Pydantic AI Agent offre une méthode structurée et sûre pour concevoir des agents pilotés par l'IA en tirant parti des capacités de validation et de modélisation de Pydantic. Les développeurs définissent les configurations d'agents comme des classes Pydantic, en précisant les schémas d'entrée, les modèles d'invite et les interfaces d'outils. Le cadre s'intègre parfaitement avec des APIs LLM telles que OpenAI, permettant aux agents d'exécuter des fonctions définies par l'utilisateur, de traiter les réponses LLM et de maintenir l'état du flux de travail. Il supporte le chaînage de multiples étapes de raisonnement, la personnalisation des invites et la gestion automatique des erreurs de validation. En combinant la validation des données avec une logique modulaire d'agents, Pydantic AI Agent facilite le développement de chatbots, scripts d'automatisation et assistants IA personnalisés. Son architecture extensible permet l'intégration de nouveaux outils et adaptateurs, facilitant la prototypage rapide et le déploiement fiable des agents IA dans diverses applications Python.

AgentsFlow abstrait chaque agent IA en tant que nœud dans un graphique dirigé, permettant aux développeurs de concevoir visuellement et de manière programmatique des pipelines complexes. Chaque nœud peut représenter un appel LLM, une tâche de prétraitement des données ou une logique de décision, et peut être connecté pour déclencher des actions ultérieures basées sur des sorties ou des conditions. Le framework supporte le branchement, les boucles et l'exécution parallèle, avec une gestion des erreurs, des tentatives et des contrôles de délai d'expiration intégrés. AgentsFlow s’intègre avec les principaux fournisseurs LLM, des modèles personnalisés et des APIs externes. Son tableau de bord de surveillance offre des journaux en temps réel, des métriques et une visualisation des flux, facilitant le débogage et l’optimisation. Avec un système de plugins et une API REST, AgentsFlow peut être étendu et intégré dans des pipelines CI/CD, des services cloud ou des applications personnalisées, en faisant un outil idéal pour des workflows IA évolutifs et de production.

AI Terminal est un agent IA open-source en ligne de commande qui intègre de grands modèles de langage dans votre flux de travail terminal. Il permet de discuter avec l'IA en temps réel, de générer des extraits de code, de créer des requêtes SQL, d'effectuer des requêtes HTTP et d'exécuter des commandes shell directement depuis des invites. Avec des fournisseurs configurables, une persistance des sessions, la prise en charge des plugins et une gestion sécurisée des clés, AI Terminal accélère le développement en automatisant les tâches répétitives, en aidant au débogage et en améliorant l'exploration des données sans quitter votre environnement en ligne de commande.

AmongA et la recherche sur les systèmes IA multi-agentes. Via une API Python simple, les utilisateurs peuvent instancier n'importe quel nombre d'agents IA, chacun doté de personas, invites et buffers mémoire personnalisés. Les agents participent à des boucles de conversation configurables, supportant débats, brainstorming, prise de décision ou simulations de jeux. Le cadre s'intègre parfaitement à des API LLM majeures (par ex., OpenAI, Anthropic), permettant des interactions basées sur des messages et la journalisation des transcriptions. Les développeurs peuvent étendre le comportement en personnalisant les rôles des agents, contrôlant la logique de prise de tour, et en connectant des sources de données externes. AmongAIs propose également des utilitaires pour l'analyse de sentiment, une évaluation basée sur des scores et la relecture de sessions. Idéal pour les équipes explorant la communication émergente, l'idéation collaborative et les tests de coordination des travailleurs numériques en recherche et production.

Astro Agents offre une architecture modulaire pour créer des agents IA en JavaScript et TypeScript. Les développeurs peuvent enregistrer des outils personnalisés pour la recherche de données, intégrer des magasins de mémoire pour préserver le contexte de la conversation et orchestrer des flux de travail en plusieurs étapes. Il supporte plusieurs fournisseurs LLM tels qu'OpenAI et Hugging Face, et peut être déployé en tant que sites statiques ou fonctions sans serveur. Avec une observabilité intégrée et des plugins extensibles, les équipes peuvent prototyper, tester et faire évoluer des assistants pilotés par l'IA sans coûts d'infrastructure importants.

