Simple-Agent est un cadre d'agent IA open-source écrit en Python qui exploite l'API OpenAI pour créer des agents conversationnels modulaires. Il permet aux développeurs de définir des fonctions d'outil que l'agent peut invoquer, de maintenir la mémoire contextuelle entre les interactions et de personnaliser le comportement de l'agent via des modules de compétences. Le cadre gère le routage des requêtes, la planification des actions et l'exécution des outils, afin que vous puissiez vous concentrer sur la logique spécifique au domaine. Avec une journalisation intégrée et une gestion des erreurs, Simple-Agent accélère le développement de chatbots, assistants automatisés et outils d’aide à la décision pilotés par IA. Il offre une intégration facile avec des API et des sources de données personnalisées, supporte les appels d'outils asynchrones et fournit une interface de configuration simple. Utilisez-le pour prototyper des agents IA pour le support client, l’analyse de données, l’automatisation et plus encore. Son architecture modulaire facilite l’ajout de nouvelles fonctionnalités sans modifier la logique de base. Soutenu par des contributions communautaires et une documentation, Simple-Agent est idéal pour les débutants et les développeurs expérimentés souhaitant déployer rapidement des agents intelligents.

SmolAgents Dynamic Tools étend le framework Python open-source SmolAgents pour permettre aux agents basés sur LLM de faire appel dynamiquement à des outils. Les agents peuvent appeler de façon transparente divers outils pré-construits — comme la recherche Web via SerpAPI, des calculatrices mathématiques, la récupération de date et d’heure, des opérations sur le système de fichiers et des gestionnaires de requêtes HTTP personnalisés — en fonction de l’intention de l’utilisateur et des chaînes de pensée. Les développeurs peuvent enregistrer des outils supplémentaires ou personnaliser ceux existants, permettant aux agents de gérer la récupération de données, la création de contenu, le calcul et l’intégration d’API externes dans une interface unifiée. En évaluant la disponibilité des outils en temps réel, SmolAgents Dynamic Tools optimise les workflows des agents, réduisant la logique codée en dur et améliore la modularité dans divers scénarios comme l’assistance à la recherche, la génération automatisée de rapports et l’extension de chatbots.

Duet GPT est un cadre open source en Python pour orchestrer des conversations multi-agents entre deux modèles GPT. Vous définissez des rôles d'agents distincts, personnalisés avec des prompts système, et le cadre gère automatiquement le tour de rôle, le passage des messages et l'historique de la conversation. Cette structure collaborative accélère la résolution de tâches complexes, permettant un raisonnement comparatif, des cycles de critique et un raffinement itératif par échanges alternés. Son intégration transparente avec l'API OpenAI, sa configuration simple et sa journalisation intégrée en font un outil idéal pour la recherche, le prototypage et les flux de travail en production dans l'aide à la programmation, le support à la décision et l'idéation créative. Les développeurs peuvent étendre les classes principales pour intégrer de nouveaux services LLM, ajuster la logique de l'itérateur et exporter les transcriptions au format JSON ou Markdown pour l'analyse ultérieure.

Thufir est un framework open-source basé sur Python conçu pour faciliter la création d'agents IA autonomes capables de planification et d'exécution de tâches complexes. Au cœur de Thufir se trouve un moteur de planification qui décompose des objectifs de haut niveau en étapes réalisables, un module de mémoire pour stocker et rappeler des informations contextuelles au cours des sessions, et une interface d’outils plug-and-play permettant aux agents d’interagir avec des API externes, bases de données ou environnements d’exécution de code. Les développeurs peuvent exploiter les composants modulaires de Thufir pour personnaliser le comportement des agents, définir des outils personnalisés, gérer l’état de l’agent et orchestrer des workflows multi-agents. En abstraisant les préoccupations d’infrastructure de bas niveau, Thufir accélère le développement et le déploiement d’agents intelligents pour des cas d’usage tels que assistants virtuels, automatisation de flux de travail, recherche et travailleurs numériques.

