Cerebellum propose une plateforme modulaire où les développeurs définissent des agents à l’aide de plans déclaratifs composés d’étapes séquentielles ou d’appels d’outils. Chaque plan peut appeler des outils intégrés ou personnalisés — tels que des connecteurs API, des récupérateurs ou des processeurs de données — via une interface unifiée. Les modules de mémoire permettent aux agents de stocker, récupérer et oublier des informations entre les sessions, permettant des interactions contextuelles et à état. Il s’intègre avec des LLM populaires (OpenAI, Hugging Face), supporte l’enregistrement d’outils personnalisés et comporte un moteur d’exécution événementiel pour un contrôle en temps réel. Avec des journaux, une gestion des erreurs et des hooks de plugin, Cerebellum augmente la productivité, facilitant le développement rapide d’agents pour l’automatisation, les assistants virtuels et la recherche.

AgentMesh fournit une infrastructure modulaire pour que les développeurs créent des réseaux d'agents IA, chacun se concentrant sur une tâche ou un domaine spécifique. Les agents peuvent être découverts et enregistrés dynamiquement à l'exécution, échangent des messages de manière asynchrone et suivent des règles de routage configurables. Le framework gère les tentatives, les sauvegardes et la récupération en cas d'erreur, permettant des pipelines multi-agents pour le traitement des données, le soutien à la décision ou des cas d'utilisation conversationnels. Il s'intègre facilement aux LLM existants et aux modèles personnalisés via une interface de plugin simple.

autogen-agent-server agit comme une plateforme d'orchestration centralisée pour les agents IA, permettant aux développeurs d'exposer les capacités des agents via des endpoints RESTful standard. Les fonctionnalités principales incluent l'enregistrement de nouveaux agents avec des prompts et une logique personnalisée, la gestion de plusieurs sessions avec suivi de contexte, la récupération de l'historique des conversations, et la coordination de dialogues multi-agents. Il présente un traitement asynchrone des messages, des callbacks webhook, et une persistance intégrée pour l'état et les logs des agents. La plateforme s'intègre parfaitement à la bibliothèque AutoGen pour exploiter les modèles LLM, offre la possibilité de middleware personnalisé pour l'authentification, supporte la montée en charge via Docker et Kubernetes, et propose des hooks de monitoring pour les métriques. Ce framework accélère la création de chatbots, d'assistants numériques, et de flux automatisés en abstraisant l'infrastructure serveur et les patterns de communication.

AutoGen UI est une boîte à outils frontend conçue pour rendre et gérer les flux de conversations multi-agents. Elle offre des composants prêts à l'emploi tels que les fenêtres de chat, les sélecteurs d'agents, les chronologies de messages et les panneaux de débogage. Les développeurs peuvent configurer plusieurs agents IA, diffuser des réponses en temps réel, consigner chaque étape de la conversation et appliquer des styles personnalisés. Il s'intègre facilement aux bibliothèques d'orchestration backend pour fournir une interface complète de bout en bout pour construire et surveiller les interactions des agents IA.