jour les interfaces en temps réel sans codage manuel de l’UI. Les enveloppes de messages versionnées garantissent la compatibilité ascendante. En utilisant le protocole UIM, les équipes peuvent itérer plus rapidement sur les assistants conversationnels et les tableaux de bord, maintenir une cohérence UX sur différents canaux et découpler la logique de décision IA des couches de présentation.