Venus est une bibliothèque Python open-source qui permet aux développeurs de concevoir, configurer et exécuter facilement des agents IA intelligents. Elle fournit une gestion intégrée des conversations, des options de stockage de mémoire persistante et un système de plugins flexible pour intégrer des outils et API externes. Les utilisateurs peuvent définir des workflows personnalisés, chaîner plusieurs appels LLM et incorporer des interfaces d'appel de fonction pour effectuer des tâches telles que la récupération de données, le web scraping ou les requêtes de base de données. Venus supporte une exécution synchrone et asynchrone, la journalisation, la gestion des erreurs et la surveillance des activités des agents. En abstraisant les interactions API de bas niveau, Venus permet un prototypage rapide et un déploiement de chatbots, assistants virtuels et workflows automatisés, tout en conservant un contrôle total sur le comportement des agents et l'utilisation des ressources.

A2A4J est un cadre Java léger conçu pour construire des agents IA autonomes. Il offre des abstractions pour les agents, outils, mémoires et planificateurs, supportant l'exécution asynchrone des tâches et une intégration transparente avec OpenAI et d'autres API LLM. Sa conception modulaire vous permet de définir des outils et des magasins de mémoire personnalisés, d'orchestrer des workflows multi-étapes et de gérer des boucles de décision. Avec la gestion des erreurs intégrée, la journalisation et l'extensibilité, A2A4J accélère le développement d'applications Java intelligentes et de microservices.

Adorable est un cadre à faible code qui permet aux développeurs et aux entreprises de créer des agents IA autonomes capables de naviguer sur le web, d'extraire des données, d'effectuer des appels API et des flux de travail planifiés. Les utilisateurs définissent des objectifs, des déclencheurs et des actions via un tableau de bord web ou un SDK, puis testent et déploient les agents dans le cloud ou sur site. Adorable gère l'authentification, les relances d'erreur et la journalisation, tout en proposant des modèles pour des cas d'utilisation courants comme le scraping Web, les alertes par email et la surveillance des réseaux sociaux. Son tableau de bord fournit des insights en temps réel et des contrôles de scalabilité, réduisant le temps de développement et la charge opérationnelle pour les tâches d'automatisation routinières.

Inngest AgentKit offre un cadre complet pour développer des agents IA dans un environnement Node.js. Il exploite l'architecture événementielle d'Inngest pour déclencher des flux de travail d'agents basés sur des événements externes tels que les requêtes HTTP, les tâches planifiées ou les appels Webhook. La boîte à outils comprend des utilitaires de rendu de modèle pour créer des réponses dynamiques, une gestion intégrée de l'état pour maintenir le contexte lors des sessions, et une intégration transparente avec des API externes et des modèles de langage. Les agents peuvent transmettre des réponses partielles en streaming en temps réel, gérer une logique complexe, et orchestrer des processus à plusieurs étapes avec gestion des erreurs et tentatives. En abstraisant l'infrastructure et les préoccupations de workflow, AgentKit permet aux développeurs de se concentrer sur la conception de comportements intelligents, tout en réduisant le code répétitif et en accélérant le déploiement d'assistants conversationnels, de pipelines de traitement de données, et de bots d'automatisation.

Le modèle d'application Agentic est un projet Next.js entièrement configuré qui sert de fondation pour le développement d'applications agentiques pilotées par IA. Il intègre une structure de dossiers modulaire, la gestion des variables d'environnement et des workflows d'agents exemples utilisant les modèles GPT d'OpenAI et des bases de données vectorielles comme Pinecone. Le modèle démontre des modèles clés tels que des chaînes séquentielles multi-étapes, des agents Q&R conversationnels et des endpoints de génération de texte. Les développeurs peuvent facilement personnaliser la logique des chaînes, intégrer des services supplémentaires et déployer sur des plateformes comme Vercel ou Netlify. Avec une prise en charge de TypeScript et une gestion des erreurs intégrée, la scaffolding réduit le temps de configuration initiale et fournit une documentation claire pour de futures extensions.