ByteChef offre une architecture modulaire pour construire, tester et déployer des agents IA. Les développeurs définissent des profils d'agents, attachent des plugins de compétences personnalisés et orchestrent des flux multi-agents via une IDE web visuelle ou SDK. Elle s'intègre avec les principaux fournisseurs de LLM (OpenAI, Cohere, modèles auto-hébergés) et API externes. Des outils intégrés de débogage, journalisation et observabilité facilitent les itérations. Les projets peuvent être déployés en tant que services Docker ou fonctions sans serveur, permettant des agents IA évolutifs et prêts pour la production pour l'assistance client, l'analyse de données et l'automatisation.

CogAgent est une bibliothèque Python open-source axée sur la recherche, conçue pour rationaliser le développement d'agents IA. Elle fournit des modules principaux pour la gestion de la mémoire, la planification et le raisonnement, l'intégration d'outils et d'API, ainsi que l'exécution en chaîne de pensée. Grâce à son architecture hautement modulaire, les utilisateurs peuvent définir des outils, des mémoires et des politiques d'agents personnalisés pour créer des chatbots conversationnels, des planificateurs de tâches autonomes et des scripts d'automatisation de workflow. CogAgent supporte l'intégration avec des modèles de langage populaires tels qu'OpenAI GPT et Meta LLaMA, permettant aux chercheurs et développeurs d'expérimenter, d'étendre et de faire évoluer leurs agents intelligents pour diverses applications réelles.

CoreLink-Persona-Engine est un cadre modulaire qui permet aux développeurs de créer des agents IA avec des personas uniques en définissant des traits de personnalité, des comportements de mémoire et des flux de conversation. Il fournit une architecture de plugin flexible pour intégrer des bases de connaissances, une logique personnalisée et des API externes. Le moteur gère à la fois la mémoire à court terme et à long terme, permettant la continuité contextuelle entre les sessions. Les développeurs peuvent configurer des profils de persona avec JSON ou YAML, se connecter à des fournisseurs de LLM comme OpenAI ou des modèles locaux, et déployer des agents sur différentes plateformes. Avec une journalisation et une analyse intégrées, CoreLink facilite la surveillance des performances des agents et l’affinement du comportement, le rendant adapté pour des chatbots de support client, des assistants virtuels, des applications de jeu de rôle et des prototypes de recherche.

Duet GPT est un cadre open source en Python pour orchestrer des conversations multi-agents entre deux modèles GPT. Vous définissez des rôles d'agents distincts, personnalisés avec des prompts système, et le cadre gère automatiquement le tour de rôle, le passage des messages et l'historique de la conversation. Cette structure collaborative accélère la résolution de tâches complexes, permettant un raisonnement comparatif, des cycles de critique et un raffinement itératif par échanges alternés. Son intégration transparente avec l'API OpenAI, sa configuration simple et sa journalisation intégrée en font un outil idéal pour la recherche, le prototypage et les flux de travail en production dans l'aide à la programmation, le support à la décision et l'idéation créative. Les développeurs peuvent étendre les classes principales pour intégrer de nouveaux services LLM, ajuster la logique de l'itérateur et exporter les transcriptions au format JSON ou Markdown pour l'analyse ultérieure.

Emma-X fournit une plateforme modulaire d’orchestration d’agents pour construire des assistants IA conversationnels utilisant de grands modèles de langage. Les développeurs peuvent définir le comportement de l’agent via des configurations JSON, choisir des fournisseurs LLM comme OpenAI, Hugging Face ou des points de terminaison locaux, et joindre des outils externes tels que la recherche, les bases de données ou les API personnalisées. La couche de mémoire intégrée conserve le contexte à travers les sessions, tandis que les composants UI gèrent le rendu du chat, le téléchargement de fichiers, et les invites interactives. Les hooks de plugin permettent la récupération de données en temps réel, l’analyse, et les boutons d’action personnalisés. Emma-X est livré avec des agents exemples pour le support client, la création de contenu, et la génération de code. Son architecture ouverte permet aux équipes d’étendre les capacités des agents, d’intégrer avec des applications Web existantes, et de faire rapidement évoluer les flux de conversation sans expertise approfondie en LLM.

