Continuum est un framework Python open-source qui permet aux développeurs de construire des agents intelligents en définissant des tâches, des outils et de la mémoire de manière modulaire. Les agents construits avec Continuum suivent une boucle plan-exécuter-observer, permettant d’intercaler le raisonnement LLM avec des appels API externes ou des scripts. Son architecture modulaire supporte plusieurs magasins de mémoire (par ex., Redis, SQLite), des bibliothèques d'outils personnalisés et une exécution asynchrone. Axé sur la flexibilité, les utilisateurs peuvent rédiger des politiques d'agents personnalisées, intégrer des services tiers comme des bases de données ou des webhooks, et déployer des agents dans divers environnements. L'orchestration basée sur les événements de Continuum enregistre les actions des agents, facilitant le débogage et l’optimisation des performances. Qu'il s'agisse d'automatiser l’ingestion de données, de construire des assistants conversationnels ou d'orchestrer des pipelines DevOps, Continuum fournit une base évolutive pour des flux de travail d'agents IA de niveau production.

Council fournit un environnement structuré pour concevoir des agents d'IA en définissant des rôles, en chaînant des tâches et en intégrant des outils ou des API externes. Les utilisateurs peuvent configurer des magasins de mémoire, gérer l'état des agents et implémenter des pipelines de raisonnement personnalisés. L'architecture plugin de Council permet une intégration transparente avec des services NLP, des sources de données et des outils tiers, permettant de prototyper et déployer rapidement des systèmes multi-agents coordonnés pour effectuer des tâches complexes de manière fiable.

Crayon permet aux développeurs de construire des agents IA autonomes en JavaScript/Node.js capables d’appeler des API externes, de maintenir l’historique de conversation, de planifier des tâches multi-étapes et de gérer des processus asynchrones. Au cœur, Crayon implémente une boucle de planification-exécution qui décompose des objectifs de haut niveau en actions discrètes, s’intègre avec des kits d’outils personnalisés, et utilise des modules de mémoire pour stocker et rappeler des informations à travers les sessions. Le framework supporte plusieurs backends de mémoire, une intégration d’outils via plugins et une journalisation complète pour le débogage. Les développeurs peuvent configurer le comportement des agents via des prompts et des pipelines basés sur YAML, permettant des workflows complexes comme le scraping de données, la génération de rapports et les chatbots interactifs. L’architecture de Crayon favorise l’extensibilité pour que les équipes puissent intégrer des outils spécifiques au domaine et adapter les agents à des besoins commerciaux uniques.

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.

Dive est un cadre open-source basé sur Python, conçu pour créer et exécuter des agents IA autonomes capables d'effectuer des tâches multi-étapes avec une intervention manuelle minimale. En définissant des profils d'agents dans des fichiers de configuration YAML simples, les développeurs peuvent spécifier des API, des outils et des modules de mémoire pour des tâches telles que la récupération de données, l'analyse et l'orchestration de pipelines. Dive gère le contexte, l'état et l'ingénierie des prompts, permettant des flux de travail flexibles avec gestion d'erreurs intégrée et journalisation. Son architecture modulaire supporte une large gamme de modèles linguistiques et de systèmes de récupération, facilitant la constitution d'agents pour l'automatisation du service client, la génération de contenu et les processus DevOps. Le cadre évolue de la prototype à la production, offrant des commandes CLI et des points de terminaison API pour une intégration transparente dans des systèmes existants.

Les exemples du SDK Python de Restack offrent un ensemble complet de projets de démonstration illustrant comment exploiter la plateforme Restack pour construire des agents IA. Incluent des modèles pour chatbots, agents d'analyse de documents et flux de travail d'automatisation des tâches. Les exemples couvrent la configuration de l'API, l'intégration d'outils (par ex., recherche web, stockage de mémoire), l'orchestration d'agents, la gestion des erreurs et les scénarios de déploiement. Les développeurs peuvent cloner le dépôt, configurer leurs clés API et étendre les agents d'exemple pour répondre à des cas d'utilisation personnalisés.

Exo est un framework centré sur le développeur permettant la création d'agents pilotés par IA capables de communiquer avec les utilisateurs, d'invoquer des API externes et de préserver le contexte de conversation. Au cœur, Exo utilise des définitions TypeScript pour décrire des outils, des couches de mémoire et la gestion du dialogue. Les utilisateurs peuvent enregistrer des actions personnalisées pour des tâches telles que la récupération de données, la planification ou l'orchestration d'API. Le framework gère automatiquement des modèles de prompt, la gestion des messages et la gestion des erreurs. Le module de mémoire d'Exo peut stocker et rappeler des informations spécifiques à l'utilisateur à travers différentes sessions. Les développeurs déploient des agents dans des environnements Node.js ou sans serveur avec une configuration minimale. Exo prend aussi en charge des middlewares pour la journalisation, l'authentification et les métriques. Son architecture modulaire permet de réutiliser des composants dans plusieurs agents, accélérant le développement et réduisant la redondance.

