Symbol-LLM offre une architecture modulaire pour construire des agents IA alimentés par de grands modèles linguistiques renforcés par des magasins de mémoire symbolique. Il comprend un module de planification pour décomposer des tâches complexes, un exécuteur pour invoquer des outils et un système de mémoire pour maintenir le contexte à travers les interactions. Avec des boîtes à outils intégrées telles que la recherche web, la calculatrice et le moteur de code, plus des API simples pour l'intégration d'outils personnalisés, Symbol-LLM permet aux développeurs et aux chercheurs de prototyper et déployer rapidement des assistants sophistiqués basés sur LLM pour divers domaines comme la recherche, le support client et l'automatisation des flux de travail.

Les systèmes multi-agent sont conçus pour simplifier la création, la configuration et l'exécution d'architectures décentralisées basées sur les agents. Les développeurs peuvent définir les comportements des agents, les ontologies de communication et les descriptions de services dans des classes Java. Le framework gère la mise en place des conteneurs, le transport des messages et la gestion du cycle de vie des agents. Basé sur des protocoles FIPA standards, il supporte la négociation peer-to-peer, la planification collaborative et l'extension modulaire. Les utilisateurs peuvent exécuter, surveiller et déboguer des scénarios multi-agents sur une seule machine ou sur des hôtes connectés, ce qui en fait une solution idéale pour la recherche, l'éducation et les déploiements à petite échelle.

Le dépôt fournit un tutoriel étape par étape et une implémentation de référence pour créer un agent AI basé sur ReAct utilisant DeepSeek pour la récupération vectorielle en haute dimension. Il couvre la configuration de l'environnement, l'installation des dépendances, et la configuration des magasins de vecteurs pour des données personnalisées. L'agent utilise le motif ReAct pour combiner les traces de raisonnement avec des recherches de connaissances externes, résultant en des réponses transparentes et explicables. Les utilisateurs peuvent étendre le système en intégrant des chargeurs de documents supplémentaires, en ajustant les modèles de prompts, ou en échangeant les bases de données vectorielles. Ce cadre flexible permet aux développeurs et chercheurs de prototyper rapidement des agents conversationnels puissants, capables de raisonner, de récupérer et d'interagir sans effort avec diverses sources de connaissances en quelques lignes de code Python.

Self-Determining AI Agents est un framework basé sur Python conçu pour simplifier la création d'agents IA autonomes. Il dispose d'une boucle de planification personnalisable où les agents génèrent des tâches, planifient des stratégies et exécutent des actions à l'aide d'outils intégrés. Le framework inclut des modules de mémoire persistants pour la conservation du contexte, un système de planification flexible et des hooks pour l'intégration d'outils personnalisés tels que API web ou requêtes de base de données. Les développeurs définissent des objectifs d'agents via des fichiers de configuration ou du code, et la bibliothèque gère le processus décisionnel itératif. Il supporte la journalisation, la surveillance des performances et peut être étendu avec de nouveaux algorithmes de planification. Idéal pour la recherche, l'automatisation des workflows et la prototypage rapide de systèmes multi-agents intelligents.

Team Coordination est une bibliothèque Python légère conçue pour simplifier l'orchestration de plusieurs agents IA travaillant ensemble sur des tâches complexes. En définissant des rôles d'agents spécialisés—tels que planificateurs, exécutants, évaluateurs ou communicateurs—les utilisateurs peuvent décomposer un objectif global en sous-tâches gérables, les déléguer à des agents individuels et faciliter une communication structurée entre eux. Le framework gère l'exécution asynchrone, le routage des protocoles et l'agrégation des résultats, permettant à des équipes d'agents IA de collaborer efficacement. Son système de plugins supporte l'intégration avec des LLM populaires, des API et une logique personnalisée, idéal pour des applications dans le service client automatisé, la recherche, le jeu AI et les pipelines de traitement de données. Avec des abstractions claires et des composants extensibles, Team Coordination accélère le développement de workflows multi-agents évolutifs.

