xBrain offre une architecture modulaire pour créer, configurer et orchestrer des agents autonomes au sein d'applications Python. Les utilisateurs définissent des agents avec des capacités spécifiques — telles que la récupération de données, l'analyse ou la génération — et les assemblent dans des flux de travail où chaque agent communique et délègue des tâches. Le framework comprend un planificateur pour gérer l'exécution asynchrone, un système de plugins pour intégrer des API externes et un mécanisme de journalisation intégré pour la surveillance en temps réel et le débogage. L'interface flexible de xBrain supporte des implémentations de mémoire personnalisées et des modèles d'agents, permettant aux développeurs d'adapter le comportement à divers domaines. Des chatbots et pipelines de données aux expériences de recherche, xBrain accélère le développement de systèmes multi-agent complexes avec un minimum de code boilerplate.

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.

Coffee-Shop-AI-Agents est un cadre open-source pour construire et déployer des agents IA spécialisés automatisant les fonctions clés des cafés. En exploitant LangChain et les modèles OpenAI, le projet propose des agents modulaires, y compris un agent barista qui gère les commandes complexes, recommande des personnalisations et gère la disponibilité des ingrédients. L'agent caissier traite les paiements, délivre des reçus numériques et suit les métriques de vente. Un agent manager génère des prévisions d'inventaire, suggère des calendriers de réapprovisionnement et analyse les performances. Avec des invites et des configurations de pipeline personnalisables, les développeurs peuvent adapter rapidement les agents aux politiques et aux menus spécifiques de leur boutique. Le dépôt inclut des scripts de configuration, des intégrations API et des workflows exemples pour simuler des interactions clients réalistes et des analytics opérationnels dans un environnement convivial.

Colosseum Agent Battles fournit un SDK Python modulaire pour construire des compétitions d'agents IA dans des arènes personnalisables. Les utilisateurs peuvent définir des environnements avec des terrains, ressources et règles spécifiques, puis implémenter des stratégies d'agents via une interface standardisée. Le framework gère la planification des batailles, la logique d'arbitrage et la journalisation en temps réel des actions et résultats des agents. Il comprend des outils pour organiser des tournois, suivre les statistiques de victoire/défaite et visualiser la performance des agents via des graphiques. Les développeurs peuvent intégrer des bibliothèques de ML populaires pour entraîner des agents, exporter les données de bataille pour analyse, et étendre les modules d'arbitrage pour appliquer des règles personnalisées. Enfin, il facilite le benchmarking des stratégies IA en compétition directe. La journalisation en formats JSON et CSV est également supportée pour les analyses ultérieures.

DeepMind MAS Environment est une bibliothèque Python fournissant une interface standardisée pour construire et simuler des tâches d'apprentissage par renforcement multi-agent. Elle permet aux utilisateurs de configurer le nombre d'agents, de définir les espaces d'observation et d'action, et de personnaliser les structures de récompense. Le framework supporte les canaux de communication entre agents, la journalisation des performances et les capacités de rendu. Les chercheurs peuvent intégrer sans problème DeepMind MAS Environment avec des bibliothèques RL populaires comme TensorFlow et PyTorch pour benchmarker de nouveaux algorithmes, tester des protocoles de communication et analyser les domaines de contrôle discret et continu.

FastMCP est un framework Python open-source pour construire des serveurs et des clients MCP (Model Context Protocol) qui habilitent les LLM avec des outils externes, des sources de données et des invites personnalisées. Les développeurs définissent des classes d'outils et des gestionnaires de ressources en Python, les enregistrent auprès du serveur FastMCP et les déploient en utilisant des protocoles de transport comme HTTP, STDIO ou SSE. La bibliothèque client offre une interface asynchrone pour interagir avec n'importe quel serveur MCP, facilitant l'intégration transparente des agents IA dans les applications.

Joylive Agent offre une architecture modulaire basée sur des plugins, conçue pour créer des agents IA sophistiqués. Il fournit une intégration transparente avec des LLM tels que OpenAI GPT, des backends de mémoire configurables pour la persistance des sessions, et un gestionnaire de kits d'outils pour exposer des API externes ou des fonctions personnalisées comme capacités d'agent. Le cadre inclut également une orchestration de chaîne de réflexion intégrée, une gestion de dialogue multi-tours et un serveur RESTful pour un déploiement facile. Son noyau Java garantit une stabilité de niveau entreprise, permettant aux équipes de prototyper rapidement, d'étendre et de faire évoluer des assistants intelligents pour divers cas d'utilisation.