Fabrice AI permet aux développeurs de créer des systèmes d’agents IA sophistiqués exploitant de grands modèles linguistiques (LLMs) dans des contextes Node.js et navigateur. Il propose des modules mémoire intégrés pour conserver l’historique des conversations, l’intégration d’outils pour étendre les capacités de l’agent avec des API personnalisées, et un système de plugins pour des extensions communautaires. Avec des modèles de prompts sûrs, une coordination multi-agent et des comportements d’exécution configurables, Fabrice AI simplifie la création de chatbots, d’automatisations et d’assistants virtuels. Son design multiplateforme assure un déploiement sans couture dans des applications web, des fonctions serverless ou des applications desktop, accélérant le développement de services IA intelligents et contextuels.

ggfai fournit une interface unifiée pour définir des objectifs, gérer le raisonnement à plusieurs étapes et maintenir le contexte de conversation avec des modules de mémoire. Il prend en charge des intégrations d'outils personnalisables pour appeler des services ou APIs externes, des flux d'exécution asynchrones et des abstractions sur les modèles GPT d'OpenAI. L'architecture de plugins du cadre vous permet d'échanger des backends de mémoire, des magasins de connaissances et des modèles d'action, simplifiant l'orchestration d'agents dans des tâches telles que le support client, la récupération de données ou les assistants personnels.

Microsoft AutoGen a été conçu pour faciliter le développement complet d'agents IA autonomes en fournissant des composants modulaires pour la gestion de la mémoire, la planification des tâches, l'intégration d'outils et la communication. Les développeurs peuvent définir des outils personnalisés avec des schémas structurés et se connecter à des fournisseurs LLM majeurs comme OpenAI et Azure OpenAI. Le framework supporte l'orchestration d'un ou plusieurs agents, permettant des workflows collaboratifs où les agents coordonnent l'exécution de tâches complexes. Son architecture plug-and-play permet une extension facile avec de nouveaux magasins de mémoire, stratégies de planification et protocoles de communication. En abstraisant les détails d'intégration de bas niveau, AutoGen accélère la création de prototypes et le déploiement d'applications pilotées par IA dans des domaines tels que le support client, l'analyse de données et l'automatisation des processus.

Nestor propose une architecture modulaire pour assembler des agents d'IA qui maintiennent l'état de la conversation, invoquent des outils externes et personnalisent les pipelines de traitement. Les principales fonctionnalités incluent des magasins de mémoire basés sur la session, un registre pour les fonctions ou plugins d'outils, des modèles de prompts flexibles et des interfaces unifiées pour les clients LLM. Les agents peuvent exécuter des tâches séquentielles, effectuer des branchements décisionnels et s’intégrer aux API REST ou scripts locaux. Nestor est indépendant du framework, permettant aux utilisateurs de travailler avec OpenAI, Azure ou des fournisseurs LLM auto-hébergés.

LangGraph-Swift fournit un DSL basé sur un graphe pour construire des workflows IA en enchaînant des nœuds représentant des actions telles que des requêtes LLM, des opérations de récupération, des appels d'outils et la gestion de la mémoire. Chaque nœud est typé et peut être connecté pour définir l'ordre d'exécution. Le framework supporte des adaptateurs pour des services LLM populaires comme OpenAI, Azure et Anthropic, ainsi que des intégrations d'outils personnalisés pour appeler des APIs ou des fonctions. Il inclut des modules de mémoire intégrés pour conserver le contexte sur plusieurs sessions, des outils de débogage et de visualisation, et une prise en charge multiplateforme pour iOS, macOS et Linux. Les développeurs peuvent étendre les nœuds avec une logique personnalisée, permettant un prototypage rapide de chatbots, de processeurs de documents et d'agents autonomes en Swift natif.

LAuRA simplifie la création d'agents IA intelligents en offrant un pipeline structuré de planification, récupération, exécution et gestion de la mémoire. Les utilisateurs définissent des tâches complexes que le Planificateur de LAuRA décompose en étapes actionnables, le Récupérateur extrait des informations de bases de données vectorielles ou d'API, et l'Exécuteur invoque des services ou outils externes. Un système de mémoire intégré maintient le contexte à travers les interactions, permettant des conversations cohérentes et basées sur l’état. Avec des connecteurs extensibles pour LLM populaires et des magasins de vecteurs, LAuRA supporte le prototypage rapide et la montée en charge d'agents personnalisés pour des cas d'utilisation comme l’analyse de documents, la génération automatique de rapports, les assistants personnalisés et l'automatisation des processus métier. Sa conception open-source favorise la contribution de la communauté et une intégration flexible.

LLMWare sert d'outil complet pour la construction d'agents AI alimentés par de grands modèles de langage. Il permet de définir des chaînes réutilisables, d'intégrer des outils externes via des interfaces simples, de gérer les états de mémoire contextuelle et d'orchestrer un raisonnement multi-étapes entre modèles de langage et services en aval. Avec LLMWare, les développeurs peuvent brancher différents backends de modèles, configurer la logique de décision de l'agent et ajouter des kits d'outils personnalisés pour des tâches telles que la navigation web, les requêtes de base de données ou les appels API. Sa conception modulaire permet un prototypage rapide d'agents autonomes, de chatbots ou d'assistants de recherche, avec une journalisation intégrée, la gestion des erreurs et des adaptateurs de déploiement pour les environnements de développement et de production.

