LiteMultiAgent offre un SDK modulaire pour construire et exécuter plusieurs agents IA en parallèle ou en séquence, chacun avec des rôles et responsabilités uniques. Il fournit des magasins de mémoire intégrés, des pipelines de messagerie, des adaptateurs de plugins et des boucles d'exécution pour gérer une communication inter-agent complexe. Les utilisateurs peuvent personnaliser le comportement des agents, intégrer des outils ou API externes et surveiller les conversations via des logs. La conception légère du framework et la gestion des dépendances en font une solution idéale pour le prototypage rapide et le déploiement en production de workflows collaboratifs d’IA.

Fast-LLM-Agent-MCP est un cadre Python léger open-source pour construire des agents IA combinant gestion de mémoire, raisonnement en chaîne et planification multi-étapes. Les développeurs peuvent l'intégrer avec OpenAI, Azure OpenAI, Llama local et d'autres modèles pour maintenir le contexte de conversation, générer des traces de raisonnement structurées et décomposer des tâches complexes en sous-tâches exécutables. Son design modulaire permet l'intégration d'outils personnalisés et de stockages de mémoire, idéal pour des applications telles que les assistants virtuels, les systèmes d'aide à la décision et les bots de support client automatisés.

Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.

InfantAgent offre une structure légère pour concevoir et déployer des agents intelligents en Python. Il s'intègre avec des LLM populaires (OpenAI, Hugging Face), supporte des modules de mémoire persistants et permet des chaînes d'outils personnalisés. Dès la sortie de la boîte, vous disposez d'une interface conversationnelle, d'une orchestration de tâches et d'une prise de décision basée sur des politiques. L'architecture plugin du cadre permet une extension facile pour des outils et APIs spécifiques au domaine, idéale pour le prototypage d'agents de recherche, l'automatisation des flux de travail ou l'intégration d'assistants IA dans des applications.

js-agent fournit aux développeurs une boîte à outils minimaliste mais puissante pour créer des agents IA autonomes en JavaScript. Il offre des abstractions pour la mémoire de conversation, des outils d'appel de fonctions, des stratégies de planification personnalisables et la gestion des erreurs. Avec js-agent, vous pouvez rapidement connecter des invites, gérer l'état, invoquer des API externes et orchestrer des comportements complexes d'agents via une API simple et modulaire. Conçu pour fonctionner dans des environnements Node.js, il s'intègre parfaitement avec l'API OpenAI pour alimenter des agents intelligents et contextualisés.

En pratique, LlamaSim vous permet de définir plusieurs agents alimentés par l’IA utilisant le modèle Llama, de configurer des scénarios d’interaction et de lancer des simulations contrôlées. Vous pouvez personnaliser la personnalité des agents, la logique de décision et les canaux de communication à l’aide d’APIs Python simples. Le cadre gère automatiquement la construction des prompts, l’analyse des réponses et le suivi de l’état de la conversation. Il enregistre toutes les interactions et fournit des métriques d’évaluation intégrées telles que la cohérence des réponses, le taux de réalisation des tâches et la latence. Avec son architecture plugin, vous pouvez intégrer des sources de données externes, ajouter des fonctions d’évaluation personnalisées ou étendre les capacités des agents. La légèreté du noyau de LlamaSim le rend adapté au développement local, aux pipelines CI ou aux déploiements dans le cloud, permettant une recherche reproductible et une validation rapide de prototypes.

Melissa offre une architecture légère et extensible pour construire des agents pilotés par l’IA sans nécessiter beaucoup de code boilerplate. Au cœur, le framework exploite un système basé sur des plugins où les développeurs peuvent enregistrer des actions personnalisées, des connecteurs de données et des modules de mémoire. Le sous-système de mémoire permet la préservation du contexte à travers les interactions, améliorant la continuité conversationnelle. Des adaptateurs d’intégration permettent aux agents de récupérer et traiter des informations via APIs, bases de données ou fichiers locaux. En combinant une API simple, des outils CLI et des interfaces standardisées, Melissa facilite des tâches telles que l’automatisation des demandes clients, la génération de rapports dynamiques ou l’orchestration de flux de travail multi-étapes. Le cadre est indépendant du langage, adapté aux projets centrés sur Python et peut être déployé sur Linux, macOS ou dans des environnements Docker.

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.