agent-steps est un cadre d'orchestration d'étapes Python conçu pour rationaliser le développement d'agents IA en décomposant des tâches complexes en étapes discrètes et réutilisables. Chaque étape encapsule une action spécifique — comme l'appel à un modèle linguistique, la transformation de données ou des appels API externes — et peut transmettre le contexte aux étapes suivantes. La bibliothèque supporte une exécution synchrone et asynchrone, permettant des pipelines évolutifs. Les outils de journalisation et de débogage intégrés offrent une transparence sur l'exécution des étapes, tandis que son architecture modulaire favorise la maintenabilité. Les utilisateurs peuvent définir des types d'étapes personnalisés, les enchainer dans des workflows et les intégrer facilement dans des applications Python existantes. agent-steps est adapté pour créer des chatbots, des pipelines de données automatisés, des systèmes d'aide à la décision et d'autres solutions IA multi-étapes.

AI-Agent est un framework Python extensible conçu pour créer des agents autonomes propulsés par les modèles GPT d'OpenAI et LangChain. Il comprend des modules pour la recherche sur le web, la recherche Wikipedia, des fonctions de calculatrice et des intégrations d'outils personnalisés, permettant la recherche automatisée, l'analyse de données et l'exécution de scripts. Les utilisateurs peuvent configurer des agents pour planifier des tâches à plusieurs étapes, interagir avec des API, générer des rapports et effectuer des workflows complexes sans intervention manuelle, ce qui optimise la productivité en développement, science des données et processus métier.

ANAC-agents est un framework basé sur Python qui centralise plusieurs implémentations d'agents de négociation pour la Compétition d'Agents de Négociation Automatisée (ANAC). Chaque agent dans le dépôt incarne différentes stratégies pour la modélisation de l'utilité, la génération de propositions, les tactiques de concession et les critères d'acceptation, facilitant les études comparatives et les prototypes rapides. Les utilisateurs peuvent définir des domaines de négociation avec des enjeux et profils de préférences personnalisés, puis simuler des négociations bilatérales ou des compétitions en tournoi entre agents. La boîte à outils comprend des scripts de configuration, des métriques d’évaluation, et des utilitaires de journalisation pour analyser la dynamique de négociation. Les chercheurs et développeurs peuvent étendre les agents existants, tester de nouveaux algorithmes ou intégrer des modules d'apprentissage externe, accélérant l'innovation dans le commerce automatisé et la prise de décision stratégique sous information incomplète.

ChatGPT OpenAI Smart Speaker est un cadre de développement pour créer votre propre assistant vocal intelligent. Il fonctionne sur des appareils comme Raspberry Pi, PC Linux, macOS ou Windows. En utilisant des bibliothèques Python standard pour la reconnaissance vocale et la synthèse vocale, il écoute un mot d'éveil, capture votre question, la transfère à l'API ChatGPT d'OpenAI, et lit les réponses en temps réel. Vous pouvez l'étendre avec des commandes personnalisées, intégrer des contrôles domotiques ou l'utiliser pour des démonstrations éducatives d'IA vocale.

ModelScope Agent offre un cadre modulaire basé sur Python pour orchestrer des agents IA autonomes. Il comprend une intégration de plugin pour des outils externes (API, bases de données, recherche), une mémoire de conversation pour la préservation du contexte et des chaînes d'agents personnalisables pour gérer des tâches complexes telles que la récupération de connaissances, le traitement de documents et le support à la décision. Les développeurs peuvent configurer les rôles, comportements et prompts des agents, ainsi que tirer parti de plusieurs backends LLM pour optimiser la performance et la fiabilité en production.

CodeFuse-muAgent est un cadre open-source basé sur Python qui orchestre plusieurs agents IA autonomes pour résoudre collectivement des tâches complexes. Les développeurs définissent des agents individuels avec des compétences spécialisées — telles que traitement de données, compréhension du langage naturel ou interaction avec des API externes — et configurent les protocoles de communication pour une délégation dynamique des tâches. Le cadre fournit une gestion centralisée de la mémoire, la journalisation et la surveillance, tout en restant indépendant du modèle, supportant l'intégration avec des LLM populaires et des modèles IA personnalisés. En utilisant CodeFuse-muAgent, les équipes peuvent construire des workflows IA modulaires, automatiser des processus multi-étapes et faire évoluer les déploiements dans divers environnements. Des fichiers de configuration flexibles et des API extensibles permettent une mise en prototype rapide, des tests et un réglage fin, rendant cela adapté aux cas d'utilisation dans le support client, les pipelines de génération de contenu, les assistants de recherche, et plus encore.

