RModel est un cadre d'agent IA axé sur les développeurs conçu pour simplifier la création d'applications conversationnelles et autonomes de nouvelle génération. Il s'intègre avec n'importe quel LLM, supporte les chaînes d'outils plugins, le stockage de mémoire et la génération dynamique de prompts. Avec des mécanismes de planification intégrés, l'enregistrement d'outils personnalisés et la télémétrie, RModel permet aux agents d'effectuer des tâches telles que la récupération d'informations, le traitement de données et la prise de décision dans plusieurs domaines, tout en maintenant des dialogues avec état, une exécution asynchrone, des gestionnaires de réponses personnalisables et une gestion sécurisée du contexte pour des déploiements évolutifs en cloud ou sur site.

SonAgent est un cadre extensible open-source conçu pour construire, organiser et exécuter des agents IA en Python. Il fournit des modules principaux pour le stockage de mémoire, des wrappers d'outils, la logique de planification et la gestion d'événements asynchrones. Les développeurs peuvent enregistrer des outils personnalisés, intégrer des modèles linguistiques, gérer la mémoire à long terme des agents et orchestrer plusieurs agents pour collaborer sur des tâches complexes. La conception modulaire de SonAgent accélère le développement de bots conversationnels, d'automatisations de flux de travail et de systèmes d'agents distribués.

SwiftAgent offre une boîte à outils robuste pour construire des agents intelligents en intégrant directement les modèles d'OpenAI dans Swift. Les développeurs peuvent déclarer des actions personnalisées et des outils externes, que les agents invoquent en fonction des requêtes utilisateur. Le framework maintient la mémoire de conversation, permettant aux agents de se référer aux interactions passées. Il supporte la templating de prompts et l'injection de contexte dynamique, facilitant les dialogues multi-tours et la logique de décision. L'API asynchrone de SwiftAgent fonctionne parfaitement avec la concurrence Swift, la rendant idéale pour iOS, macOS ou des environnements côté serveur. En abstraisant les appels de modèles, le stockage de mémoire et l'orchestration de pipelines, SwiftAgent permet aux équipes de prototyper et déployer rapidement des assistants conversationnels, chatbots ou agents d'automatisation dans leurs projets Swift.

TinyAgent fournit un framework léger pour orchestrer des tâches complexes avec des modèles GPT d'OpenAI. Les développeurs installent via pip, configurent une clé API, définissent des outils ou plugins, et utilisent un contexte en mémoire pour maintenir des conversations multi-étapes. TinyAgent supporte le chaînage de tâches, l'intégration d'API externes, et la persistance de mémoires utilisateur ou système. Son API simple en Python vous permet de prototyper des flux de travail d'analyse de données autonomes, des chatbots de service client, des assistants de génération de code, ou tout cas d'utilisation nécessitant un agent intelligent avec état. La bibliothèque reste entièrement open-source, extensible et multiplateforme.

With AI Agents est un framework axé sur le code en TypeScript qui vous aide à définir et orchestrer plusieurs agents IA, chacun avec des rôles distincts tels que planificateur, exécutant et mémoire. Il fournit une gestion de mémoire intégrée pour persister le contexte, un sous-système d'appel de fonctions pour intégrer des API externes, et une interface CLI pour des sessions interactives. En combinant les agents en pipelines ou hiérarchies, vous pouvez automatiser des tâches complexes — comme des pipelines d'analyse de données ou des flux de support client — tout en garantissant modularité, évolutivité et personnalisation facile.

ChatAgent permet aux développeurs de créer et déployer rapidement des chatbots intelligents en offrant une architecture extensible avec des modules principaux pour la gestion de mémoire, la chaîne d'outils et l'orchestration de stratégies. Il s'intègre parfaitement à des fournisseurs LLM populaires, permettant de définir des outils personnalisés pour des appels API, des requêtes de base de données ou des opérations sur fichiers. Le framework supporte la planification multi-étapes, la prise de décision dynamique et la récupération de mémoire contextuelle, assurant des interactions cohérentes sur des conversations longues. Son système de plugins et ses pipelines pilotés par la configuration facilitent la personnalisation et l'expérimentation, tandis que des logs structurés et des métriques aident à surveiller la performance et à diagnostiquer en production.

DreamGPT est une plateforme open-source polyvalente conçue pour simplifier le développement, la configuration et le déploiement d'agents IA alimentés par des modèles GPT. Elle fournit un SDK Python intuitif et une interface en ligne de commande pour créer de nouveaux agents, gérer l'historique des conversations avec des backends mémoire modulables, et intégrer des outils externes via un système de plugins standardisé. Les développeurs peuvent définir des flux de prompts personnalisés, se connecter à des API ou des bases de données pour une génération enrichie, et surveiller la performance des agents via une journalisation et une télémétrie intégrées. L'architecture modulaire supporte la montée en charge horizontale dans des environnements cloud et assure une gestion sécurisée des données utilisateur. Avec des modèles préconçus pour assistants, chatbots et travailleurs numériques, les équipes peuvent rapidement prototyper des agents IA spécialisés pour le service client, l'analyse de données, l'automatisation, et plus encore.

