Taiga est un framework d'agent IA open-source basé sur Python conçu pour simplifier la création, l'orchestration et le déploiement d'agents autonomes utilisant de grands modèles de langage (LLM). Le framework comprend un système de plugins flexible pour l'intégration d'outils personnalisés et d'APIs externes, un module de mémoire configurable pour gérer le contexte conversationnel à court et long terme, et un mécanisme de chaînage de tâches pour séquencer des flux de travail à plusieurs étapes. Taiga offre également une journalisation intégrée, des métriques et une gestion des erreurs pour une utilisation en production. Les développeurs peuvent rapidement créer des agents avec des modèles, étendre la fonctionnalité via SDK, et déployer sur différentes plateformes. En abstraisant la complexité de l'orchestration, Taiga permet aux équipes de se concentrer sur la création d'assistants intelligents capables de rechercher, planifier et exécuter des actions sans intervention manuelle.

Minerva est un framework d'agents IA extensible conçu pour automatiser des flux de travail complexes en utilisant de grands modèles de langage. Les développeurs peuvent intégrer des outils externes — tels que la recherche web, les API ou les processeurs de fichiers — définir des stratégies de planification personnalisées et gérer la mémoire conversationnelle ou persistante. Minerva supporte l'exécution synchrone et asynchrone de tâches, la journalisation configurable et une architecture de plugins, facilitant le prototypage, le test et le déploiement d'agents intelligents capables de raisonner, planifier et utiliser des outils dans des scénarios réels.

Python AGNO Memory Agent offre une approche structurée de la mémoire des agents en organisant les souvenirs via un cadre AGNO. Il utilise des modèles d'intégration pour convertir les souvenirs textuels en représentations vectorielles et les stocke dans des magasins de vecteurs configurables comme ChromaDB, FAISS ou SQLite. Les agents peuvent ajouter de nouveaux souvenirs, interroger les événements passés pertinents, mettre à jour des entrées obsolètes ou supprimer des données non pertinentes. La bibliothèque propose un suivi chronologique, des magasins de mémoire avec espaces de noms pour des scénarios multi-agents, et des seuils de similarité personnalisables. Elle s'intègre facilement aux frameworks LLM populaires et peut être étendue avec des modèles d'intégration personnalisés pour diverses applications d'agents IA.