Agentic Workflow est un cadre déclaratif permettant aux développeurs de définir des flux de travail d'IA complexes en chaînant plusieurs agents basés sur LLM, chacun avec des rôles, prompts et logique d'exécution personnalisables. Il offre un support intégré pour l'orchestration des tâches, la gestion de l'état, la gestion des erreurs et les intégrations de plugins, permettant une interaction fluide entre agents et outils externes. La bibliothèque utilise Python et des configurations basées sur YAML pour abstraire la définition des agents, supporte l'exécution asynchrone et offre une extensibilité via des connecteurs et plugins personnalisés. En tant que projet open-source, il inclut des exemples détaillés, des modèles et de la documentation pour aider les équipes à accélérer le développement et à maintenir des écosystèmes complexes d'agents IA.

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.

Au cœur, AI Orchestra propose un moteur d'orchestration modulaire qui permet aux développeurs de définir des nœuds représentant des agents IA, des outils et des modules personnalisés. Chaque nœud peut être configuré avec des LLM spécifiques (par exemple, OpenAI, Hugging Face), des paramètres et un mappage d'entrée/sortie, permettant une délégation dynamique des tâches. Le framework supporte des pipelines modulaires, le contrôle de la concurrence et la logique de branchement, permettant des flux complexes qui s'adaptent en fonction des résultats intermédiaires. La télémétrie et la journalisation intégrées capturent les détails de l'exécution, tandis que les hooks de rappel gèrent les erreurs et les tentatives répétées. AI Orchestra inclut également un système de plugins pour intégrer des API externes ou des fonctionnalités personnalisées. Avec des définitions de pipelines basées sur YAML ou Python, les utilisateurs peuvent prototyper et déployer rapidement des systèmes multi-agents robustes, allant des assistants basés sur le chat aux flux automatisés d'analyse de données.

Les robots IA & Scrapers offrent une solution de bout en bout pour les tâches de scraping Web automatisé. En combinant des instructions en langage naturel pilotées par l'IA avec des modules de scraping robustes, elle permet aux utilisateurs de lancer des bots intelligents qui naviguent sur les sites, gèrent le contenu dynamique, résolvent les CAPTCHAs et extraient des données structurées. Le cadre inclut des connecteurs intégrés pour des plateformes courantes comme le commerce électronique, les médias sociaux et les sites d'actualité, et supporte la configuration de sites personnalisés via des définitions JSON simples. Il s'intègre avec des outils populaires de stockage et de traitement de données, permettant une création de pipelines fluide pour des flux ETL. Les fonctionnalités avancées incluent la planification, l'exécution parallèle, la gestion des erreurs et des tableaux de bord de surveillance en temps réel.

L'atelier Agents IA est un dépôt complet offrant des exemples pratiques et des modèles pour développer des agents IA avec Python. L'atelier inclut des notebooks Jupyter démontrant des frameworks d'agents, des intégrations d'outils (ex. recherche web, opérations sur fichiers, requêtes de bases de données), des mécanismes de mémoire et du raisonnement multi-étapes. Les utilisateurs apprennent à configurer des planificateurs d'agents personnalisés, définir des schémas d'outils et implémenter des flux de travail conversationnels en boucle. Chaque module propose des exercices sur la gestion des erreurs, l'optimisation des prompts et l'évaluation des sorties des agents. Le code supporte le appel de fonctions d'OpenAI et les connecteurs LangChain, permettant une extension fluide pour des tâches spécifiques au domaine. Idéal pour les développeurs souhaitant prototyper des assistants autonomes, des bots d'automatisation des tâches ou des agents de question-réponse, il offre une progression pas à pas du simple agent aux workflows avancés.

