Camel AI est un cadre open-source conçu pour simplifier la création et l'orchestration d'agents intelligents. Il propose des abstractions pour chaîner de grands modèles de langage, intégrer des outils et APIs externes, gérer des graphes de connaissance et persister la mémoire. Les développeurs peuvent définir des flux de travail multi-agents, décomposer des tâches en sous-plans et surveiller l'exécution via CLI ou interface web. Basé sur Python et Docker, Camel AI permet une permutation transparente des fournisseurs LLM, des plugins d'outils personnalisés et des stratégies de planification hybrides, accélérant le développement d'assistants automatisés, pipelines de données et flux de travail autonomes à grande échelle.

Odyssey offre une architecture flexible pour la création de systèmes multi-agent collaboratifs. Il comprend des composants centraux tels que le Task Manager pour définir et répartir les sous-tâches, modules de mémoire pour stocker le contexte et l'historique des conversations, contrôleurs d'agents pour la coordination des agents alimentés par LLM, et gestionnaires d'outils pour l'intégration d'API externes ou de fonctions personnalisées. Les développeurs peuvent configurer des workflows via des fichiers YAML, sélectionner des noyaux LLM préconstruits (par ex. GPT-4, modèles locaux), et étendre le framework avec de nouveaux outils ou backends de mémoire. Odyssey journalise les interactions, supporte l'exécution asynchrone des tâches et permet des boucles de raffinage itératif, le rendant idéal pour la recherche, le prototypage et les applications multi-agent prêtes pour la production.

OpenDerisk offre une plateforme modulaire et extensible pour évaluer et atténuer les risques dans les systèmes d'IA. Elle inclut des métriques d'évaluation de l'équité, la détection de fuites de confidentialité, des tests de robustesse contre les attaques adversariales, la surveillance des biais et des contrôles de la qualité des sorties. Les utilisateurs peuvent configurer des sondes préconstruites ou développer des modules personnalisés pour cibler des domaines de risque spécifiques. Les résultats sont agrégés dans des rapports interactifs qui mettent en évidence les vulnérabilités et suggèrent des mesures correctives. OpenDerisk fonctionne en CLI et SDK Python, permettant une intégration transparente dans les flux de travail de développement, les pipelines d'intégration continue et les portes de qualité automatisées pour garantir des déploiements d'IA sûrs et fiables.

Python AI Agent fournit une boîte à outils conviviale pour orchestrer des agents autonomes pilotés par de grands modèles linguistiques. Il offre des mécanismes intégrés pour définir des outils et actions personnalisés, maintenir l'historique des conversations avec des modules de mémoire et diffuser des réponses pour des expériences interactives. Les utilisateurs peuvent étendre son architecture plugin pour intégrer des API, des bases de données et des services externes, permettant aux agents de récupérer des données, effectuer des calculs et automatiser des flux de travail. La bibliothèque supporte des pipelines configurables, la gestion des erreurs et la journalisation pour des déploiements robustes. Avec un minimum de boilerplate, les développeurs peuvent créer des chatbots, des assistants virtuels, des analyseurs de données ou des automateurs de tâches exploitant la raisonnement LLM et la prise de décisions à plusieurs étapes. La nature open-source encourage la contribution communautaire et s'adapte à tout environnement Python.

SeeAct est conçu pour donner aux agents vision-langage une pipeline en deux étapes : un module de planification alimenté par de grands modèles de langage génère des sous-objectifs basés sur des scènes observées, et un module d'exécution traduit ces sous-objectifs en actions spécifiques à l'environnement. Un backbone de perception extrait des caractéristiques d'objets et de scènes à partir d'images ou de simulations. L'architecture modulaire permet de remplacer facilement les planificateurs ou réseaux de perception et supporte l'évaluation sur AI2-THOR, Habitat et d'autres environnements personnalisés. SeeAct accélère la recherche sur l'IA incarnée interactive en fournissant une décomposition, une mise en contexte et une exécution de tâches de bout en bout.

ROCKET-1 est une plateforme open-source d'orchestration d'agents IA conçue pour construire des systèmes multi-agents avancés. Elle permet aux utilisateurs de définir des pipelines d'agents à l'aide d'une API modulaire, permettant une chaînage seamless des modèles linguistiques, des plugins et des magasins de données. Les fonctionnalités clés incluent la mémoire sémantique pour maintenir le contexte à travers les sessions, l'intégration dynamique d'outils pour les API externes et les bases de données, ainsi que des tableaux de bord de surveillance intégrés pour suivre les métriques de performance. Les développeurs peuvent personnaliser les workflows avec peu de code, évoluer horizontalement via des déploiements conteneurisés, et étendre la fonctionnalité via une architecture de plugins. ROCKET-1 supporte le débogage en temps réel, les redémarrages automatiques et les contrôles de sécurité, ce qui le rend idéal pour les bots d'assistance client, les assistants de recherche et les tâches d'automatisation d'entreprise.

