OCO-Agent exploite des modèles linguistiques compatibles OpenAI pour transformer des invites en processus exploitables. Il offre un système de plugins flexible pour intégrer API externes, commandes shell et routines de traitement de données. Le framework conserve l'historique de conversation et le contexte en mémoire, permettant des tâches longues et multi-étapes. Avec une interface CLI et une prise en charge de Docker, OCO-Agent accélère la prototypage et le déploiement d'assistants intelligents pour les opérations, l'analyse et la productivité des développeurs.

Pi Web Agent est un framework léger et extensible pour construire des agents de chat IA sur le web. Il utilise Python FastAPI en backend et un frontend React pour fournir des conversations interactives alimentées par OpenAI, Cohere ou LLM locaux. Les utilisateurs peuvent télécharger des documents ou connecter des bases de données externes pour une recherche sémantique via des magasins vectoriels. Une architecture de plugins permet d’intégrer des outils personnalisés, des appels de fonctions et des API tierces localement. Il offre un accès complet au code source, des modèles de prompt basés sur le rôle et une mémoire configurable pour créer des assistants IA personnalisés.

Co-Sight est un framework d'IA open-source qui simplifie le développement et le déploiement de solutions d'analyses vidéo en temps réel. Il fournit des modules pour l'ingestion de données vidéo, le prétraitement, la formation de modèles et l'inférence distribuée sur l'Edge et le Cloud. Avec un support intégré pour la détection d'objets, la classification, le suivi et l'orchestration de pipelines, Co-Sight garantit une faible latence et un haut débit. Son architecture modulaire s'intègre facilement avec des bibliothèques d'apprentissage profond populaires et peut évoluer sans effort avec Kubernetes. Les développeurs peuvent définir des pipelines via YAML, déployer avec Docker et surveiller les performances via un tableau de bord web. Co-Sight permet de créer des applications de vision avancée pour la surveillance des villes intelligentes, le transport intelligent et l'inspection de qualité industrielle, en réduisant le temps de développement et la complexité opérationnelle.

CrewAI Agent Generator utilise une interface en ligne de commande pour initialiser un nouveau projet d’agent IA avec des structures de dossiers solidement établies, des modèles de prompts d’exemple, des définitions d’outils et des stubs de test. Vous pouvez configurer des connexions à OpenAI, Azure ou des endpoints LLM personnalisés ; gérer la mémoire de l’agent avec des magasins vectoriels ; orchestrer plusieurs agents dans des workflows collaboratifs ; consulter des logs détaillés de conversation ; et déployer vos agents sur Vercel, AWS Lambda ou Docker avec des scripts intégrés. Il accélère le développement et garantit une architecture cohérente pour les projets d’agents IA.

Ce cadre permet aux utilisateurs de concevoir, configurer et déployer plusieurs agents IA qui communiquent via des messages JSON à travers un orchestrateur central. Chaque agent peut avoir des rôles, des invites et des modules de mémoire distincts, et il est possible d'intégrer n'importe quel fournisseur LLM en implémentant une interface de fournisseur. Le système supporte l'historique de conversation persistant, le routage dynamique et les extensions modulaires. Idéal pour simuler des débats, automatiser des flux de support client ou coordonner la génération de documents en plusieurs étapes. Il fonctionne sous Python avec un support Docker pour les déploiements conteneurisés.

RAGApp est conçu pour simplifier toute la pipeline RAG en fournissant des intégrations clés en main avec des bases de données vectorielles populaires (FAISS, Pinecone, Chroma, Qdrant) et de grands modèles de langage (OpenAI, Anthropic, Hugging Face). Il inclut des outils d'ingestion de données pour convertir des documents en embeddings, des mécanismes de récupération contextuelle pour une sélection précise des connaissances, et un UI de chat intégré ou un serveur API REST pour le déploiement. Les développeurs peuvent facilement étendre ou remplacer n'importe quel composant — ajouter des préprocesseurs personnalisés, intégrer des API externes en tant qu'outils, ou changer de fournisseur de LLM — tout en utilisant Docker et les outils CLI pour un prototypage rapide et le déploiement en production.