Granite Retrieval Agent offre aux développeurs une plateforme flexible pour construire des agents IA génératives augmentés par récupération combinant recherche sémantique et grands modèles linguistiques. Les utilisateurs peuvent ingérer des documents provenant de sources diverses, créer des embeddings vectoriels et configurer des index Azure Cognitive Search ou d'autres magasins vectoriels. Lorsqu’une requête arrive, l’agent récupère les passages les plus pertinents, construit des fenêtres contextuelles et appelle les API LLM pour des réponses ou résumés précis. Il supporte la gestion de la mémoire, l’orchestration en chaîne de la réflexion et des plugins personnalisés pour le pré et post-traitement. Déployable via Docker ou directement en Python, Granite Retrieval Agent accélère la création de chatbots basés sur la connaissance, assistants d'entreprise et systèmes Q&A avec moins d’hallucinations et une meilleure précision factuelle.

PearAI combine les outils IA les plus puissants en un seul éditeur de code open source, transformant la façon dont les développeurs créent et gèrent le code. La plateforme inclut Roo Code pour l'assistance au codage AI, Supermaven pour le texte prédictif, MemO pour la gestion de la mémoire, Perplexity pour la recherche alimentée par IA et Continue pour le chat et l'édition avancés. Cette intégration permet aux développeurs d'exploiter tout le potentiel de l'IA, rendant le codage plus rapide, plus efficace et hautement personnalisé.

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.

pyafai est une bibliothèque Python open source conçue pour aider les développeurs à architecturer, configurer et exécuter des agents IA autonomes. Elle offre des modules plug-in pour la gestion de la mémoire pour conserver le contexte, l'intégration d'outils pour les appels API externes, des observateurs pour la surveillance de l'environnement, des planificateurs pour la prise de décision, et un orchestrateur pour gérer les boucles d'agents. Les fonctionnalités de journalisation et de surveillance offrent une visibilité sur les performances et le comportement des agents. pyafai prend en charge les principaux fournisseurs LLM, permet la création de modules personnalisés, et réduit le code boilerplate pour permettre aux équipes de prototyper rapidement des assistants virtuels, des robots de recherche et des workflows d'automatisation avec un contrôle complet sur chaque composant.

Python AGNO Memory Agent offre une approche structurée de la mémoire des agents en organisant les souvenirs via un cadre AGNO. Il utilise des modèles d'intégration pour convertir les souvenirs textuels en représentations vectorielles et les stocke dans des magasins de vecteurs configurables comme ChromaDB, FAISS ou SQLite. Les agents peuvent ajouter de nouveaux souvenirs, interroger les événements passés pertinents, mettre à jour des entrées obsolètes ou supprimer des données non pertinentes. La bibliothèque propose un suivi chronologique, des magasins de mémoire avec espaces de noms pour des scénarios multi-agents, et des seuils de similarité personnalisables. Elle s'intègre facilement aux frameworks LLM populaires et peut être étendue avec des modèles d'intégration personnalisés pour diverses applications d'agents IA.

scenario-go sert de cadre robuste pour construire des agents IA en Go en permettant aux développeurs d'écrire des définitions de scénarios qui spécifient des interactions étape par étape avec de grands modèles linguistiques. Chaque scénario peut incorporer des modèles d'invite, des fonctions personnalisées et un stockage de mémoire pour maintenir l'état de la conversation entre plusieurs tours. La boîte à outils s'intègre avec les principaux fournisseurs LLM via des API REST, permettant des cycles d'entrée-sortie dynamiques et des branches conditionnelles basées sur les réponses de l'IA. Avec une journalisation intégrée et une gestion des erreurs, scenario-go simplifie le débogage et la surveillance des flux de travail IA. Les développeurs peuvent composer des composants de scénarios réutilisables, chaîner plusieurs tâches IA et étendre la fonctionnalité via des plugins. Le résultat est une expérience de développement rationalisée pour construire des chatbots, des pipelines d'extraction de données, des assistants virtuels et des agents de support client automatisés entièrement en Go.

Semantic Kernel Copilot Demo est une application de référence de bout en bout illustrant comment construire des agents IA avancés avec le cadre Semantic Kernel de Microsoft. La démo propose un chaînage de prompts pour un raisonnement multi-étapes, une gestion de mémoire pour rappeler le contexte entre les sessions, et une architecture de compétences basée sur des plugins permettant l'intégration avec des API ou services externes. Les développeurs peuvent configurer des connecteurs pour Azure OpenAI ou des modèles OpenAI, définir des modèles de prompts personnalisés et implémenter des compétences spécifiques au domaine telles que l'accès au calendrier, la gestion de fichiers ou la récupération de données. L'exemple montre comment orchestrer ces composants pour créer un copilote conversationnel capable de comprendre les intentions des utilisateurs, d'exécuter des tâches et de maintenir le contexte au fil du temps, favorisant ainsi le développement rapide d'assistants IA personnalisés.

