Agent-Squad est un framework modulaire en Python qui permet aux équipes de concevoir, déployer et exécuter des systèmes multi-agents pour l'exécution de tâches complexes. Au cœur du système, Agent-Squad permet aux utilisateurs de configurer divers profils d'agents—comme récupérateurs de données, résumeurs, codeurs et validateurs—qui communiquent via des canaux définis et partagent un contexte mémoire. En décomposant des objectifs de haut niveau en sous-tâches, le framework orchestre le traitement parallèle et exploite les LLM avec des API externes, des bases de données ou des outils personnalisés. Les développeurs peuvent définir des workflows en JSON ou en code, surveiller les interactions des agents et ajuster les stratégies de façon dynamique à l'aide des outils de journalisation et d'évaluation intégrés. Les applications courantes incluent des assistants de recherche automatisés, des pipelines de génération de contenu, des bots QA intelligents, et des processus de revue de code itératifs. La conception open-source s'intègre parfaitement avec les services AWS, permettant des déploiements évolutifs.

agent-steps est un cadre d'orchestration d'étapes Python conçu pour rationaliser le développement d'agents IA en décomposant des tâches complexes en étapes discrètes et réutilisables. Chaque étape encapsule une action spécifique — comme l'appel à un modèle linguistique, la transformation de données ou des appels API externes — et peut transmettre le contexte aux étapes suivantes. La bibliothèque supporte une exécution synchrone et asynchrone, permettant des pipelines évolutifs. Les outils de journalisation et de débogage intégrés offrent une transparence sur l'exécution des étapes, tandis que son architecture modulaire favorise la maintenabilité. Les utilisateurs peuvent définir des types d'étapes personnalisés, les enchainer dans des workflows et les intégrer facilement dans des applications Python existantes. agent-steps est adapté pour créer des chatbots, des pipelines de données automatisés, des systèmes d'aide à la décision et d'autres solutions IA multi-étapes.

AI-Agent est un framework Python extensible conçu pour créer des agents autonomes propulsés par les modèles GPT d'OpenAI et LangChain. Il comprend des modules pour la recherche sur le web, la recherche Wikipedia, des fonctions de calculatrice et des intégrations d'outils personnalisés, permettant la recherche automatisée, l'analyse de données et l'exécution de scripts. Les utilisateurs peuvent configurer des agents pour planifier des tâches à plusieurs étapes, interagir avec des API, générer des rapports et effectuer des workflows complexes sans intervention manuelle, ce qui optimise la productivité en développement, science des données et processus métier.

ANAC-agents est un framework basé sur Python qui centralise plusieurs implémentations d'agents de négociation pour la Compétition d'Agents de Négociation Automatisée (ANAC). Chaque agent dans le dépôt incarne différentes stratégies pour la modélisation de l'utilité, la génération de propositions, les tactiques de concession et les critères d'acceptation, facilitant les études comparatives et les prototypes rapides. Les utilisateurs peuvent définir des domaines de négociation avec des enjeux et profils de préférences personnalisés, puis simuler des négociations bilatérales ou des compétitions en tournoi entre agents. La boîte à outils comprend des scripts de configuration, des métriques d’évaluation, et des utilitaires de journalisation pour analyser la dynamique de négociation. Les chercheurs et développeurs peuvent étendre les agents existants, tester de nouveaux algorithmes ou intégrer des modules d'apprentissage externe, accélérant l'innovation dans le commerce automatisé et la prise de décision stratégique sous information incomplète.

Le framework Besser Agentic offre une boîte à outils modulaire pour définir, coordonner et faire évoluer des agents IA. Il permet de configurer le comportement des agents, d’intégrer des outils et APIs externes, de gérer la mémoire et l’état des agents, et de surveiller l'exécution. Basé sur Python, il supporte des interfaces de plugin extensibles, la collaboration multi-agent et une journalisation intégrée. Les développeurs peuvent rapidement prototyper et déployer des agents pour des tâches telles que l'extraction de données, la recherche automatisée et les assistants conversationnels, le tout dans un cadre unifié.

Chainlit est un framework Python asynchrone open-source conçu pour aider les développeurs à construire et déployer rapidement des applications d'IA conversationnelle et d'agents évolutifs. Il prend en charge les intégrations avec des bibliothèques et des frameworks Python populaires pour offrir une expérience de développement fluide. Avec Chainlit, les utilisateurs peuvent créer des applications de chat prêtes à l'emploi capables de gérer des interactions complexes et de conserver le contexte de la conversation.

