LeanAgent est un cadre basé sur Python conçu pour rationaliser la création d'agents IA autonomes. Il offre des modules de planification intégrés exploitant de grands modèles linguistiques pour la prise de décision, une couche d'intégration d'outils extensible pour appeler des API externes ou des scripts personnalisés, et un système de gestion de mémoire qui conserve le contexte entre les interactions. Les développeurs peuvent configurer des flux de travail d'agents, intégrer des outils personnalisés, itérer rapidement avec des utilitaires de débogage, et déployer des agents prêts pour la production dans divers domaines.

L'adaptateur d'outils pour agents MCP agit comme une couche middleware entre les agents basés sur des modèles linguistiques et les implémentations d'outils externes. En enregistrant des signatures de fonction ou des descripteurs d'outil, le framework analyse automatiquement les sorties de l’agent qui spécifient des appels d’outils, déploie l’adaptateur approprié, gère la sérialisation des entrées et renvoie le résultat au contexte de raisonnement. Les fonctionnalités incluent la découverte dynamique d’outils, le contrôle de la concurrence, la journalisation et des pipelines de gestion d’erreurs. Il prend en charge la définition d'interfaces d'outils personnalisés et l'intégration de services cloud ou sur site. Cela permet de construire des workflows complexes multi-outils tels que l’orchestration d’API, la récupération de données et les opérations automatisées sans modifier le code de l’agent sous-jacent.

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.

L'agent IA avec MCP est un cadre complet conçu pour rationaliser le développement d'agents IA avancés capables de maintenir un contexte à long terme, effectuer un raisonnement multi-étapes, et adapter leurs stratégies en fonction de la mémoire. Il utilise une conception modulaire composée d'un gestionnaire de mémoire, d'un planificateur conditionnel, et d'un gestionnaire d'invite, permettant des intégrations personnalisées et une extension avec divers LLMs. Le gestionnaire de mémoire stocke de façon persistante les interactions passées, garantissant la conservation du contexte. Le planificateur conditionnel évalue les conditions à chaque étape et sélectionne dynamiquement la prochaine action. Le gestionnaire d'invite formate les entrées et enchaîne les tâches de manière fluide. Écrit en Python, il s'intègre via API avec les modèles GPT d'OpenAI, supporte la génération augmentée par récupération, et facilite la création d'agents conversationnels, l'automatisation des tâches, ou des systèmes de support à la décision. Une documentation étendue et des exemples guident les utilisateurs dans l'installation et la personnalisation.

L'atelier Agents IA est un dépôt complet offrant des exemples pratiques et des modèles pour développer des agents IA avec Python. L'atelier inclut des notebooks Jupyter démontrant des frameworks d'agents, des intégrations d'outils (ex. recherche web, opérations sur fichiers, requêtes de bases de données), des mécanismes de mémoire et du raisonnement multi-étapes. Les utilisateurs apprennent à configurer des planificateurs d'agents personnalisés, définir des schémas d'outils et implémenter des flux de travail conversationnels en boucle. Chaque module propose des exercices sur la gestion des erreurs, l'optimisation des prompts et l'évaluation des sorties des agents. Le code supporte le appel de fonctions d'OpenAI et les connecteurs LangChain, permettant une extension fluide pour des tâches spécifiques au domaine. Idéal pour les développeurs souhaitant prototyper des assistants autonomes, des bots d'automatisation des tâches ou des agents de question-réponse, il offre une progression pas à pas du simple agent aux workflows avancés.

Autogen Studio Research est un prototype de recherche hébergé sur GitHub pour construire, visualiser et faire évoluer des applications d'IA multi-agents. Il propose une interface web permettant de faire glisser et déposer des composants d'agents, définir des canaux de communication et configurer des pipelines d'exécution. En arrière-plan, il utilise un SDK Python pour se connecter à divers backends LLM (OpenAI, Azure, modèles locaux) et offre un journal en temps réel, des métriques et des outils de débogage. La plateforme est conçue pour le prototypage rapide de systèmes d'agents collaboratifs, de flux de décisions et d'orchestration automatisée des tâches.