SonAgent est un cadre extensible open-source conçu pour construire, organiser et exécuter des agents IA en Python. Il fournit des modules principaux pour le stockage de mémoire, des wrappers d'outils, la logique de planification et la gestion d'événements asynchrones. Les développeurs peuvent enregistrer des outils personnalisés, intégrer des modèles linguistiques, gérer la mémoire à long terme des agents et orchestrer plusieurs agents pour collaborer sur des tâches complexes. La conception modulaire de SonAgent accélère le développement de bots conversationnels, d'automatisations de flux de travail et de systèmes d'agents distribués.

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.

MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

Ce dépôt regroupe une collection complète de composants de systèmes multi-agent et de techniques de coordination IA distribuée. Il offre des implémentations d'algorithmes de consensus, de protocoles de négociation Contract-Net, d'attribution de tâches basée sur des enchères, de stratégies de formation de coalitions et de cadres de communication inter-agent. Les utilisateurs peuvent exploiter des environnements de simulation intégrés pour modéliser et tester le comportement des agents sous diverses topologies de réseau, scénarios de latence et modes de défaillance. La conception modulaire permet aux développeurs et chercheurs d'intégrer, d'étendre ou de personnaliser des modules de coordination individuels pour des applications dans les essaims de robotique, la collaboration entre dispositifs IoT, les réseaux électriques intelligents et la prise de décision distribuée.

AmongA et la recherche sur les systèmes IA multi-agentes. Via une API Python simple, les utilisateurs peuvent instancier n'importe quel nombre d'agents IA, chacun doté de personas, invites et buffers mémoire personnalisés. Les agents participent à des boucles de conversation configurables, supportant débats, brainstorming, prise de décision ou simulations de jeux. Le cadre s'intègre parfaitement à des API LLM majeures (par ex., OpenAI, Anthropic), permettant des interactions basées sur des messages et la journalisation des transcriptions. Les développeurs peuvent étendre le comportement en personnalisant les rôles des agents, contrôlant la logique de prise de tour, et en connectant des sources de données externes. AmongAIs propose également des utilitaires pour l'analyse de sentiment, une évaluation basée sur des scores et la relecture de sessions. Idéal pour les équipes explorant la communication émergente, l'idéation collaborative et les tests de coordination des travailleurs numériques en recherche et production.

ComfyUI LLM Party étend l’environnement basé sur des nœuds de ComfyUI en proposant une gamme de nœuds alimentés par LLM conçus pour orchestrer les interactions textuelles parallèlement aux flux de travail visuels de l’IA. Il offre des nœuds de chat pour dialoguer avec de grands modèles de langage, des nœuds de mémoire pour la rétention du contexte, et des nœuds de routage pour gérer les dialogues multi-agent. Les utilisateurs peuvent chaîner des opérations de génération de langage, de résumé et de prise de décision dans leurs pipelines, fusionnant l’IA textuelle et la génération d’images. L’extension supporte aussi des modèles de invites personnalisées, la gestion de variables, et le ramification conditionnelle, permettant aux créateurs d’automatiser la génération de récits, la légende d’images et la description dynamique des scènes. Sa conception modulaire permet une intégration transparente avec les nœuds existants, donnant aux artistes et développeurs la possibilité de créer des workflows de agents IA sophistiqués sans compétences en programmation.

Isek est une plateforme orientée développeur pour créer des agents IA avec une architecture modulaire. Elle propose un système de plugins pour les outils et sources de données, une mémoire intégrée pour la rétention du contexte et un moteur de planification pour coordonner les tâches en plusieurs étapes. Vous pouvez déployer des agents localement ou dans le cloud, intégrer n'importe quel backend LLM, et étendre la fonctionnalité via des modules communautaires ou personnalisés. Isek facilite la création de chatbots, d'assistants virtuels et de flux de travail automatisés grâce à des modèles, SDK et outils CLI pour un développement rapide.