Multi-Agent-Seller fournit un environnement modulaire pour la simulation de négociations en e-commerce à l'aide d'agents IA. Il inclut des agents acheteurs et vendeurs pré-construits avec des stratégies de négociation personnalisables, telles que la tarification dynamique, les concessions basées sur le temps et la prise de décision utilitaire. Les utilisateurs peuvent définir des protocoles, formats de message et conditions de marché personnalisés. Le cadre gère la gestion de session, le suivi des offres et la journalisation des résultats avec des outils de visualisation intégrés pour analyser les interactions des agents. Il s'intègre facilement aux bibliothèques d'apprentissage automatique pour le développement de stratégies, permettant des expérimentations avec l'apprentissage par renforcement ou des agents basés sur des règles. Son architecture extensible permet d'ajouter de nouveaux types d'agents, règles de négociation et plugins de visualisation. Multi-Agent-Seller est idéal pour tester des algorithmes multi-agents, étudier les comportements de négociation et enseigner des concepts en IA et en commerce électronique.

Les systèmes multi-agent sont conçus pour simplifier la création, la configuration et l'exécution d'architectures décentralisées basées sur les agents. Les développeurs peuvent définir les comportements des agents, les ontologies de communication et les descriptions de services dans des classes Java. Le framework gère la mise en place des conteneurs, le transport des messages et la gestion du cycle de vie des agents. Basé sur des protocoles FIPA standards, il supporte la négociation peer-to-peer, la planification collaborative et l'extension modulaire. Les utilisateurs peuvent exécuter, surveiller et déboguer des scénarios multi-agents sur une seule machine ou sur des hôtes connectés, ce qui en fait une solution idéale pour la recherche, l'éducation et les déploiements à petite échelle.

L'agent de conversation intelligent basé sur RAG combine une couche de récupération supportée par un magasin vectoriel avec le Gemini LLM de Google via LangChain, afin d'extraire la connaissance dans un contexte de conversation riche. Les utilisateurs insèrent et indexent des documents—PDF, pages web ou bases de données—dans une base de données vectorielle. Lorsqu'une requête est posée, l'agent récupère les passages les plus pertinents, les alimente dans un modèle de prompt, et génère des réponses concises et précises. Les composants modulaires permettent de personnaliser les sources de données, les magasins vectoriels, l'ingénierie des prompts et les backends LLM. Ce cadre open-source facilite le développement de bots Q&A spécifiques au domaine, d'explorateurs de connaissances et d'assistants de recherche, offrant des insights scalables et en temps réel à partir de grandes collections de documents.

ToolAgents est un cadre modulaire open-source pour agents IA qui intègre de grands modèles de langage avec des outils externes pour automatiser des workflows complexes. Les développeurs enregistrent des outils via un registre centralisé, en définissant des points de terminaison pour des tâches telles que les appels API, les requêtes de base de données, l'exécution de code et l'analyse de documents. Les agents peuvent planifier des opérations en plusieurs étapes, invoquant ou enchaînant dynamiquement des outils en fonction des sorties de LLM. Le cadre prend en charge l'exécution séquentielle et parallèle des tâches, la gestion des erreurs et des plug-ins extensibles pour des intégrations d'outils personnalisés. Avec des API basées sur Python, ToolAgents simplifie la création, le test et le déploiement d'agents intelligents qui récupèrent des données, génèrent du contenu, exécutent des scripts et traitent des documents, permettant un prototypage rapide et une automatisation évolutive dans l'analyse, la recherche et les opérations commerciales.

Trinity-RFT (Retrieval Fine-Tuning) est un cadre open-source unifié conçu pour améliorer la précision et l'efficacité du modèle en combinant flux de travail de récupération et de fine-tuning. Les utilisateurs peuvent préparer un corpus, construire un index de récupération et insérer le contexte récupéré directement dans les boucles d'entraînement. Il supporte la récupération multimodale pour le texte, les images et la vidéo, s'intègre avec des magasins vectoriels populaires, et propose des métriques d'évaluation ainsi que des scripts de déploiement pour un prototypage rapide et un déploiement en production.

VMAS est une boîte à outils complète pour construire et entraîner des systèmes multi-agents utilisant l'apprentissage par renforcement profond. Il supporte la simulation parallèle sur GPU de centaines d'instances d'environnement, permettant une collecte de données à haut débit et un entraînement évolutif. VMAS inclut des implémentations des algorithmes MARL populaires tels que PPO, MADDPG, QMIX et COMA, avec des interfaces modulaires pour la politique et l'environnement pour une prototypage rapide. Le cadre facilite la formation centralisée avec exécution décentralisée (CTDE), propose une personnalisation du façonnage des récompenses, des espaces d'observation et des hooks de rappel pour la journalisation et la visualisation. Avec sa conception modulaire, VMAS s'intègre parfaitement avec les modèles PyTorch et les environnements externes, ce qui en fait un choix idéal pour la recherche dans les tâches coopératives, compétitives et à motivations mixtes en robotique, gestion du trafic, allocation des ressources et scénarios d'IA de jeux.