Saga offre une architecture flexible pour créer des agents AI qui planifient et exécutent des flux de travail multi-étapes. Les composants principaux incluent un module de planification qui décompose les objectifs en actions, un stockage de mémoire pour le contexte conversationnel et des tâches, et un registre d'outils pour intégrer des services ou scripts externes. Les agents s'exécutent de manière asynchrone, gèrent l'état entre les sessions et prennent en charge le développement d'outils personnalisés. Saga permet un prototypage rapide d'assistants autonomes, automatisant des tâches telles que la collecte de données, les alertes et les questions-réponses interactives dans votre environnement Python.

L'agent vocal AI Samantha est un framework d'assistant vocal entièrement modulaire, open source, construit en Python. Il exploite le modèle GPT-4 d'OpenAI pour la gestion contextuelle du dialogue, Whisper pour la transcription précise de la parole en texte, et ElevenLabs ou TTS de Microsoft pour une sortie de synthèse vocale réaliste. Avec la prise en charge intégrée de l'écoute continue, des hooks de compétences personnalisables, des intégrations API et des déclencheurs événementiels, Samantha permet aux développeurs de créer des flux de travail vocaux personnalisés, d'automatiser des tâches et de déployer sur des environnements de bureau ou serveur sans contraintes de licence importantes.

SARL offre des outils de prise de décision et supporte la dynamique avec l'IDE Eclipse, proposant support éditeur, génération de code, débogage et outils de test. Le moteur d'exécution peut cibler différentes plateformes, y compris des cadres de simulation (par ex., MadKit, Janus) et des systèmes réels en robotique et IoT. Les développeurs peuvent structurer des applications MAS complexes en assemblant des compétences et protocoles modulaires, simplifiant le développement de systèmes d'IA distribués et adaptatifs.

Solace AI est un cadre modulaire pour agents IA vous permettant de déployer votre propre assistant conversationnel sur votre infrastructure. Il propose une gestion de la mémoire contextuelle, la prise en charge des bases de données vectorielles pour la récupération de documents, des hooks de plugins pour intégrations externes et une interface de chat basée sur le web. Avec des invites système personnalisables et un contrôle précis des sources de connaissance, vous pouvez créer des agents pour le support, le tutorat, la productivité personnelle ou l'automatisation interne, sans dépendre de serveurs tiers.

Solana AI Agent Eliza est une preuve de concept d'agent IA qui apporte le chatbot classique Eliza sur la blockchain Solana. Il comprend un contrat intelligent Rust basé sur Anchor qui implémente les modèles de dialogue d'Eliza, ainsi qu'une interface web légère. Lorsqu'un utilisateur soumet un message, l'interface invoke le programme en chaîne, qui génère une réponse de style Eliza et écrit à la fois l'invite et la réponse dans un compte Solana. Ce design démontre comment intégrer une logique IA simple directement en chaîne, assurant des journaux de conversation immuables et vérifiables, tout en fournissant un modèle pour que les développeurs construisent des agents IA plus avancés sur Solana.

TUNiB fournit des solutions d'IA conversationnelle à la pointe de la technologie conçues pour engager émotionnellement les utilisateurs. Leurs offres comprennent le premier sLLM coréen entièrement open-source pour un usage commercial, des chatbots multi-persona personnalisables, et des APIs NLP qui protègent les plateformes contre les discours haineux générés par l'IA et les violations de la vie privée. Ces solutions sont adaptées pour offrir des expériences utilisateur sans faille et peuvent être intégrées rapidement pour améliorer l'engagement et la sécurité des utilisateurs.

Symbol-LLM offre une architecture modulaire pour construire des agents IA alimentés par de grands modèles linguistiques renforcés par des magasins de mémoire symbolique. Il comprend un module de planification pour décomposer des tâches complexes, un exécuteur pour invoquer des outils et un système de mémoire pour maintenir le contexte à travers les interactions. Avec des boîtes à outils intégrées telles que la recherche web, la calculatrice et le moteur de code, plus des API simples pour l'intégration d'outils personnalisés, Symbol-LLM permet aux développeurs et aux chercheurs de prototyper et déployer rapidement des assistants sophistiqués basés sur LLM pour divers domaines comme la recherche, le support client et l'automatisation des flux de travail.

Tongui Agent fournit une architecture modulaire pour créer des agents IA capables de maintenir l'état de la conversation, d'utiliser des outils externes et de coordonner plusieurs sous-agents. Les développeurs configurent les backends LLM, définissent des actions personnalisées et attachent des modules de mémoire pour stocker le contexte. Le framework inclut un SDK, une CLI et des hooks middleware pour l'observabilité, facilitant ainsi l'intégration dans des applications web ou Node.js. Les LLMs pris en charge incluent OpenAI, Azure OpenAI et des modèles open-source.