FastMCP est un framework Python open-source pour construire des serveurs et des clients MCP (Model Context Protocol) qui habilitent les LLM avec des outils externes, des sources de données et des invites personnalisées. Les développeurs définissent des classes d'outils et des gestionnaires de ressources en Python, les enregistrent auprès du serveur FastMCP et les déploient en utilisant des protocoles de transport comme HTTP, STDIO ou SSE. La bibliothèque client offre une interface asynchrone pour interagir avec n'importe quel serveur MCP, facilitant l'intégration transparente des agents IA dans les applications.

Le SDK Goat est conçu pour simplifier la création et l'orchestration d'agents IA en Go. Il fournit des intégrations LLM modulables (OpenAI, Anthropic, Azure, modèles locaux), un registre d'outils pour les actions personnalisées et des mémoires pour des conversations avec état. Les développeurs peuvent définir des chaînes, des stratégies de représentation et des éditeurs pour produire des interactions via CLI, WebSocket, points d'extrémité REST ou une interface Web intégrée. Goat supporte les réponses en streaming, la journalisation personnalisable et la gestion facile des erreurs. En combinant ces composants, vous pouvez développer des chatbots, des flux de travail d'automatisation et des systèmes de soutien à la décision en Go avec un minimal de boilerplate, tout en conservant la flexibilité de changer ou d'étendre les fournisseurs et outils selon les besoins.

Goated Agents simplifie la création de systèmes autonomes sophistiqués pilotés par l'IA en Go. En intégrant le traitement en chaîne directement dans le runtime du langage, les développeurs peuvent mettre en œuvre un raisonnement multi-étapes avec des journaux intermédiaires transparents. La bibliothèque offre une API de définition d'outils, permettant aux agents d'appeler des services externes, des bases de données ou des modules de code personnalisés. La gestion de mémoire permet de maintenir un contexte persistant lors des interactions. L'architecture de plugins facilite l'extension des capacités principales telles que les wrappers d'outils, la journalisation et la surveillance. Goated Agents exploite la performance et la typage statique de Go pour fournir une exécution efficace et fiable des agents. Que ce soit pour créer des chatbots, des pipelines d'automatisation ou des prototypes de recherche, Goated Agents fournit les éléments de base pour orchestrer des flux de raisonnement complexes et intégrer intelligemment l'IA dans des applications Go.

GoLC fournit aux développeurs une boîte à outils complète pour construire des chaînes de modèles linguistiques et des agents en Go. Elle comprend la gestion de chaînes, des modèles de requêtes personnalisables et une intégration transparente avec les principaux fournisseurs LLM. Grâce aux chargeurs de documents et aux magasins vectoriels, GoLC permet la récupération par embeddings, alimentant les flux de travaux RAG. Le cadre supporte des modules de mémoire à état pour le contexte conversationnel et une architecture légère d'agents pour orchestrer un raisonnement en plusieurs étapes et des invocations d'outils. Son design modulaire permet d'ajouter des outils, sources de données et gestionnaires de sortie personnalisés. Avec des performances natives Go et un minimum de dépendances, GoLC facilite le développement de pipelines IA, idéal pour créer des chatbots, assistants de connaissances, agents de raisonnement automatisé et services IA backend de classe production en Go.

interactive-browser-use est une bibliothèque en Python/JavaScript qui connecte de grands modèles de langage (LLMs) avec des frameworks d'automatisation du navigateur tels que Playwright ou Puppeteer, permettant aux agents IA d'effectuer des interactions web en temps réel. En définissant des invites, les utilisateurs peuvent ordonner à l'agent de naviguer sur des pages web, cliquer sur des boutons, remplir des formulaires, extraire des tableaux et faire défiler du contenu dynamique. La bibliothèque gère les sessions de navigateur, le contexte et l'exécution des actions, traduisant les réponses LLM en étapes d'automatisation utilisables. Elle simplifie des tâches comme le web scraping en direct, les tests automatisés et le Q&R basé sur le web en fournissant une interface programmable pour la navigation pilotée par IA, réduisant l'effort manuel tout en permettant des workflows web complexes à plusieurs étapes.