AutoGPT Node fournit une implémentation en JavaScript d'agents GPT autonomes, apportant les fonctionnalités d'Auto-GPT à l'écosystème Node.js. Avec ce framework, vous définissez des objectifs ou des buts, et l'agent planifie de manière autonome une séquence de tâches, exécute des commandes, interagit avec le système de fichiers, et utilise des plugins ou des API selon les besoins. Les principales capacités incluent le stockage de mémoire pour la conservation du contexte, l'invocation dynamique d'outils, l'auto-évaluation itérative, la gestion des erreurs et la journalisation configurable. Vous pouvez exécuter plusieurs agents, configurer des commandes personnalisées, gérer l'état de l'agent, et intégrer des outils tiers pour automatiser la génération de contenu, l'analyse de données, l'écriture de code, les scripts DevOps, et plus encore via une interface JavaScript simple.

browse-for-me utilise Chromium sans interface via Puppeteer contrôlé par des modèles OpenAI pour interpréter les instructions de l’utilisateur. Les utilisateurs créent des fichiers de configuration spécifiant les URL cibles, actions telles que cliquer, soumettre des formulaires et points de collecte de données. L’agent exécute chaque étape de façon autonome, gère les erreurs avec des tentatives, et retourne des résumés structurés JSON ou en texte brut. Avec le support pour des séquences multi-étapes, la planification et les variables d’environnement, il simplifie des tâches comme le scraping web, la surveillance de sites, les tests automatisés et la synthèse de contenu.

Claude-Code-OpenAI transforme l’API Claude d’Anthropic en un remplacement direct pour les modèles OpenAI dans les applications Python. Après installation via pip et configuration des variables d’environnement OPENAI_API_KEY et CLAUDE_API_KEY, vous pouvez utiliser des méthodes familières telles que openai.ChatCompletion.create(), openai.Completion.create() ou openai.Embedding.create() avec des noms de modèles Claude (par ex. claude-2, claude-1.3). La bibliothèque intercepte les appels, les route vers les points de terminaison Claude correspondants et normalise les réponses pour correspondre aux structures de données d’OpenAI. Elle supporte le streaming en temps réel, la mappage des paramètres avancés, la gestion des erreurs et la modélisation des invites. Cela permet aux équipes d’expérimenter avec Claude et GPT de façon interchangeable sans refactoriser le code, permettant une prototypage rapide pour chatbots, génération de contenu, recherche sémantique et flux de travail LLM hybrides.

Crayon permet aux développeurs de construire des agents IA autonomes en JavaScript/Node.js capables d’appeler des API externes, de maintenir l’historique de conversation, de planifier des tâches multi-étapes et de gérer des processus asynchrones. Au cœur, Crayon implémente une boucle de planification-exécution qui décompose des objectifs de haut niveau en actions discrètes, s’intègre avec des kits d’outils personnalisés, et utilise des modules de mémoire pour stocker et rappeler des informations à travers les sessions. Le framework supporte plusieurs backends de mémoire, une intégration d’outils via plugins et une journalisation complète pour le débogage. Les développeurs peuvent configurer le comportement des agents via des prompts et des pipelines basés sur YAML, permettant des workflows complexes comme le scraping de données, la génération de rapports et les chatbots interactifs. L’architecture de Crayon favorise l’extensibilité pour que les équipes puissent intégrer des outils spécifiques au domaine et adapter les agents à des besoins commerciaux uniques.

DelphiGemini fournit une enveloppe légère et facile à utiliser autour de l’API Google Gemini LLM pour les développeurs Delphi. Elle gère l’authentification, la mise en forme des requêtes et l’analyse des réponses, permettant d’envoyer des prompts et de recevoir des complétions de texte ou des réponses de chatbot. Avec la prise en charge de la sortie en streaming, vous pouvez afficher les tokens en temps réel. La bibliothèque propose également des méthodes synchrones et asynchrones, des délais d’attente configurables et des rapports d’erreurs détaillés. Utilisez-la pour créer des chatbots, générateurs de contenu, traducteurs, résumeurs ou toute autre fonctionnalité alimentée par l’IA directement dans vos applications Delphi.