ChatGPT OpenAI Smart Speaker est un cadre de développement pour créer votre propre assistant vocal intelligent. Il fonctionne sur des appareils comme Raspberry Pi, PC Linux, macOS ou Windows. En utilisant des bibliothèques Python standard pour la reconnaissance vocale et la synthèse vocale, il écoute un mot d'éveil, capture votre question, la transfère à l'API ChatGPT d'OpenAI, et lit les réponses en temps réel. Vous pouvez l'étendre avec des commandes personnalisées, intégrer des contrôles domotiques ou l'utiliser pour des démonstrations éducatives d'IA vocale.

ModelScope Agent offre un cadre modulaire basé sur Python pour orchestrer des agents IA autonomes. Il comprend une intégration de plugin pour des outils externes (API, bases de données, recherche), une mémoire de conversation pour la préservation du contexte et des chaînes d'agents personnalisables pour gérer des tâches complexes telles que la récupération de connaissances, le traitement de documents et le support à la décision. Les développeurs peuvent configurer les rôles, comportements et prompts des agents, ainsi que tirer parti de plusieurs backends LLM pour optimiser la performance et la fiabilité en production.

CodeFuse-muAgent est un cadre open-source basé sur Python qui orchestre plusieurs agents IA autonomes pour résoudre collectivement des tâches complexes. Les développeurs définissent des agents individuels avec des compétences spécialisées — telles que traitement de données, compréhension du langage naturel ou interaction avec des API externes — et configurent les protocoles de communication pour une délégation dynamique des tâches. Le cadre fournit une gestion centralisée de la mémoire, la journalisation et la surveillance, tout en restant indépendant du modèle, supportant l'intégration avec des LLM populaires et des modèles IA personnalisés. En utilisant CodeFuse-muAgent, les équipes peuvent construire des workflows IA modulaires, automatiser des processus multi-étapes et faire évoluer les déploiements dans divers environnements. Des fichiers de configuration flexibles et des API extensibles permettent une mise en prototype rapide, des tests et un réglage fin, rendant cela adapté aux cas d'utilisation dans le support client, les pipelines de génération de contenu, les assistants de recherche, et plus encore.

CUPCAKE AGI (Composable Utilitarian Pipeline for Creative, Knowledgeable, and Evolvable Autonomous General Intelligence) est un cadre Python flexible qui simplifie la construction d'agents autonomes en combinant modèles de langage, mémoire et outils externes. Il offre des modules principaux comprenant un planificateur d'objectifs, un exécuteur de modèles et un gestionnaire de mémoire pour conserver le contexte à travers les interactions. Les développeurs peuvent étendre la fonctionnalité via des plugins pour intégrer des API, bases de données ou kits d'outils personnalisés. CUPCAKE AGI supporte les workflows synchrones et asynchrones, ce qui le rend idéal pour la recherche, le prototypage et le déploiement d'agents en production dans diverses applications.

Cyrano est un framework open-source et une CLI en Python pour créer des agents IA orchestrant de grands modèles linguistiques et des outils externes via des invites en langage naturel. Les utilisateurs peuvent définir des outils personnalisés (fonctions), configurer la mémoire et les limites de tokens, et gérer les callbacks. Cyrano gère l'analyse des réponses JSON des LLMs et exécute en séquence les outils spécifiés. Il met l'accent sur la simplicité, la modularité et zéro dépendance externe, permettant aux développeurs de prototyper rapidement des chatbots, de construire des workflows automatisés et d'intégrer rapidement des capacités IA dans des applications.

Fast Reinforcement Learning est un framework Python spécialisé visant à accélérer le développement et l'exécution d'agents d'apprentissage par renforcement. Il offre une prise en charge prête à l'emploi pour des algorithmes populaires tels que PPO, A2C, DDPG et SAC, associée à une gestion d'environnements vectorisés à haut débit. Les utilisateurs peuvent facilement configurer des réseaux de politiques, personnaliser des boucles d'apprentissage et exploiter l'accélération GPU pour des expérimentations à grande échelle. La conception modulaire de la bibliothèque assure une intégration transparente avec les environnements OpenAI Gym, permettant aux chercheurs et praticiens de prototyper, de benchmarker et de déployer des agents dans une variété de tâches de contrôle, de jeux et de simulation.

defaultmodeAGENT est un cadre basé sur Python qui simplifie la création d'agents intelligents effectuant automatiquement des flux de travail multi-étapes. Il dispose d'une planification en mode par défaut — une stratégie adaptative pour décider quand explorer ou exploiter — ainsi qu'une intégration transparente d'outils et d'API personnalisés. Les agents conservent une mémoire conversationnelle, supportent l'invite dynamique et offrent des journaux pour le débogage. Basé sur l'API d'OpenAI, il permet un prototypage rapide d'assistants pour l'extraction de données, la recherche et l'automatisation des tâches.