Joylive Agent offre une architecture modulaire basée sur des plugins, conçue pour créer des agents IA sophistiqués. Il fournit une intégration transparente avec des LLM tels que OpenAI GPT, des backends de mémoire configurables pour la persistance des sessions, et un gestionnaire de kits d'outils pour exposer des API externes ou des fonctions personnalisées comme capacités d'agent. Le cadre inclut également une orchestration de chaîne de réflexion intégrée, une gestion de dialogue multi-tours et un serveur RESTful pour un déploiement facile. Son noyau Java garantit une stabilité de niveau entreprise, permettant aux équipes de prototyper rapidement, d'étendre et de faire évoluer des assistants intelligents pour divers cas d'utilisation.

LLaVA-Plus s'appuie sur des bases vision-langage de pointe pour fournir un agent capable d'interpréter et de raisonner sur plusieurs images simultanément. Il intègre l'apprentissage par assemblage et la planification vision-langage pour réaliser des tâches complexes telles que la réponse à des questions visuelles, la résolution de problèmes étape par étape et les workflows d'inférence multi-étapes. Le cadre offre une architecture de plugin modulaire pour se connecter à divers backends LLM, permettant des stratégies d'invite personnalisées et des explications dynamiques en chaîne de pensée. Les utilisateurs peuvent déployer LLaVA-Plus localement ou via la démo web hébergée, en téléchargeant une ou plusieurs images, en posant des requêtes en langage naturel et en recevant des réponses explicatives riches avec des étapes de planification. Sa conception extensible supporte le prototypage rapide d'applications multimodales, en faisant une plateforme idéale pour la recherche, l'éducation et les solutions vision-langage pour la production.

LLM-Agent fournit une architecture structurée pour construire des agents intelligents utilisant des LLM. Il inclut une boîte à outils pour définir des outils personnalisés, des modules de mémoire pour la préservation du contexte et des exécuteurs orchestrant des chaînes d'actions complexes. Les agents peuvent appeler des API, exécuter des processus locaux, interroger des bases de données et gérer l'état de la conversation. Les modèles de prompt et les hooks de plugin permettent d'affiner le comportement de l'agent. Conçu pour l'extensibilité, LLM-Agent supporte l'ajout de nouvelles interfaces d'outils, d'évaluateurs personnalisés et de routages dynamiques des tâches, permettant la recherche automatisée, l'analyse de données, la génération de code, et plus encore.

Le Framework de Simulation d'Agents LLM permet la conception, l'exécution et l'analyse d'environnements simulés où des agents autonomes interagissent via de grands modèles de langage. Les utilisateurs peuvent enregistrer plusieurs instances d'agents, assigner des invites et rôles personnalisables, et spécifier des canaux de communication tels que la transmission de messages ou un état partagé. Le framework orchestre les cycles de simulation, collecte des journaux et calcule des métriques comme la fréquence de passage de tour, la latence de réponse et les taux de succès. Il supporte une intégration transparente avec OpenAI, Hugging Face et des LLM locaux. Les chercheurs peuvent créer des scénarios complexes — négociation, allocation de ressources ou résolution collaborative de problèmes — pour observer des comportements émergents. Une architecture de plugins extensible permet d’ajouter de nouveaux comportements d'agents, contraintes environnementales ou modules de visualisation, favorisant des expériences reproductibles.

LLM Prompt Saver est une extension Chrome intuitive qui améliore vos interactions avec divers modèles d'apprentissage des langues (LLM) tels que ChatGPT, Claude, CoPilot et Gemini. L'extension vous permet d'enregistrer, de gérer et de réutiliser jusqu'à cinq prompts par LLM, ce qui facilite le maintien de la cohérence et de la productivité dans vos interactions IA. Avec une interface propre et une grande zone de texte pour un édition confortable, vous pouvez facilement basculer entre les LLM, enregistrer de nouveaux prompts et gérer vos prompts enregistrés avec des options pour copier, charger pour éditer ou supprimer au besoin. Cet outil est idéal pour les chercheurs, les écrivains, les développeurs et les utilisateurs fréquents de LLM qui cherchent à rationaliser leur flux de travail.