LLPhant est un framework Python open-source qui permet aux développeurs de créer des agents polyvalents pilotés par LLM. Il offre des abstractions intégrées pour l'intégration d'outils (API, recherche, bases de données), la gestion de mémoire pour des conversations multi-tours et des boucles de décision personnalisables. Avec le support de plusieurs backends LLM (OpenAI, Hugging Face, autres), des composants en style plugin et des workflows basés sur la configuration, LLPhant accélère le développement d'agents. Utilisez-le pour prototyper des chatbots, automatiser des tâches ou construire des assistants numériques tirant parti d'outils externes et de mémoire contextuelle sans code répétitif.

Local-Super-Agents offre une plateforme basée sur Python pour créer des agents AI autonomes qui fonctionnent entièrement en local. Le framework propose des composants modulaires, y compris des magasins de mémoire, des kits d'outils pour l'intégration API, des adaptateurs LLM et une orchestration d'agents. Les utilisateurs peuvent définir des agents de tâches personnalisés, chaîner des actions et simuler la collaboration multi-agent dans un environnement sandbox. Il abstrait la configuration complexe en proposant des utilitaires CLI, des modèles préconfigurés et des modules extensibles. Sans dépendances cloud, les développeurs gardent la confidentialité des données et le contrôle des ressources. Son système de plugins supporte l'intégration de scrapeurs web, de connecteurs de bases de données et de fonctions Python personnalisées, permettant des workflows comme la recherche autonome, l'extraction de données et l'automatisation locale.

Magi MDA est un cadre d'agent IA axé sur les développeurs qui simplifie la création et le déploiement d'agents autonomes. Il expose un ensemble de composants de base—planificateurs, exécuteurs, interprètes et mémoires—that peuvent être assemblés en pipelines personnalisés. Les utilisateurs peuvent se connecter aux fournisseurs LLM populaires pour la génération de texte, ajouter des modules de récupération pour l'augmentation des connaissances, et intégrer divers outils ou APIs pour des tâches spécialisées. Le framework gère automatiquement la raisonnement étape par étape, le routage des outils et la gestion du contexte, permettant aux équipes de se concentrer sur la logique métier plutôt que sur la gestion de l'orchestration.

ManasAI est un framework en Python qui permet la création d'agents IA autonomes avec un état intégré et des composants modulaires. Il offre des abstractions principales pour la raisonnement des agents, la mémoire à court et long terme, l'intégration d'outils et d'API externes, la gestion d'événements basée sur les messages et l'orchestration multi-agents. Les agents peuvent être configurés pour gérer le contexte, exécuter des tâches, gérer des tentatives et collecter des retours. Son architecture plug-in permet aux développeurs d'adapter les backend de mémoire, outils et orchestrateurs à des workflows spécifiques, ce qui le rend idéal pour le prototypage de chatbots, travailleurs numériques et pipelines automatisés nécessitant un contexte persistant et des interactions complexes.

MindForge est un cadre d’orchestration robuste conçu pour construire et déployer des agents pilotés par IA avec un minimum de code boilerplate. Il offre une architecture modulaire comprenant un planificateur de tâches, un moteur de raisonnement, un gestionnaire de mémoire et une couche d’exécution d’outils. En exploitant les LLM, les agents peuvent analyser l'entrée utilisateur, élaborer des plans et invoquer des outils externes — comme des APIs de scraping web, des bases de données ou des scripts personnalisés — pour accomplir des tâches complexes. Les composants de mémoire stockent le contexte conversationnel, permettant des interactions multi-tours, tandis que le moteur de décision sélectionne dynamiquement des actions selon des politiques définies. Avec le support de plugins et des pipelines personnalisables, les développeurs peuvent étendre la fonctionnalité pour inclure des outils spécifiques, des intégrations tierces et des bases de connaissances spécifiques au domaine. MindForge simplifie le développement d’agents IA, favorisant le prototypage rapide et le déploiement scalable en production.

Multi-Agents fournit un environnement structuré où différents agents d'IA—tels que planificateurs, exécuteurs et critiques—collaborent pour résoudre des tâches en plusieurs étapes. L’agent planificateur décompose les objectifs globaux en sous-tâches, l’agent exécuteur interagit avec des API ou outils externes pour effectuer chaque étape, et l’agent critique examine les résultats pour leur précision et cohérence. Les modules de mémoire permettent aux agents de stocker le contexte à travers les interactions, tandis qu’un système de messagerie assure une communication fluide. Le cadre est extensible, permettant aux utilisateurs d’ajouter des rôles personnalisés, d’intégrer des outils propriétaires ou de remplacer les backends LLM pour des cas d’usage spécialisés.