CybMASDE permet aux chercheurs et développeurs de construire, configurer et exécuter des simulations multi-agent avec apprentissage par renforcement profond. Les utilisateurs peuvent élaborer des scénarios personnalisés, définir des rôles d'agents et des fonctions de récompense, et brancher des algorithmes RL standard ou personnalisés. Le cadre comprend des serveurs d'environnement, des interfaces d'agents en réseau, des collecteurs de données et des utilitaires de rendu. Il supporte l'entraînement parallèle, la surveillance en temps réel et la sauvegarde de modèles. L'architecture modulaire de CybMASDE permet une intégration transparente de nouveaux agents, espaces d'observation et stratégies d'entraînement, accélérant l'expérimentation dans la commande coopérative, le comportement en essaim, l'allocation des ressources et autres cas d'usage multi-agent.

Eliza est une plateforme de conversation légère et open-source qui simule un psychothérapeute via la reconnaissance de motifs et des modèles de scripts. Les développeurs peuvent définir des scripts, motifs, et variables de mémoire personnalisés pour ajuster les réponses et les flux de conversation. Elle fonctionne dans tout navigateur moderne ou environnement webview, supporte plusieurs sessions, et journalise les interactions pour analyse. Son architecture extensible permet l'intégration dans des pages web, des applications mobiles ou des wrappers de bureau, en faisant un outil polyvalent pour l'apprentissage, la recherche, le prototypage et les installations interactives.

SwarmZero offre un environnement open-source évolutif pour définir, gérer et exécuter des essaims d'agents IA. Les développeurs peuvent déclarer des rôles d'agents, personnaliser des invites et chaîner des workflows via une API d'orchestrateur unifiée. Le framework s'intègre aux principaux fournisseurs de LLM, supporte des extensions de plugins et enregistre les données de session pour le débogage et l'analyse de performance. Que ce soit pour coordonner des bots de recherche, des créateurs de contenu ou des analyseurs de données, SwarmZero rationalise la collaboration multi-agent et garantit des résultats reproductibles et transparents.

RAGENT est conçu pour créer des agents IA autonomes pouvant interagir avec divers outils et sources de données. En coulisses, il utilise la génération augmentée par récupération pour obtenir du contexte pertinent à partir de fichiers locaux ou de sources externes, puis compose des réponses via des modèles OpenAI. Les développeurs peuvent ajouter des outils pour recherche web, automatisation du navigateur avec Selenium, opérations de lecture/écriture de fichiers, execution de code dans des sandbox sécurisés, et OCR pour l'extraction de texte d'images. Le framework gère la mémoire de conversation, orchestre les outils et supporte des modèles de prompts personnalisés. Avec RAGENT, les équipes peuvent rapidement prototyper des agents intelligents pour Q&A, automatisation de recherche, résumé de contenu et automatisation de flux de travail de bout en bout, tout dans un environnement Python.

Lagent est un cadre axé sur les développeurs, qui permet la création d'agents intelligents sur la base de grands modèles linguistiques. Il propose des modules de planification dynamique qui divisent les tâches en sous-objectifs, des systèmes de mémoire pour maintenir le contexte sur de longues sessions et des interfaces d’intégration d’outils pour les appels API ou l’accès à des services externes. Avec des pipelines personnalisables, les utilisateurs définissent le comportement de l’agent, les stratégies de prompt, la gestion des erreurs et l’analyse des sorties. Les outils de journalisation et de débogage de Lagent aident à surveiller les étapes de décision, tandis que son architecture évolutive supporte les déploiements locaux, cloud ou en entreprise. Il accélère la création d’assistants autonomes, d’analyses de données et d’automatisations de flux de travail.

LaVague est un framework open-source conçu pour créer et déployer rapidement et efficacement des agents web. Les utilisateurs peuvent créer divers agents qui automatisent des tâches dans des applications web, allant de la saisie de données à la récupération d'informations complètes. Le framework prend en charge l'intégration avec des modèles locaux, tels que Llama 3 8b, ce qui en fait un choix polyvalent pour les entreprises cherchant à améliorer leurs opérations avec une automatisation pilotée par l'IA. Avec LaVague, les développeurs peuvent adapter les agents pour s'adapter à des flux de travail spécifiques, améliorant ainsi la productivité et l'efficacité.

Le système Linguistic Agent est un cadre Open-Source Python conçu pour construire des agents intelligents qui exploitent les modèles de langage pour planifier et exécuter des tâches. Il inclut des composants pour la gestion de la mémoire, le registre d'outils, le planificateur et l'exécuteur, permettant aux agents de maintenir le contexte, d'appeler des API externes, d'effectuer des recherches sur le web et d'automatiser les flux de travail. Configurable via YAML, il prend en charge plusieurs fournisseurs de LLM, permettant un prototypage rapide de chatbots, résumeurs de contenu, et assistants autonomes. Les développeurs peuvent étendre la fonctionnalité en créant des outils et des backends de mémoire personnalisés, déployant des agents localement ou sur des serveurs.