GPA-LM est un framework basé sur Python conçu pour simplifier la création et l'orchestration d'agents IA alimentés par de grands modèles linguistiques. Il comporte un planificateur qui décompose les instructions de haut niveau en sous-tâches, un exécuteur qui gère les appels d'outils et les interactions, et un module de mémoire qui conserve le contexte entre les sessions. L'architecture plugin permet aux développeurs d'ajouter des outils, API et logiques de décision personnalisés. Avec le support multi-agent, GPA-LM peut coordonner des rôles, répartir des tâches et agréger des résultats. Il s'intègre facilement à des LLM populaires comme OpenAI GPT et prend en charge le déploiement dans divers environnements. Le cadre accélère le développement d'agents autonomes pour la recherche, l'automatisation et la prototypie d'applications.

HMAS est un cadre open-source en Python permettant le développement de systèmes hiérarchiques multi-agents. Il offre des abstractions pour définir des hiérarchies d'agents, des protocoles de communication inter-agents, l'intégration d'environnements, et des boucles d'entraînement intégrées. Rechercheurs et développeurs peuvent utiliser HMAS pour prototyper des interactions complexes entre agents, entraîner des politiques coordonnées et évaluer la performance dans des environnements simulés. Son design modulaire facilite l'extension et la personnalisation des agents, environnements et stratégies d'entraînement.

HFO_DQN combine Python et TensorFlow pour fournir une chaîne complète pour entraîner des agents de football utilisant Deep Q-Networks. Les utilisateurs peuvent cloner le dépôt, installer les dépendances incluant le simulateur HFO et les bibliothèques Python, et configurer les paramètres d'entraînement dans des fichiers YAML. Le cadre implémente la mémoire d'expérience, les mises à jour du réseau cible, l'exploration ε-greedy, et le façonnage de récompenses spécifique au domaine offense de moitié terrain. Il comprend des scripts pour l'entraînement des agents, la journalisation des performances, des matchs d'évaluation, et la réalisation de graphiques. La structure modulaire du code permet d'intégrer des architectures neural personnalisées, des algorithmes RL alternatifs, et des stratégies de coordination multi-agents. Les sorties incluent des modèles entraînés, des métriques de performance, et des visualisations du comportement, facilitant la recherche en apprentissage par renforcement et systèmes multi-agents.

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.

LangChain est un cadre Python open-source conçu pour accélérer le développement d'applications alimentées par l'IA. Il offre des abstractions pour enchaîner plusieurs appels à des modèles linguistiques (chaînes), construire des agents qui interagissent avec des outils externes, et gérer la mémoire des conversations. Les développeurs peuvent définir des invites, des parseurs de sortie et exécuter des workflows de bout en bout. Les intégrations incluent des magasins vectoriels, des bases de données, des APIs et des plateformes d'hébergement pour permettre des chatbots prêts pour la production, l’analyse de documents, des assistants de code, et des pipelines AI personnalisés.

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.

Le framework LLM Maze Agent fournit un environnement basé sur Python pour construire des agents intelligents capables de naviguer dans des labyrinthes en grille en utilisant de grands modèles linguistiques. En combinant des interfaces modulaires d’environnement avec des modèles de prompt en chaîne de pensée et une planification heuristique, l’agent interroge itérativement un LLM pour décider des directions de déplacement, s’adapter aux obstacles et mettre à jour sa représentation d’état interne. La prise en charge prête à l’emploi des modèles OpenAI et Hugging Face permet une intégration transparente, tandis que la génération de labyrinthes configurable et le débogage étape par étape facilitent l’expérimentation avec différentes stratégies. Les chercheurs peuvent ajuster les fonctions de récompense, définir des espaces de observations personnalisés et visualiser les trajectoires de l’agent pour analyser les processus de raisonnement. Ce design rend LLM Maze Agent un outil polyvalent pour évaluer la planification pilotée par LLM, enseigner des concepts d’IA et benchmarker la performance des modèles sur des tâches de raisonnement spatial.