Cloudflare Agents est conçu pour aider les développeurs à construire, déployer et gérer des agents IA autonomes à la périphérie du réseau à l'aide de Cloudflare Workers. En utilisant un SDK unifié, vous pouvez définir des comportements d'agents, des actions personnalisées et des flux de conversation en JavaScript ou TypeScript. Le cadre s'intègre parfaitement avec des fournisseurs LLM majeurs comme OpenAI et Anthropic, et propose un support intégré pour les requêtes HTTP, les variables d'environnement et les réponses en streaming. Une fois configurés, les agents peuvent être déployés mondialement en quelques secondes, offrant une interaction à très faible latence aux utilisateurs finaux. Cloudflare Agents inclut également des outils pour le développement local, les tests et le débogage, garantissant une expérience de développement fluide.

Les Agents Économiques Autonomes (AEA) de Fetch.ai sont un cadre polyvalent qui permet aux développeurs de concevoir, mettre en œuvre et orchestrer des agents logiciels autonomes capables d'interagir entre eux, avec des environnements externes et des registres numériques. Exploitant une architecture basée sur des plugins, AEA fournit des modules préconstruits pour les protocoles de communication, les API de registre cryptographique, l'identité décentralisée et les compétences de prise de décision personnalisables. Les agents peuvent découvrir et effectuer des transactions dans des marchés décentralisés, réaliser des comportements guidés par des objectifs et s'adapter via des flux de données en temps réel. Le cadre prend en charge des outils de simulation pour tester et déboguer des scénarios multi-agents, ainsi que leur déploiement sur des blockchains en direct ou des réseaux peer-to-peer. Avec une interopérabilité intégrée et une messagerie agent-à-agent, AEA simplifie le développement d'applications économiques autonomes complexes telles que le commerce d'énergie, l'optimisation de la chaîne d'approvisionnement et la coordination intelligente de l'IoT.

AAGPT est un cadre d'agents IA extensible et open-source conçu pour construire des agents autonomes. Il vous permet de définir des objectifs de haut niveau, de gérer la mémoire conversationnelle, de planifier des tâches à plusieurs étapes et d'intégrer des outils ou API externes. Avec un simple fichier de configuration et le SDK Python, vous pouvez personnaliser le comportement de l'agent, définir des actions personnalisées, et déployer des agents pouvant interagir avec des sources de données, exécuter des commandes et apprendre de leurs interactions passées pour améliorer leurs performances au fil du temps.

La traduction automatique machine agentique est un cadre open-source conçu pour la recherche et le développement en traduction automatique. Il orchestre trois agents principaux — un générateur, un évaluateur et un affinateur — pour produire, évaluer et affiner collaborativement les traductions. Basé sur PyTorch et des modèles de transformeurs, le système supporte la pré-formation supervisée, l'optimisation par apprentissage par renforcement, et des politiques d'agents configurables. Les utilisateurs peuvent effectuer des benchmarks sur des jeux de données standard, suivre les scores BLEU, et étendre le pipeline avec des agents ou fonctions de récompense personnalisés pour explorer la collaboration entre agents dans les tâches de traduction.

Agents with ADK est un cadre Python open-source conçu pour simplifier la création d'agents intelligents alimentés par de grands modèles de langage. Il comprend des modèles d'agents modulaires, une gestion mémoire intégrée, des interfaces d'exécution d'outils et des capacités de coordination multi-agent. Les développeurs peuvent rapidement intégrer des fonctions personnalisées ou des API externes, configurer des chaînes de planification et de raisonnement, et surveiller les interactions des agents. Le cadre prend en charge l'intégration avec des fournisseurs LLM populaires et offre des fonctionnalités de journalisation, de logique de nouvelle tentative et d'extensibilité pour le déploiement en production.

HackerGCLASS Agent API est un framework open-source en Python qui expose des points de terminaison RESTful pour exécuter des agents IA. Les développeurs peuvent définir des intégrations d'outils personnalisés, configurer des modèles de prompt et maintenir l'état et la mémoire des agents à travers les sessions. Le framework supporte la coordination simultanée de plusieurs agents, la gestion de flux de conversation complexes et l'intégration de services externes. Il simplifie le déploiement via Uvicorn ou d'autres serveurs ASGI et offre une extensibilité avec des modules de plugins, permettant la création rapide d'agents IA spécifiques à un domaine pour divers cas d'utilisation.

Agentic-AI est un cadre Python open-source qui simplifie la construction d’agents autonomes exploitant de grands modèles linguistiques tels que OpenAI GPT. Il fournit des modules principaux pour la planification des tâches, la persistance de mémoire et l’intégration d’outils, permettant aux agents de décomposer des objectifs de haut niveau en étapes exécutables. Le cadre prend en charge des outils personnalisés basés sur des plugins — API, scraping web, requêtes de base de données — permettant aux agents d’interagir avec des systèmes externes. Il dispose d’un moteur de raisonnement en chaîne de pensée coordonnant la planification et les boucles d’exécution, des rappels de mémoire contextuels et une prise de décision dynamique. Les développeurs peuvent facilement configurer le comportement des agents, surveiller les journaux d’actions et étendre la fonctionnalité pour réaliser une automatisation IA évolutive et adaptable pour diverses applications.