Le système RAG piloté par LLM est un framework destiné aux développeurs pour la construction de pipelines RAG. Il fournit des modules pour l’intégration de collections de documents, l’indexation via FAISS, Pinecone ou Weaviate, et la récupération de contexte pertinent en temps réel. Le système utilise des wrappers LangChain pour orchestrer les appels LLM, supporte les modèles de prompt, la diffusion de réponses, et les adaptateurs multi-vecteurs. Il simplifie le déploiement de RAG de bout en bout pour des bases de connaissances, avec une personnalisation à chaque étape — de la configuration du modèle d’intégration à la conception du prompt et au post-traitement des résultats.

llm-lab fournit une boîte à outils flexible pour créer des agents intelligents utilisant de grands modèles de langage. Elle comprend un moteur d'orchestration d'agents, la prise en charge de modèles de prompts personnalisés, le suivi de la mémoire et de l'état, et une intégration transparente avec des API et plugins externes. Les utilisateurs peuvent élaborer des scénarios, définir des chaînes d'outils, simuler des interactions et collecter des logs de performance. Le framework propose également une suite de tests intégrée pour valider le comportement des agents face à des résultats attendus. Conçu pour l'extensibilité, llm-lab permet aux développeurs d'échanger de fournisseurs LLM, d'ajouter de nouveaux outils et de faire évoluer la logique des agents à travers des expérimentations itératives.

MAPF_G2RL est un cadre de recherche open-source qui relie la théorie des graphes et l'apprentissage par renforcement profond pour résoudre le problème de recherche de chemin multi-agents (MAPF). Il encode les nœuds et les arêtes en représentations vectorielles, définit des fonctions de récompense spatiales et sensibles aux collisions, et supporte divers algorithmes RL tels que DQN, PPO et A2C. Le cadre automatise la création de scénarios en générant des graphes aléatoires ou en important des cartes du monde réel, et orchestre des boucles d'entraînement qui optimisent simultanément les politiques pour plusieurs agents. Après apprentissage, les agents sont évalués dans des environnements simulés pour mesurer l'optimalité des chemins, le temps de sortie et les taux de réussite. Sa conception modulaire permet aux chercheurs d'étendre ses composants, d'intégrer de nouvelles techniques MARL et de benchmarker contre des solveurs classiques.

MiniAgent est un cadre minimaliste open source construit en Python pour la création d'agents IA autonomes capables de planifier et d'exécuter des workflows complexes. Au cœur, MiniAgent comprend un module de planification de tâches qui décompose des objectifs de haut niveau en étapes ordonnées, un contrôleur d'exécution qui exécute chaque étape séquentiellement, et des adaptateurs intégrés pour l'intégration d'outils et d'API externes, y compris les services web, bases de données et scripts personnalisés. Il dispose également d'un système léger de gestion de mémoire pour conserver les contextes conversationnels ou de tâches. Les développeurs peuvent facilement enregistrer des plugins d'action personnalisés, définir des règles de politique pour la prise de décision, et étendre la fonctionnalité des outils. Avec la prise en charge des modèles OpenAI et des LLM locaux, MiniAgent permet un prototypage rapide de chatbots, de travailleurs numériques et de pipelines automatisés, le tout sous licence MIT.

mini-AlphaStar démystifie l'architecture complexe d'AlphaStar en proposant un cadre PyTorch accessible et Open Source pour le développement d'IA dans StarCraft II. Il comprend des encodeurs de caractéristiques spatiales pour les entrées écran et minimap, un traitement des caractéristiques non spatiales, des modules de mémoire LSTM, et des réseaux de politique et de valeur séparés pour la sélection d'actions et l'évaluation d'état. En utilisant l'apprentissage par imitation pour démarrer et l'apprentissage par renforcement avec auto-jeu pour l'affinage, il supporte les wrappers d'environnement compatibles avec pysc2, la journalisation via TensorBoard et des hyperparamètres configurables. Les chercheurs et étudiants peuvent générer des jeux de données à partir de parties humaines, entraîner des modèles sur des scénarios personnalisés, évaluer la performance des agents et visualiser les courbes d'apprentissage. La base de code modulaire facilite l'expérimentation avec différentes variantes de réseaux, programmes d'entraînement et configurations multi-agents. Conçu pour l'éducation et le prototypage, et non pour le déploiement en production.

