ThreeAgents est construit en Python, utilisant l'API de complétion de chat d'OpenAI pour instancier plusieurs agents IA avec des rôles distincts (système, assistant, utilisateur). Il offre des abstractions pour l'invite d'agents, la gestion des messages basés sur le rôle et la gestion de la mémoire contextuelle. Les développeurs peuvent définir des modèles de prompts personnalisés, configurer les personnalités des agents et chaîner les interactions pour simuler des dialogues réalistes ou des flux de travail orientés tâches. Le framework gère l'envoi des messages, la gestion des fenêtres contextuelles et la journalisation, permettant des expériences en prise de décision collaborative ou décomposition hiérarchique des tâches. Avec le support des variables d'environnement et des agents modulaires, ThreeAgents permet un échange fluide entre les backends LLM d'OpenAI et locaux, facilitant la prototypage rapide de systèmes IA multi-agents. Il inclut des scripts d'exemple et la prise en charge de Docker pour une configuration rapide.

Agents-Deep-Research est conçu pour rationaliser le développement et le test d'agents IA autonomes en offrant une base de code modulaire et extensible. Il dispose d'un moteur de planification des tâches qui décompose les objectifs définis par l'utilisateur en sous-tâches, d'un module de mémoire à long terme qui stocke et récupère le contexte, et d'une couche d'intégration d'outils permettant aux agents d'interagir avec des API externes et des environnements simulés. Le cadre fournit également des scripts d'évaluation et des outils de benchmarking pour mesurer la performance des agents dans divers scénarios. Basé sur Python et adaptable à différents backend LLM, il permet aux chercheurs et développeurs de prototyper rapidement de nouvelles architectures d'agents, de réaliser des expériences reproductibles et de comparer différentes stratégies de planification dans des conditions contrôlées.

AI Otaku LABO est une plateforme médiatique de premier plan spécialisée dans les critiques et les guides d'outils d'IA. Géré par des professionnels, il teste rigoureusement plus de 100 générateurs d'IA payants et gratuits pour vérifier leur utilité pratique. Le site garantit aux lecteurs des données précises et fiables provenant d'expériences prouvées, en faisant une source incontournable pour tous ceux qui recherchent des connaissances approfondies et les dernières mises à jour en technologie IA.

crewAI Playground est un kit d'outils et un bac à sable pour construire et expérimenter avec des agents pilotés par IA. Vous définissez des agents via des fichiers de configuration ou du code, en spécifiant des invites, des outils et des modules de mémoire. Le playground exécute plusieurs agents simultanément, gère le routage des messages et enregistre l'historique des conversations. Il prend en charge les intégrations de plugins pour des sources de données externes, des backends mémoire personnalisables (en mémoire ou persistants) et une interface web pour les tests. Utilisez-le pour prototyper des chatbots, des assistants virtuels et des flux de travail automatisés avant le déploiement en production.

LLM Playground sert d'outil complet pour les chercheurs et les développeurs intéressés par les grands modèles de langage (LLM). Les utilisateurs peuvent expérimenter avec différentes invites, évaluer les réponses des modèles et déployer des applications. La plateforme prend en charge une gamme de LLM et comprend des fonctionnalités de comparaison de performances, permettant aux utilisateurs de voir quel modèle convient le mieux à leurs besoins. Avec son interface accessible, LLM Playground vise à simplifier le processus d'interaction avec des technologies d'apprentissage machine sophistiquées, en faisant une ressource précieuse pour l'éducation et l'expérimentation.

Ce projet open-source offre un cadre complet d'apprentissage par renforcement multi-agent basé sur PyTorch et Unity ML-Agents. Il propose des algorithmes DDPG décentralisés, des wrappers d'environnements et des scripts d'entraînement. Les utilisateurs peuvent configurer les politiques d'agents, les réseaux critiques, les buffers de relecture et les travailleurs d'entraînement parallèles. Les hooks de journalisation permettent la surveillance avec TensorBoard, tandis qu'une architecture modulaire supporte des fonctions de récompense et paramètres d'environnement personnalisés. Le dépôt inclut des scènes Unity d'exemple illustrant des tâches de navigation collaborative, idéal pour étendre et benchmarker des scénarios multi-agent en simulation.

MultiAgent-Systems-StarCraft2-PySC2-Raw fournit un kit complet pour le développement, l'entraînement et l'évaluation de multiples agents IA dans StarCraft II. Il expose des contrôles de bas niveau pour le déplacement d'unités, la visée et les capacités, tout en permettant une conception flexible de récompenses et de scénarios. Les utilisateurs peuvent facilement insérer des architectures neuronales personnalisées, définir des stratégies de coordination en équipe et enregistrer des métriques. Basé sur PySC2, il supporte l'entraînement en parallèle, la création de points de contrôle et la visualisation, ce qui en fait un outil idéal pour faire progresser la recherche en apprentissage par renforcement multi-agent coopératif et adversarial.

OpenPlayground est une plateforme open-source qui permet aux utilisateurs d'expérimenter et de comparer différents grands modèles de langage (LLMs). Elle est conçue pour aider les utilisateurs à comprendre les forces et les faiblesses de divers LLM en fournissant un environnement convivial et interactif. La plateforme peut être particulièrement utile pour les développeurs, les chercheurs et quiconque s'intéresse aux capacités de l'intelligence artificielle. Les utilisateurs peuvent facilement s'inscrire en utilisant leur compte Google ou leur e-mail.

DemoGPT est un projet Python open-source conçu pour démontrer les concepts fondamentaux des agents IA utilisant les modèles GPT d'OpenAI. Il implémente une interface conversationnelle avec mémoire persistante sauvegardée dans des fichiers JSON, permettant des interactions contextuelles entre sessions. Le framework supporte l'exécution dynamique d'outils, comme la recherche web, le calcul et des extensions personnalisées, via une architecture de style plugin. En configurant simplement votre clé API OpenAI et en installant les dépendances, les utilisateurs peuvent exécuter DemoGPT localement pour prototyper des chatbots, explorer des flux de dialogue multi-tours et tester des workflows pilotés par des agents. Cette démo complète offre une base pratique aux développeurs et chercheurs pour créer, personnaliser et expérimenter avec des agents alimentés par GPT dans des scénarios réels.

echoOLlama exploite l'écosystème Ollama pour fournir un cadre d'agent minimal : il lit l'entrée utilisateur du terminal, l'envoie à un LLM local configuré, et diffuse les réponses en temps réel. Les utilisateurs peuvent script des séquences d'interactions, enchaîner des prompts, et expérimenter l'ingénierie des prompts sans modifier le code modèle sous-jacent. Cela rend echoOLlama idéal pour tester des schémas de conversation, construire des outils simples en ligne de commande, et gérer des tâches itératives tout en préservant la confidentialité des données.

PommerLearn permet aux chercheurs et aux développeurs d'entraîner des robots RL multi-agents dans l'environnement de jeu Pommerman. Il inclut des implémentations prêt-à-l'emploi d'algorithmes populaires (PPO, DQN), des fichiers de configuration flexibles pour les hyperparamètres, une journalisation automatique et une visualisation des métriques d'entraînement, un checkpointing de modèles et des scripts d'évaluation. Son architecture modulaire facilite l'extension avec de nouveaux algorithmes, la personnalisation des environnements et l'intégration avec des bibliothèques ML standard telles que PyTorch.