e2e-chainlit-chatbot est un projet d'exemple démontrant le cycle complet de développement d'un agent d'IA conversationnelle utilisant Chainlit. Le dépôt inclut du code de bout en bout pour lancer un serveur web local hébergeant une interface de chat interactive, intégrée à de grands modèles de langage pour les réponses, et gérant le contexte de la conversation à travers les messages. Il propose des modèles de prompt personnalisables, des workflows multi-agent, et la diffusion en direct des réponses. Les développeurs peuvent configurer des clés API, ajuster les paramètres du modèle, et étendre le système avec une logique ou des intégrations personnalisées. Avec des dépendances minimales et une documentation claire, ce projet accélère l'expérimentation avec des chatbots pilotés par l'IA et fournit une base solide pour des assistants conversationnels de qualité production. Il inclut également des exemples pour personnaliser les composants front-end, la journalisation et la gestion des erreurs. Conçu pour une intégration transparente avec les plateformes cloud, il supporte à la fois les cas d'utilisation de prototype et de production.

Les exemples du SDK Python de Restack offrent un ensemble complet de projets de démonstration illustrant comment exploiter la plateforme Restack pour construire des agents IA. Incluent des modèles pour chatbots, agents d'analyse de documents et flux de travail d'automatisation des tâches. Les exemples couvrent la configuration de l'API, l'intégration d'outils (par ex., recherche web, stockage de mémoire), l'orchestration d'agents, la gestion des erreurs et les scénarios de déploiement. Les développeurs peuvent cloner le dépôt, configurer leurs clés API et étendre les agents d'exemple pour répondre à des cas d'utilisation personnalisés.

FlowOps offre un environnement visuel sans code où les utilisateurs définissent des agents IA comme des workflows séquentiels. Grâce à son constructeur intuitif par glisser-déposer, vous pouvez assembler des modules pour les interactions LLM, les recherches dans des magasins vectoriels, les appels API externes et l'exécution de code personnalisé. Les fonctionnalités avancées incluent les branchements conditionnels, les boucles et la gestion d’erreurs pour construire des pipelines robustes. Il s'intègre avec des fournisseurs LLM populaires (OpenAI, Anthropic), des bases de données (Pinecone, Weaviate) et des services REST. Une fois conçus, les workflows peuvent être déployés instantanément en tant qu’API évolutives avec surveillance, journalisation et contrôle de version intégrés. Les outils de collaboration permettent aux équipes de partager et itérer sur la conception des agents. FlowOps est idéal pour créer des chatbots, des extracteurs automatiques de documents, des workflows d’analyse de données et des processus métier entièrement pilotés par l’IA, sans écrire une seule ligne de code d’infrastructure.

js-agent fournit aux développeurs une boîte à outils minimaliste mais puissante pour créer des agents IA autonomes en JavaScript. Il offre des abstractions pour la mémoire de conversation, des outils d'appel de fonctions, des stratégies de planification personnalisables et la gestion des erreurs. Avec js-agent, vous pouvez rapidement connecter des invites, gérer l'état, invoquer des API externes et orchestrer des comportements complexes d'agents via une API simple et modulaire. Conçu pour fonctionner dans des environnements Node.js, il s'intègre parfaitement avec l'API OpenAI pour alimenter des agents intelligents et contextualisés.

Le MCP Browser Agent est un cadre d'agent IA autonome basé sur le navigateur qui exploite de grands modèles linguistiques pour effectuer la navigation Web, le scraping de données, la synthèse de contenu, l'interaction avec les formulaires et des séquences de tâches automatisées. Construit comme une bibliothèque JavaScript légère, il s'intègre parfaitement aux API GPT d'OpenAI, permettant aux développeurs de définir programmétiquement des actions personnalisées, des magasins de mémoire et des chaînes de prompts. L'agent peut cliquer sur des liens, remplir des formulaires, extraire des données de tableau et résumer le contenu de la page à la demande. Il supporte l'exécution asynchrone, la gestion des erreurs et la persistance de session via le stockage du navigateur. Avec des interfaces personnalisables et des modules d'action extensibles, MCP Browser Agent simplifie la création d'assistants intelligents pour le navigateur afin d'augmenter la productivité, de rationaliser les flux de travail et de réduire les tâches manuelles de navigation dans diverses applications web.