Devon fournit une suite complète d'outils pour définir, orchestrer et exécuter des agents autonomes au sein d'applications Python. Les utilisateurs peuvent définir des objectifs pour l'agent, spécifier des tâches appelables et chaîner des actions en fonction de conditions. Grâce à une intégration transparente avec des modèles linguistiques tels que GPT et des bases de données vectorielles locales, les agents ingèrent et interprètent les entrées utilisateur, récupèrent des connaissances contextuelles et génèrent des plans. Le framework supporte la mémoire à long terme via des backends de stockage modulaires, permettant aux agents de se souvenir des interactions passées. Des composants de surveillance et de journalisation intégrés permettent un suivi en temps réel des performances de l'agent, tandis qu'une CLI et un SDK facilitent le développement et le déploiement rapides. Convient pour automatiser le support client, les pipelines d'analyse de données et les opérations métier routinières, Devon accélère la création de travailleurs numériques évolutifs.

OpenSilver est un framework UI gratuit et open-source conçu pour construire des applications web .NET modernes en utilisant C# et XAML. Il prend en charge les applications WPF et Silverlight et facilite la transition sans couture des anciennes technologies Silverlight. Ce framework garantit 100% de réutilisabilité du code, une compatibilité avec diverses technologies web modernes comme Blazor, React et Angular, et propose un designer XAML amélioré par IA pour Visual Studio Code. Avec OpenSilver, les développeurs peuvent créer des applications multiplateformes qui fonctionnent sur n'importe quel navigateur et appareil, en préservant l'apparence et la convivialité d'origine des applications, tout en réduisant considérablement le coût et le temps de migration.

Promptix Python est un framework open-source pour construire des agents IA autonomes en Python. Avec une installation simple via pip, vous pouvez instancier des agents alimentés par n'importe quel LLM majeur, enregistrer des outils spécifiques au domaine, configurer des stockages de données en mémoire ou persistants, et orchestrer des boucles de décision à plusieurs étapes. Le SDK supporte le streaming en temps réel de sorties token, des gestionnaires de rappels pour la journalisation ou le traitement personnalisé, ainsi que des modules de mémoire intégrés pour conserver le contexte au-delà des interactions. Les développeurs peuvent exploiter cette bibliothèque pour prototyper des assistants chatbot, des automatisations, des pipelines de données ou des agents de recherche en quelques minutes. Son design modulaire permet d'échanger des modèles, d'ajouter des outils personnalisés et d'étendre les backends mémoire, offrant une flexibilité pour diverses applications d'agents IA.

Les Agents Autonomes sont une bibliothèque Python open-source conçue pour simplifier la création d'agents d'IA autonomes alimentés par de grands modèles de langage. En abstraisant des composants clés tels que la perception, le raisonnement et l'action, ils permettent aux développeurs de définir des outils, des mémoires et des stratégies personnalisés. Les agents peuvent planifier de manière autonome des tâches multi-étapes, interroger des API externes, traiter des résultats via des parseurs personnalisés et maintenir un contexte conversationnel. Le cadre prend en charge la sélection dynamique d'outils, l'exécution séquentielle et parallèle des tâches, ainsi que la persistance de la mémoire, permettant une automatisation robuste allant de l'analyse de données et la recherche à la synthèse de courriels et le web scraping. Son design extensible facilite l'intégration avec différents fournisseurs de LLM et modules personnalisés.

BotPlayers est un framework polyvalent open-source conçu pour simplifier le développement et le déploiement d'agents de jeu pilotés par IA. Il comprend une couche d'abstraction d'environnement flexible supportant le screen scraping, les API web ou des interfaces de simulation personnalisées, permettant aux bots d'interagir avec divers jeux. Le framework inclut des algorithmes d'apprentissage par renforcement intégrés, des algorithmes génétiques et des heuristiques basées sur des règles, ainsi que des outils pour la journalisation des données, le pointage des modèles et la visualisation des performances. Son système de plugins modulaire permet aux développeurs de personnaliser capteurs, actions et politiques IA en Python ou Java. BotPlayers propose également une configuration YAML pour un prototypage rapide et des pipelines automatisés pour l'entraînement et l'évaluation. Supportant plusieurs plates-formes comme Windows, Linux et macOS, ce framework accélère la recherche et la production d'agents de jeu intelligents.

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.

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.

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.

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.

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.

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.

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.

SelfDrivingCarSimulator est un framework Python léger basé sur Pygame qui offre un environnement de conduite 2D pour entraîner des agents de véhicules autonomes à l'aide de l'apprentissage par renforcement. Il supporte des tracés personnalisables, des modèles de capteurs configurables (comme LiDAR et caméra), une visualisation en temps réel et un enregistrement des données pour l'analyse des performances. Les développeurs peuvent intégrer leurs algorithmes RL, ajuster les paramètres physiques, et surveiller des métriques telles que la vitesse, le taux de collision et les fonctions de récompense pour faire évoluer rapidement leurs projets de recherche et éducatifs.

SPEAR (Scalable Platform for Edge AI Real-Time) est conçu pour gérer le cycle de vie complet de l'inférence IA en périphérie. Les développeurs peuvent définir des pipelines de flux qui ingèrent des données de capteurs, vidéos ou journaux via des connecteurs vers Kafka, MQTT ou sources HTTP. SPEAR déploie dynamiquement des modèles containerisés sur des nœuds de travail, équilibrant la charge à travers des clusters tout en garantissant des réponses à faible latence. Il comprend une gestion de version intégrée, des contrôles de santé et de la télémétrie, et expose des métriques à Prometheus et Grafana. Les utilisateurs peuvent appliquer des transformations personnalisées ou des alertes via une architecture de plugins modulaires. Avec une mise à l’échelle automatisée et une récupération d’erreurs, SPEAR fournit une analyse en temps réel fiable pour l’IoT, l’automatisation industrielle, les villes intelligentes et les systèmes autonomes dans des environnements hétérogènes.

L'agent Base OnChain est un cadre open-source conçu pour déployer des agents IA autonomes sur des blockchains similaires à Ethereum. Il se connecte aux nœuds blockchain via Web3 et utilise les modèles GPT d'OpenAI pour interpréter des événements on-chain tels que des transferts de jetons ou des logs spécifiques au protocole. L'agent peut traiter des prompts en langage naturel ou des stratégies prédéfinies pour décider quand exécuter des transactions, appeler des fonctions de contrats intelligents ou répondre aux propositions de gouvernance. Les développeurs peuvent étendre des modules pour des écouteurs d'événements personnalisés, intégrer des flux de données off-chain et gérer les clés privées en toute sécurité. Cette solution permet des opérations DeFi automatisées telles que la fourniture de liquidités, le trading d'arbitrage et la rééquilibration de portefeuille avec une intervention manuelle minimale.