LangGraph fournit un système multi-agent flexible basé sur des graphes dirigés, où chaque nœud représente un agent IA spécialisé dans des tâches telles que la synthèse de code, la revue, le débogage ou le chat. Les utilisateurs définissent des workflows en JSON ou YAML, précisant les rôles et les chemins de communication. LangGraph gère la répartition des tâches, le routage des messages et la gestion des erreurs entre les agents. Il prend en charge l'intégration avec diverses API LLM, des agents personnalisés extensibles, et la visualisation des flux d'exécution. Avec un accès CLI et API, LangGraph facilite la construction de pipelines automatisés complexes pour le développement logiciel, de la génération initiale de code aux tests continus et à l'assistance interactive pour les développeurs.

Au cœur, LionAGI offre une architecture modulaire pour définir et exécuter des étapes de tâches dépendantes, décomposant des problèmes complexes en composants logiques pouvant être traités séquentiellement ou en parallèle. Chaque étape peut exploiter une invite personnalisée, une mémoire stockée et une logique décisionnelle pour adapter le comportement en fonction des résultats précédents. Les développeurs peuvent intégrer toute API LLM supportée ou un modèle auto-hébergé, configurer des espaces d'observation et définir des mappages d'actions pour créer des agents qui planifient, raisonnent et apprennent sur plusieurs cycles. Des outils intégrés de journalisation, de récupération d'erreurs et d'analyse permettent une surveillance en temps réel et un affinage itératif. Que ce soit pour automatiser des flux de recherche, générer des rapports ou orchestrer des processus autonomes, LionAGI accélère la création d'agents intelligents et adaptables avec un minimum de code standard.

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.

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.

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.

Self Collab AI offre un cadre modulaire dans lequel les développeurs définissent des agents autonomes, des canaux de communication et des objectifs de tâche. Les agents utilisent des invites prédéfinies et des modèles pour négocier les responsabilités, échanger des données et itérer sur des solutions. Basé sur Python et doté d'interfaces faciles à étendre, il supporte l'intégration avec des LLM, des plugins personnalisés et des API externes. Les équipes peuvent rapidement prototyper des workflows complexes—comme des assistants de recherche, de génération de contenu ou des pipelines d'analyse de données—en configurant les rôles des agents et les règles de collaboration sans écrire de code d'orchestration approfondi.