Continuum est un framework Python open-source qui permet aux développeurs de construire des agents intelligents en définissant des tâches, des outils et de la mémoire de manière modulaire. Les agents construits avec Continuum suivent une boucle plan-exécuter-observer, permettant d’intercaler le raisonnement LLM avec des appels API externes ou des scripts. Son architecture modulaire supporte plusieurs magasins de mémoire (par ex., Redis, SQLite), des bibliothèques d'outils personnalisés et une exécution asynchrone. Axé sur la flexibilité, les utilisateurs peuvent rédiger des politiques d'agents personnalisées, intégrer des services tiers comme des bases de données ou des webhooks, et déployer des agents dans divers environnements. L'orchestration basée sur les événements de Continuum enregistre les actions des agents, facilitant le débogage et l’optimisation des performances. Qu'il s'agisse d'automatiser l’ingestion de données, de construire des assistants conversationnels ou d'orchestrer des pipelines DevOps, Continuum fournit une base évolutive pour des flux de travail d'agents IA de niveau production.

multiagent-env est une bibliothèque Python open-source conçue pour simplifier la création et l’évaluation d’environnements d’apprentissage par renforcement multi-agent. Les utilisateurs peuvent définir des scénarios cooperatifs et adverses en spécifiant le nombre d’agents, les espaces d’action et d’observation, les fonctions de récompense et la dynamique de l’environnement. Elle supporte la visualisation en temps réel, un rendu configurable et une intégration facile avec des frameworks RL basés sur Python tels que Stable Baselines et RLlib. La conception modulaire permet de prototyper rapidement de nouveaux scénarios et de comparer aisément les algorithmes multi-agent.

SwiftAgent offre une boîte à outils robuste pour construire des agents intelligents en intégrant directement les modèles d'OpenAI dans Swift. Les développeurs peuvent déclarer des actions personnalisées et des outils externes, que les agents invoquent en fonction des requêtes utilisateur. Le framework maintient la mémoire de conversation, permettant aux agents de se référer aux interactions passées. Il supporte la templating de prompts et l'injection de contexte dynamique, facilitant les dialogues multi-tours et la logique de décision. L'API asynchrone de SwiftAgent fonctionne parfaitement avec la concurrence Swift, la rendant idéale pour iOS, macOS ou des environnements côté serveur. En abstraisant les appels de modèles, le stockage de mémoire et l'orchestration de pipelines, SwiftAgent permet aux équipes de prototyper et déployer rapidement des assistants conversationnels, chatbots ou agents d'automatisation dans leurs projets Swift.

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.

Agents-Deep-Research est conçu pour rationaliser le développement et le test d'agents IA autonomes en offrant une base de code modulaire et extensible. Il dispose d'un moteur de planification des tâches qui décompose les objectifs définis par l'utilisateur en sous-tâches, d'un module de mémoire à long terme qui stocke et récupère le contexte, et d'une couche d'intégration d'outils permettant aux agents d'interagir avec des API externes et des environnements simulés. Le cadre fournit également des scripts d'évaluation et des outils de benchmarking pour mesurer la performance des agents dans divers scénarios. Basé sur Python et adaptable à différents backend LLM, il permet aux chercheurs et développeurs de prototyper rapidement de nouvelles architectures d'agents, de réaliser des expériences reproductibles et de comparer différentes stratégies de planification dans des conditions contrôlées.

Azure AI Foundry Agents Samples offre aux développeurs un ensemble riche de scénarios illustrant comment exploiter les SDK et services Azure AI Foundry. Il inclut des agents conversationnels avec mémoire à long terme, des agents planificateurs décomposant des tâches complexes, des agents avec outils appelant des API externes, et des agents multimodaux combinant texte, vision et parole. Chaque exemple est préconfiguré avec des configurations d'environnement, une orchestration LLM, une recherche vectorielle et une télémétrie pour accélérer la mise en prototype et le déploiement de solutions IA robustes sur Azure.

Autonomais est un cadre d'agents IA modulaires conçu pour une autonomie totale dans la planification et l'exécution des tâches. Il intègre de grands modèles de langage pour générer des plans, orchestre les actions via un pipeline personnalisable et stocke le contexte dans des modules de mémoire pour une réflexion cohérente sur plusieurs étapes. Les développeurs peuvent connecter des outils externes comme des scrapeurs Web, des bases de données et des API, définir des gestionnaires d'actions personnalisés et affiner le comportement des agents via des compétences configurables. Le framework prend en charge la journalisation, la gestion des erreurs et le débogage étape par étape, garantissant une automatisation fiable des tâches de recherche, de l'analyse de données et des interactions Web. Avec son architecture extensible basée sur des plugins, Autonomais permet un développement rapide d'agents spécialisés capables de prises de décision complexes et d'utilisation dynamique d'outils.

Le projet Blockchain AI Agent offre une solution complète pour construire, déployer et gérer des agents AI autonomes sur des réseaux blockchain. Il propose une intégration native des contrats intelligents pour lire et écrire des données on-chain, un moteur de décision alimenté par des algorithmes d'apprentissage automatique et une couche d'exécution pour approuver les transactions. Les utilisateurs peuvent configurer des stratégies personnalisées telles que le yield farming, l'arbitrage NFT ou le vote de propositions DAO, et déployer leurs agents pour fonctionner 24/7. Avec des analyses intégrées, des journaux et un système d'alerte, le cadre garantit que les agents agissent de manière sécurisée, transparente et efficace dans des environnements décentralisés.