CUPCAKE AGI (Composable Utilitarian Pipeline for Creative, Knowledgeable, and Evolvable Autonomous General Intelligence) est un cadre Python flexible qui simplifie la construction d'agents autonomes en combinant modèles de langage, mémoire et outils externes. Il offre des modules principaux comprenant un planificateur d'objectifs, un exécuteur de modèles et un gestionnaire de mémoire pour conserver le contexte à travers les interactions. Les développeurs peuvent étendre la fonctionnalité via des plugins pour intégrer des API, bases de données ou kits d'outils personnalisés. CUPCAKE AGI supporte les workflows synchrones et asynchrones, ce qui le rend idéal pour la recherche, le prototypage et le déploiement d'agents en production dans diverses applications.

Cyrano est un framework open-source et une CLI en Python pour créer des agents IA orchestrant de grands modèles linguistiques et des outils externes via des invites en langage naturel. Les utilisateurs peuvent définir des outils personnalisés (fonctions), configurer la mémoire et les limites de tokens, et gérer les callbacks. Cyrano gère l'analyse des réponses JSON des LLMs et exécute en séquence les outils spécifiés. Il met l'accent sur la simplicité, la modularité et zéro dépendance externe, permettant aux développeurs de prototyper rapidement des chatbots, de construire des workflows automatisés et d'intégrer rapidement des capacités IA dans des applications.

Fast Reinforcement Learning est un framework Python spécialisé visant à accélérer le développement et l'exécution d'agents d'apprentissage par renforcement. Il offre une prise en charge prête à l'emploi pour des algorithmes populaires tels que PPO, A2C, DDPG et SAC, associée à une gestion d'environnements vectorisés à haut débit. Les utilisateurs peuvent facilement configurer des réseaux de politiques, personnaliser des boucles d'apprentissage et exploiter l'accélération GPU pour des expérimentations à grande échelle. La conception modulaire de la bibliothèque assure une intégration transparente avec les environnements OpenAI Gym, permettant aux chercheurs et praticiens de prototyper, de benchmarker et de déployer des agents dans une variété de tâches de contrôle, de jeux et de simulation.

defaultmodeAGENT est un cadre basé sur Python qui simplifie la création d'agents intelligents effectuant automatiquement des flux de travail multi-étapes. Il dispose d'une planification en mode par défaut — une stratégie adaptative pour décider quand explorer ou exploiter — ainsi qu'une intégration transparente d'outils et d'API personnalisés. Les agents conservent une mémoire conversationnelle, supportent l'invite dynamique et offrent des journaux pour le débogage. Basé sur l'API d'OpenAI, il permet un prototypage rapide d'assistants pour l'extraction de données, la recherche et l'automatisation des tâches.

GenAI Job Agents est un cadre open-source basé sur Python qui facilite la création et la gestion d'agents de travail alimentés par l'IA. Les développeurs peuvent définir des types de tâches personnalisés et des comportements d'agents à l'aide de fichiers de configuration simples ou de classes Python. Le système s'intègre parfaitement avec OpenAI pour le raisonnement basé sur LLM et avec LangChain pour la chaînage d'appels. Les tâches peuvent être mises en file d'attente, exécutées en parallèle et surveillées via des mécanismes de journalisation et de gestion des erreurs intégrés. Les agents peuvent gérer des entrées dynamiques, réessayer automatiquement en cas d'échec et produire des résultats structurés pour le traitement en aval. Avec une architecture modulaire, des plugins extensibles et des API claires, GenAI Job Agents permet aux équipes d'automatiser des tâches répétitives, d'orchestrer des flux de travail complexes et de faire évoluer les opérations pilotées par l'IA en environnement de production.