Dial4JaCa est un plugin de bibliothèque Java pour la plateforme multi-agent JaCaMo qui intercepte les messages inter-agents, encode les intentions des agents et les routent via des backend LLM (OpenAI, modèles locaux). Il gère le contexte de dialogue, met à jour les bases de croyances et intègre la génération de réponse directement dans les cycles de raisonnement AgentSpeak(L). Les développeurs peuvent personnaliser les invites, définir des artefacts de dialogue et gérer des appels asynchrones, permettant aux agents d'interpréter les énoncés des utilisateurs, de coordonner des tâches et de récupérer des informations externes en langage naturel. Son design modulaire prend en charge la gestion des erreurs, la journalisation et la sélection de plusieurs LLM, idéal pour la recherche, l'éducation et le prototypage rapide de MAS conversationnels.

FAgent offre une architecture modulaire pour construire des agents IA, notamment des abstractions d'environnements, des interfaces de politiques et des connecteurs d'outils. Il prend en charge l'intégration avec des services LLM populaires, implémente la gestion de la mémoire pour la conservation du contexte et fournit une couche d'observabilité pour la journalisation et la surveillance des actions des agents. Les développeurs peuvent définir des outils et des actions personnalisés, orchestrer des flux de travail en plusieurs étapes et exécuter des évaluations basées sur des simulations. FAgent comprend également des plugins pour la collecte de données, les métriques de performance et les tests automatisés, ce qui le rend adapté à la recherche, à la réalisation de prototypes et aux déploiements en production d'agents autonomes dans diverses domaines.

FreeAct utilise une architecture modulaire pour simplifier la création d'agents IA. Les développeurs définissent des objectifs de haut niveau et configurent le module de planification pour générer des plans étape par étape. La composante de raisonnement évalue la faisabilité du plan, tandis que le moteur d'exécution orchestre les appels API, les requêtes à la base de données et les interactions avec des outils externes. La gestion de mémoire suit le contexte de la conversation et les données historiques, permettant aux agents de prendre des décisions éclairées. Un registre d'environnement simplifie l'intégration d'outils et de services personnalisés, permettant une adaptation dynamique. FreeAct supporte plusieurs backends LLM et peut être déployé sur des serveurs locaux ou sur des environnements cloud. Son caractère open-source et sa conception extensible facilitent la prototypage rapide d'agents intelligents pour la recherche et les cas d'utilisation en production.

Hapticlabs propose un kit d'outils intuitif sans code conçu pour créer des interactions haptiques personnalisées. Les utilisateurs peuvent facilement concevoir des retours haptiques, construire des prototypes fonctionnels et tester leurs conceptions sur plusieurs appareils. Le Hapticlabs Studio, le DevKit et l'application mobile permettent une évaluation en temps réel sans aucun codage. Adapté au développement de produits, à l'éducation, à la recherche et aux projets DIY, Hapticlabs rationalise le processus d'incorporation des haptiques dans vos produits, améliorant l'expérience utilisateur avec des retours tangibles.

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.

Odyssey offre une architecture flexible pour la création de systèmes multi-agent collaboratifs. Il comprend des composants centraux tels que le Task Manager pour définir et répartir les sous-tâches, modules de mémoire pour stocker le contexte et l'historique des conversations, contrôleurs d'agents pour la coordination des agents alimentés par LLM, et gestionnaires d'outils pour l'intégration d'API externes ou de fonctions personnalisées. Les développeurs peuvent configurer des workflows via des fichiers YAML, sélectionner des noyaux LLM préconstruits (par ex. GPT-4, modèles locaux), et étendre le framework avec de nouveaux outils ou backends de mémoire. Odyssey journalise les interactions, supporte l'exécution asynchrone des tâches et permet des boucles de raffinage itératif, le rendant idéal pour la recherche, le prototypage et les applications multi-agent prêtes pour la production.