LiteMultiAgent offre un SDK modulaire pour construire et exécuter plusieurs agents IA en parallèle ou en séquence, chacun avec des rôles et responsabilités uniques. Il fournit des magasins de mémoire intégrés, des pipelines de messagerie, des adaptateurs de plugins et des boucles d'exécution pour gérer une communication inter-agent complexe. Les utilisateurs peuvent personnaliser le comportement des agents, intégrer des outils ou API externes et surveiller les conversations via des logs. La conception légère du framework et la gestion des dépendances en font une solution idéale pour le prototypage rapide et le déploiement en production de workflows collaboratifs d’IA.

mcp-agent-graph fournit une couche d'orchestration basée sur un graphe pour les agents AI, permettant aux développeurs de cartographier des flux de travail complexes en plusieurs étapes sous forme de graphes dirigés. Chaque nœud du graphe correspond à une tâche ou fonction d'agent, capturant les entrées, sorties et dépendances. Les arêtes définissent le flux de données entre les agents, garantissant l'ordre d'exécution correct. Le moteur supporte des modes d'exécution séquentielle et parallèle, la résolution automatique des dépendances, et s'intègre avec des fonctions Python personnalisées ou des services externes. La visualisation intégrée permet aux utilisateurs d'inspecter la topologie du graphe et de déboguer les flux de travail. Ce framework rationalise le développement de systèmes modulaires et évolutifs multi-agents pour le traitement des données, les flux de travail langage naturel ou les pipelines de modèles AI combinés.

NKC Multi-Agent Models fournit aux chercheurs et développeurs une boîte à outils complète pour concevoir, entraîner et évaluer des systèmes d'apprentissage par renforcement multi-agents. Elle dispose d'une architecture modulaire où les utilisateurs définissent des politiques agents personnalisées, des dynamiques d’environnement et des structures de récompense. L’intégration transparente avec OpenAI Gym permet un prototypage rapide, tandis que le support de TensorFlow et PyTorch offre une flexibilité dans le choix des moteurs d’apprentissage. Le framework inclut des utilitaires pour la rejouabilité d’expérience, la formation centralisée avec exécution décentralisée, et la formation distribuée sur plusieurs GPUs. Des modules de journalisation et de visualisation étendus capturent les métriques de performance, facilitant le benchmarking et l’ajustement des hyperparamètres. En simplifiant la mise en place de scénarios coopératifs, compétitifs et mixtes, NKC Multi-Agent Models accélère l’expérimentation dans des domaines comme les véhicules autonomes, les essaims robotiques et l’IA de jeu.

RainbowGPT fournit un cadre complet pour concevoir, personnaliser et déployer des agents IA alimentés par des modèles OpenAI. Il comprend un backend FastAPI, une intégration avec LangChain pour la gestion des outils et de la mémoire, ainsi qu'une interface React pour la création et le test des agents. Les utilisateurs peuvent télécharger des documents pour la récupération de connaissances basée sur des vecteurs, définir des prompts et comportements personnalisés, et connecter des API ou fonctions externes. La plateforme enregistre les interactions pour analyse et supporte des flux de travail multi-agents, permettant une automatisation complexe et des pipelines conversationnels.

SquadflowAI Studio permet aux utilisateurs de composer visuellement des agents AI en définissant des rôles, des tâches et des communications entre agents. Les agents peuvent être enchaînés pour gérer des processus complexes à plusieurs étapes—interroger des bases de données ou des API, effectuer des actions et transmettre du contexte entre eux. La plateforme prend en charge les extensions via plugins, le débogage en temps réel et les logs étape par étape. Les développeurs configurent les invites, gèrent l'état de la mémoire et définissent la logique conditionnelle sans code boilerplate. Les modèles d'OpenAI, Anthropic et locaux sont supportés. Les équipes peuvent déployer des workflows via des endpoints REST ou WebSocket, surveiller les métriques de performance et ajuster les comportements des agents via un tableau de bord centralisé.

Team of AI Agents offre une architecture modulaire pour construire et déployer des systèmes multi-agents. Chaque agent opère avec des rôles distincts, utilisant une mémoire globale et des contextes locaux pour la conservation des connaissances. Le cadre supporte la messagerie asynchrone, l'utilisation d'outils via des adaptateurs et la réaffectation dynamique des tâches en fonction des résultats des agents. Les développeurs configurent les agents via des scripts Python ou YAML, permettant la spécialisation thématique, la hiérarchie des objectifs et la gestion des priorités. Il comprend des métriques intégrées pour l’évaluation des performances et le débogage, facilitant des itérations rapides. Grâce à une architecture de plugins extensible, les utilisateurs peuvent intégrer des modèles NLP personnalisés, des bases de données ou des API externes. Team of AI Agents accélère les workflows complexes en exploitant l'intelligence collective d'agents spécialisés, idéal pour la recherche, l'automatisation et la simulation.