Multi-Agent Systems fournit une boîte à outils complète pour créer, contrôler et observer les interactions entre agents autonomes. Les développeurs peuvent définir des classes d'agents avec une logique décisionnelle personnalisée, configurer des environnements complexes avec des ressources et des règles configurables, et mettre en œuvre des canaux de communication pour l'échange d'informations. Le framework prend en charge la planification synchrone et asynchrone, les comportements basés sur des événements, et intègre la journalisation pour les métriques de performance. Les utilisateurs peuvent étendre les modules de base ou intégrer des modèles d'IA externes pour améliorer l'intelligence des agents. Les outils de visualisation offrent une représentation en temps réel ou après exécution, pour analyser les comportements émergents et optimiser les paramètres du système. De la recherche académique aux prototypes d’applications distribuées, Multi-Agent Systems simplifie les simulations multi-agents de bout en bout.

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.

L'architecture multi-agents offre une plateforme évolutive et extensible pour définir, enregistrer et coordonner plusieurs agents IA travaillant ensemble sur un objectif commun. Elle inclut un courtier de messages, une gestion du cycle de vie, une création dynamique d'agents et des protocoles de communication personnalisables. Les développeurs peuvent créer des agents spécialisés (ex. récupérateurs de données, processeurs NLP, décideurs) et les intégrer dans le runtime principal pour gérer des tâches allant de l'agrégation de données aux flux de décisions autonomes. La conception modulaire du cadre supporte les extensions via plugins et s'intègre aux modèles ML ou API existants.

Multi-Agent ColComp est un cadre extensible et open-source pour orchestrer une équipe d’agents IA dans des tâches complexes. Les développeurs peuvent définir des rôles d’agents distincts, configurer des canaux de communication et partager des données contextuelles via un stockage mémoire unifié. La bibliothèque inclut des composants plug-and-play pour négociation, coordination et consensus. Des configurations d’exemples illustrent la génération de texte collaborative, la planification distribuée et la simulation multi-agent. Son architecture modulaire facilite les extensions, permettant aux équipes de prototyper et d’évaluer rapidement des stratégies multi-agent en environnement de recherche ou de production.

MultiAgentPacman offre un environnement de jeu en Python où les utilisateurs peuvent implémenter, visualiser et benchmarker plusieurs agents IA dans le domaine Pacman. Il supporte des algorithmes de recherche adverse tels que minimax, expectimax, élagage alpha-bêta, ainsi que des agents personnalisés utilisant l'apprentissage par renforcement ou des heuristiques. Le cadre inclut une GUI simple, des contrôles en ligne de commande et des outils pour enregistrer les statistiques de jeu et comparer la performance des agents dans des scénarios compétitifs ou coopératifs.

MultiAgentPuzzleSolver fournit un environnement modulaire où des agents d’IA indépendants travaillent ensemble pour résoudre des énigmes telles que les puzzles à glissières, la Cube de Rubik, et les grilles logiques. Les agents partagent des informations d’état, négocient des affectations de sous-tâches, et appliquent diverses heuristiques pour explorer l’espace de solutions plus efficacement que les approches à un seul agent. Les développeurs peuvent ajouter de nouveaux comportements d’agents, personnaliser les protocoles de communication, et introduire de nouvelles définitions d’énigmes. Le cadre inclut des outils pour la visualisation en temps réel, la collecte de métriques de performance, et la scripting d’expériences. Il supporte Python 3.8+, les bibliothèques standard, et des outils ML populaires pour une intégration transparente dans les projets de recherche.

OpenAI Agents MCP Server fournit une base solide pour déployer et gérer des agents autonomes alimentés par des modèles OpenAI. Il expose une API RESTful flexible pour créer, configurer et contrôler des agents, permettant aux développeurs d'orchestrer des tâches multi-étapes, de coordonner les interactions entre agents et de maintenir une mémoire persistante entre les sessions. Le framework prend en charge les intégrations d'outils de type plugin, une journalisation avancée des conversations et des stratégies de planification personnalisables. En abstraisant les préoccupations de l'infrastructure, MCP Server rationalise le processus de développement, facilitant la création rapide de prototypes et la mise en production évolutive d'assistants conversationnels, d'automations de workflows et de travailleurs numériques pilotés par IA.

RoboCup Rescue Agent Simulation est un cadre open-source qui modélise des environnements urbains de catastrophe où plusieurs agents pilotés par IA collaborent pour localiser et sauver des victimes. Il propose des interfaces pour la navigation, la cartographie, la communication et l’intégration de capteurs. Les utilisateurs peuvent écrire des stratégies d’agents personnalisées, exécuter des expériences par lot, et visualiser les indicateurs de performance des agents. La plateforme supporte la configuration des scénarios, la journalisation et l’analyse des résultats pour accélérer la recherche dans les systèmes multi-agents et les algorithmes de réponse aux catastrophes.