GPA-LM est un framework basé sur Python conçu pour simplifier la création et l'orchestration d'agents IA alimentés par de grands modèles linguistiques. Il comporte un planificateur qui décompose les instructions de haut niveau en sous-tâches, un exécuteur qui gère les appels d'outils et les interactions, et un module de mémoire qui conserve le contexte entre les sessions. L'architecture plugin permet aux développeurs d'ajouter des outils, API et logiques de décision personnalisés. Avec le support multi-agent, GPA-LM peut coordonner des rôles, répartir des tâches et agréger des résultats. Il s'intègre facilement à des LLM populaires comme OpenAI GPT et prend en charge le déploiement dans divers environnements. Le cadre accélère le développement d'agents autonomes pour la recherche, l'automatisation et la prototypie d'applications.

HFO_DQN combine Python et TensorFlow pour fournir une chaîne complète pour entraîner des agents de football utilisant Deep Q-Networks. Les utilisateurs peuvent cloner le dépôt, installer les dépendances incluant le simulateur HFO et les bibliothèques Python, et configurer les paramètres d'entraînement dans des fichiers YAML. Le cadre implémente la mémoire d'expérience, les mises à jour du réseau cible, l'exploration ε-greedy, et le façonnage de récompenses spécifique au domaine offense de moitié terrain. Il comprend des scripts pour l'entraînement des agents, la journalisation des performances, des matchs d'évaluation, et la réalisation de graphiques. La structure modulaire du code permet d'intégrer des architectures neural personnalisées, des algorithmes RL alternatifs, et des stratégies de coordination multi-agents. Les sorties incluent des modèles entraînés, des métriques de performance, et des visualisations du comportement, facilitant la recherche en apprentissage par renforcement et systèmes multi-agents.

InfantAgent offre une structure légère pour concevoir et déployer des agents intelligents en Python. Il s'intègre avec des LLM populaires (OpenAI, Hugging Face), supporte des modules de mémoire persistants et permet des chaînes d'outils personnalisés. Dès la sortie de la boîte, vous disposez d'une interface conversationnelle, d'une orchestration de tâches et d'une prise de décision basée sur des politiques. L'architecture plugin du cadre permet une extension facile pour des outils et APIs spécifiques au domaine, idéale pour le prototypage d'agents de recherche, l'automatisation des flux de travail ou l'intégration d'assistants IA dans des applications.

LangChain est un cadre Python open-source conçu pour accélérer le développement d'applications alimentées par l'IA. Il offre des abstractions pour enchaîner plusieurs appels à des modèles linguistiques (chaînes), construire des agents qui interagissent avec des outils externes, et gérer la mémoire des conversations. Les développeurs peuvent définir des invites, des parseurs de sortie et exécuter des workflows de bout en bout. Les intégrations incluent des magasins vectoriels, des bases de données, des APIs et des plateformes d'hébergement pour permettre des chatbots prêts pour la production, l’analyse de documents, des assistants de code, et des pipelines AI personnalisés.

Le framework LLM Maze Agent fournit un environnement basé sur Python pour construire des agents intelligents capables de naviguer dans des labyrinthes en grille en utilisant de grands modèles linguistiques. En combinant des interfaces modulaires d’environnement avec des modèles de prompt en chaîne de pensée et une planification heuristique, l’agent interroge itérativement un LLM pour décider des directions de déplacement, s’adapter aux obstacles et mettre à jour sa représentation d’état interne. La prise en charge prête à l’emploi des modèles OpenAI et Hugging Face permet une intégration transparente, tandis que la génération de labyrinthes configurable et le débogage étape par étape facilitent l’expérimentation avec différentes stratégies. Les chercheurs peuvent ajuster les fonctions de récompense, définir des espaces de observations personnalisés et visualiser les trajectoires de l’agent pour analyser les processus de raisonnement. Ce design rend LLM Maze Agent un outil polyvalent pour évaluer la planification pilotée par LLM, enseigner des concepts d’IA et benchmarker la performance des modèles sur des tâches de raisonnement spatial.