WinMind combine reconnaissance vocale, compréhension du langage naturel et synthèse vocale pour créer un assistant IA interactif pour bureau. Les utilisateurs installent l’outil basé sur Python, configurent leur clé API OpenAI, puis parlent ou tapent des commandes comme « ouvrir mon dossier documents », « planifier une réunion demain » ou « rechercher les dernières actualités ». WinMind exécute des opérations système, organise les fichiers, configure des rappels et récupère des informations en ligne. Une architecture plugin permet aux développeurs d’étendre ses fonctionnalités pour des workflows spécialisés ou des intégrations tierces.

Ce dépôt regroupe une collection complète de composants de systèmes multi-agent et de techniques de coordination IA distribuée. Il offre des implémentations d'algorithmes de consensus, de protocoles de négociation Contract-Net, d'attribution de tâches basée sur des enchères, de stratégies de formation de coalitions et de cadres de communication inter-agent. Les utilisateurs peuvent exploiter des environnements de simulation intégrés pour modéliser et tester le comportement des agents sous diverses topologies de réseau, scénarios de latence et modes de défaillance. La conception modulaire permet aux développeurs et chercheurs d'intégrer, d'étendre ou de personnaliser des modules de coordination individuels pour des applications dans les essaims de robotique, la collaboration entre dispositifs IoT, les réseaux électriques intelligents et la prise de décision distribuée.

AIAgentWorkshop est un projet Python open-source démontrant comment construire des agents IA autonomes capables de planifier, prendre des décisions et utiliser des outils. Il inclut des exemples d'intégration de recherche web, de gestion de fichiers et de commandes système, ainsi que des modules de mémoire et de raisonnement simples. Les développeurs peuvent suivre des exercices guidés pour créer des agents qui interprètent les objectifs des utilisateurs, génèrent des plans à plusieurs étapes, exécutent des tâches avec différents outils et maintiennent le contexte. L'architecture modulaire facilite l'échange ou l'extension des outils et la chaîne d'actions des agents pour des workflows complexes, transformant des concepts de recherche en IA en prototypes opérationnels.

Autonomys Agents permet aux développeurs de créer des agents IA autonomes capables d’exécuter des tâches complexes sans intervention manuelle. Basé sur Python, le framework fournit des outils pour définir le comportement des agents, intégrer des API externes et des fonctions personnalisées, et maintenir une mémoire conversationnelle tout au long des interactions. Les agents peuvent collaborer dans des configurations multi-agents, partager des connaissances et coordonner leurs actions. Les modules d’observabilité offrent des journaux en temps réel, le suivi de la performance et des insights pour le débogage. Avec son architecture modulaire, les équipes peuvent étendre les composants principaux, intégrer de nouveaux LLM et déployer des agents dans différents environnements. Que ce soit pour automatiser le support client, effectuer des analyses de données ou orchestrer des workflows de recherche, Autonomys Agents simplifie le développement et la gestion de systèmes intelligents autonomes de bout en bout.

BabyAGI UI fournit une interface frontale allégée, basée sur le navigateur, pour l'agent autonome open-source BabyAGI. Les utilisateurs saisissent un objectif global et une tâche initiale; le système utilise alors de grands modèles linguistiques pour générer des tâches suivantes, les prioriser en fonction de leur pertinence par rapport à l'objectif principal, et exécuter chaque étape. Tout au long du processus, BabyAGI UI conserve un historique des tâches terminées, affiche les résultats de chaque exécution, et met à jour dynamiquement la file d'attente des tâches. Les utilisateurs peuvent ajuster des paramètres comme le type de modèle, la mémoire, et les limites d'exécution, offrant un équilibre entre automatisation et contrôle dans des flux de travail auto-dirigés.

bedrock-agent est un cadre d'IA polyvalent qui s'intègre à la suite de grands modèles de langage d'AWS Bedrock pour orchestrer des flux de travail complexes et axés sur des tâches. Il propose une architecture de plugins pour enregistrer des outils personnalisés, des modules de mémoire pour la persistance du contexte et un mécanisme de raisonnement en chaîne pour une réflexion améliorée. Grâce à une API Python simple et une interface en ligne de commande, il permet aux développeurs de définir des agents pouvant appeler des services externes, traiter des documents, générer du code ou interagir avec les utilisateurs via chat. Les agents peuvent être configurés pour sélectionner automatiquement les outils pertinents en fonction des prompts utilisateur et maintenir un état de conversation entre les sessions. Ce cadre est open-source, extensible et optimisé pour un prototypage rapide et le déploiement d'assistants IA sur des environnements locaux ou AWS cloud.