ThreeAgents est construit en Python, utilisant l'API de complétion de chat d'OpenAI pour instancier plusieurs agents IA avec des rôles distincts (système, assistant, utilisateur). Il offre des abstractions pour l'invite d'agents, la gestion des messages basés sur le rôle et la gestion de la mémoire contextuelle. Les développeurs peuvent définir des modèles de prompts personnalisés, configurer les personnalités des agents et chaîner les interactions pour simuler des dialogues réalistes ou des flux de travail orientés tâches. Le framework gère l'envoi des messages, la gestion des fenêtres contextuelles et la journalisation, permettant des expériences en prise de décision collaborative ou décomposition hiérarchique des tâches. Avec le support des variables d'environnement et des agents modulaires, ThreeAgents permet un échange fluide entre les backends LLM d'OpenAI et locaux, facilitant la prototypage rapide de systèmes IA multi-agents. Il inclut des scripts d'exemple et la prise en charge de Docker pour une configuration rapide.

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.

L'agent Wumpus LLM est conçu pour simplifier le développement d'agents IA Socratic avancés en fournissant des utilitaires d'orchestration préfabriqués, des modèles de sollicitation structurés et une intégration d'outils transparente. Les utilisateurs définissent des personas d'agents, des ensembles d'outils, et des flux de conversation, puis exploitent la gestion intégrée de la chaîne de pensée pour une raisonnement transparent. Le framework gère les changements de contexte, la récupération d'erreurs, et la gestion de mémoire, permettant des processus décisionnels en plusieurs étapes. Il comprend une interface plugin pour API, bases de données, et fonctions personnalisées, permettant aux agents de naviguer sur le web, de consulter des bases de connaissances, ou d'exécuter du code. Avec une journalisation complète et un débogage, les développeurs peuvent tracer chaque étape de raisonnement, ajuster le comportement de l'agent, et déployer sur toute plateforme supportant Python 3.7+.

A2A (Architecture Agent-à-Agent) est un cadre open-source de Google permettant le développement et le fonctionnement d'agents IA distribués travaillant ensemble. Il offre des composants modulaires pour définir les rôles des agents, les canaux de communication et la mémoire partagée. Les développeurs peuvent intégrer divers fournisseurs LLM, personnaliser le comportement des agents et orchestrer des flux de travail à plusieurs étapes. A2A inclut une surveillance intégrée, une gestion des erreurs et des capacités de lecture pour tracer les interactions entre agents. En fournissant un protocole standardisé pour la découverte des agents, le passage de messages et l'attribution des tâches, A2A simplifie les modèles de coordination complexes et améliore la fiabilité lors de la mise à l'échelle d'applications basées sur des agents dans divers environnements.

Agent Forge fournit une architecture modulaire pour définir, exécuter et coordonner des agents IA. Il offre des API intégrées pour l'orchestration des tâches, des modules de mémoire pour la conservation du contexte à long terme et un système de plugins pour intégrer des services externes (par exemple, LLMs, bases de données, API tiers). Les développeurs peuvent rapidement prototyper, tester et déployer des agents en production, en combinant des flux de travail complexes sans gérer une infrastructure de bas niveau.

AgentCrew est conçu pour simplifier la création et la gestion d’agents IA en abstraisant des fonctionnalités courantes telles que le cycle de vie des agents, la persistance de la mémoire, la planification des tâches et la communication entre agents. Les développeurs peuvent définir des profils d’agents personnalisés, spécifier des déclencheurs et des conditions, et intégrer des principaux fournisseurs de LLM comme OpenAI et Anthropic. Le framework fournit un SDK Python, des outils CLI, des points de terminaison REST et un tableau de bord web intuitif pour surveiller la performance des agents. Les fonctionnalités d’automatisation des flux permettent aux agents de travailler en parallèle ou en séquence, d’échanger des messages et de journaliser les interactions pour l’audit et la ré-formation. L’architecture modulaire supporte des extensions via des plugins, permettant aux organisations d’adapter la plateforme à divers cas d’utilisation, des bots de service client aux assistants de recherche automatisés et pipelines d’extraction de données.

Agent ChatRoom fournit un environnement flexible pour construire et exécuter des systèmes de conversation multi-agent. Les utilisateurs peuvent créer des agents avec des personas et prompts uniques, acheminer des messages entre agents et visualiser l'historique des conversations dans une interface élégante. Elle s'intègre avec les API OpenAI, prend en charge la configuration personnalisée du comportement des agents et peut être déployée sur n'importe quel service d'hébergement statique. Les développeurs bénéficient d'une architecture modulaire, d'un réglage facile des prompts et d'une interface responsive pour tester des scénarios de collaboration AI.