Steel est un cadre centré sur le développeur, conçu pour accélérer la création et le fonctionnement d'agents alimentés par LLM en environnement de production. Il offre des connecteurs indépendants du fournisseur pour les principales API de modèles, un magasin de mémoire en mémoire et persistant, des modèles d'invocation d'outils intégrés, une mise en cache automatique des réponses et un traçage détaillé pour l'observabilité. Les développeurs peuvent définir des flux de travail complexes pour les agents, intégrer des outils personnalisés (par exemple, recherche, requêtes de bases de données et API externes) et gérer les sorties en streaming. Steel abstrait la complexité de l'orchestration, permettant aux équipes de se concentrer sur la logique métier et d'itérer rapidement sur des applications alimentées par l'IA.

Le Framework Stella permet aux développeurs de construire des agents IA robustes capables de maintenir le contexte, d'effectuer des actions assistées par des outils et de fournir des expériences conversationnelles dynamiques. En abstraisant la complexité des intégrations LLM, Stella offre des adaptateurs indépendants du fournisseur pour OpenAI, Hugging Face et des modèles auto-hébergés. Les agents peuvent utiliser des magasins de mémoire personnalisables pour rappeler les données de l'utilisateur et l'historique des conversations, et les plugins facilitent les interactions avec des API externes, des bases de données ou des services. Le moteur d'orchestration intégré gère les cycles de décision, tandis qu'une DSL concise permet de définir des actions, des appels d'outils et la gestion des réponses. Que ce soit pour créer des bots de support client, des assistants de recherche ou des automatisateurs de flux de travail, Stella fournit une base évolutive pour déployer des agents IA de qualité production.

Team of AI Agents offre une architecture modulaire pour construire et déployer des systèmes multi-agents. Chaque agent opère avec des rôles distincts, utilisant une mémoire globale et des contextes locaux pour la conservation des connaissances. Le cadre supporte la messagerie asynchrone, l'utilisation d'outils via des adaptateurs et la réaffectation dynamique des tâches en fonction des résultats des agents. Les développeurs configurent les agents via des scripts Python ou YAML, permettant la spécialisation thématique, la hiérarchie des objectifs et la gestion des priorités. Il comprend des métriques intégrées pour l’évaluation des performances et le débogage, facilitant des itérations rapides. Grâce à une architecture de plugins extensible, les utilisateurs peuvent intégrer des modèles NLP personnalisés, des bases de données ou des API externes. Team of AI Agents accélère les workflows complexes en exploitant l'intelligence collective d'agents spécialisés, idéal pour la recherche, l'automatisation et la simulation.

AgentChat est une plateforme open-source de gestion d'agents IA qui exploite les modèles GPT d'OpenAI pour exécuter des agents conversationnels polyvalents. Elle fournit une interface React pour des sessions de chat interactives, un backend Node.js pour le routage API et un système de plugins pour étendre les capacités des agents. Les agents peuvent être configurés avec des prompts basés sur des rôles, une mémoire persistante et des workflows prédéfinis pour automatiser des tâches telles que la synthèse, la planification, l'extraction de données et les notifications. Les utilisateurs peuvent créer plusieurs instances d'agents, leur attribuer des noms personnalisés et basculer entre eux en temps réel. Le système supporte une gestion sécurisée des clés API, et les développeurs peuvent créer ou intégrer de nouveaux connecteurs de données, bases de connaissances et services tiers pour enrichir les interactions des agents.

AgentIn est un framework IA basé sur Python conçu pour accélérer le développement d'agents conversationnels et orientés tâche. Il offre des modules de mémoire intégrés pour persister le contexte, une intégration dynamique d'outils pour appeler des API externes ou des fonctions locales, et un système flexible de templates de prompts pour des interactions personnalisées. L'orchestration multi-agents permet des workflows en parallèle, tandis que la journalisation et le cache améliorent la fiabilité et la traçabilité. Facilement configurable via YAML ou code Python, AgentIn supporte les principaux fournisseurs LLM et peut être étendu avec des plugins personnalisés pour des capacités spécifiques au domaine.

Agents with ADK est un cadre Python open-source conçu pour simplifier la création d'agents intelligents alimentés par de grands modèles de langage. Il comprend des modèles d'agents modulaires, une gestion mémoire intégrée, des interfaces d'exécution d'outils et des capacités de coordination multi-agent. Les développeurs peuvent rapidement intégrer des fonctions personnalisées ou des API externes, configurer des chaînes de planification et de raisonnement, et surveiller les interactions des agents. Le cadre prend en charge l'intégration avec des fournisseurs LLM populaires et offre des fonctionnalités de journalisation, de logique de nouvelle tentative et d'extensibilité pour le déploiement en production.