OmniMind0 est un cadre d’IA basé sur des agents complet, écrit en Python, permettant la création et l’orchestration de plusieurs agents autonomes. Chaque agent peut être configuré pour gérer des tâches spécifiques — comme la récupération de données, la synthèse ou la prise de décision — tout en partageant l’état via des backends de mémoire modulables comme Redis ou des fichiers JSON. L’architecture de plugins intégrée vous permet d’étendre la fonctionnalité avec des APIs externes ou des commandes personnalisées. Il prend en charge les modèles OpenAI, Azure et Hugging Face, et offre des déploiements via CLI, serveur API REST ou Docker pour une intégration flexible dans vos flux de travail.

RinSim offre un environnement de simulation modulaire axé sur la modélisation de scénarios logistiques dynamiques avec plusieurs agents autonomes. Les utilisateurs peuvent définir des réseaux routiers via des structures de graphes, configurer des flottes de véhicules, y compris des modèles électriques avec des contraintes de batterie, et simuler des arrivées stochastiques de demandes pour des tâches de collecte et de livraison. L'architecture à événements discrets garantit un timing précis et une gestion des événements, tandis que des algorithmes de routage intégrés et des comportements agents personnalisables permettent des expérimentations approfondies. RinSim supporte des métriques de sortie telles que le temps de trajet, la consommation d'énergie et le niveau de service, ainsi que des modules de visualisation pour l'analyse en temps réel et post-simulation. Sa conception extensible permet l'intégration d'algorithmes personnalisés, la montée en charge sur de grandes flottes, et des workflows de recherche reproductibles indispensables pour l'optimisation des stratégies de mobilité en milieu académique et industriel.

Saiki est un framework open-source d’orchestration d’agents qui permet aux développeurs de construire des flux de travail complexes pilotés par IA en écrivant des définitions YAML déclaratives. Chaque agent peut effectuer des tâches, appeler des services externes ou invoquer d’autres agents dans une séquence chaînée. Saiki propose un serveur API REST intégré, un traçage de l’exécution, des logs détaillés et un tableau de bord web pour la surveillance en temps réel. Il supporte les réessais, les bascules et les extensions personnalisées, facilitant l’itération, le débogage et la mise à l’échelle de pipelines d’automatisation robustes.

Swarm Squad exploite des agents IA autonomes qui fonctionnent en concert pour gérer et exécuter des flux de travail complexes. Les utilisateurs définissent des objectifs et configurent des rôles d'agents — tels que recherche, rédaction, analyse et planification — via une interface intuitive. Chaque agent est spécialisé dans sa fonction, échangeant des données et des retours pour affiner les résultats de manière itérative. La plateforme s'intègre avec des services populaires comme Google Drive, Slack et les systèmes CRM, permettant un transfert de données fluide et des transferts de tâches. Les tableaux de bord en temps réel suivent la performance des agents, tandis que des alertes automatisées garantissent des interventions opportunes. Des fonctionnalités de personnalisation avancées permettent aux utilisateurs de script des comportements d'agents personnalisés et de déclencher des workflows conditionnels, offrant une solution unifiée de bout en bout pour les campagnes marketing, la prospection client, la génération de rapports et d’autres processus métier critiques.

Ce dépôt propose un cadre multi-agents personnalisable simulant un centre d'appel de taxi. Il définit des agents IA distincts : CustomerAgent pour demander des courses, DispatchAgent pour choisir des conducteurs en fonction de la proximité, DriverAgent pour confirmer les affectations et mettre à jour les statuts, et NotificationAgent pour la facturation et les messages. Les agents interagissent via une boucle orchestratrice utilisant des appels GPT d'OpenAI et la mémoire, permettant un dialogue asynchrone, la gestion des erreurs et la journalisation. Les développeurs peuvent étendre ou adapter les invites des agents, intégrer des systèmes en temps réel, et prototyper des workflows de service client et de dispatch alimentés par l'IA.

Tongui Agent fournit une architecture modulaire pour créer des agents IA capables de maintenir l'état de la conversation, d'utiliser des outils externes et de coordonner plusieurs sous-agents. Les développeurs configurent les backends LLM, définissent des actions personnalisées et attachent des modules de mémoire pour stocker le contexte. Le framework inclut un SDK, une CLI et des hooks middleware pour l'observabilité, facilitant ainsi l'intégration dans des applications web ou Node.js. Les LLMs pris en charge incluent OpenAI, Azure OpenAI et des modèles open-source.

Java-Action-Shape est une bibliothèque d'actions dédiée conçue pour étendre le cadre multi-agent LightJason avec des capacités géométriques avancées. Elle fournit aux agents des actions toutes faites pour instancier des formes courantes (cercle, rectangle, polygone), appliquer des transformations (translation, rotation, mise à l'échelle) et effectuer des calculs analytiques (aire, périmètre, centroïde). Chaque action est thread-safe et s'intègre au modèle d'exécution asynchrone de LightJason, garantissant un traitement parallèle efficace. Les développeurs peuvent définir des formes personnalisées en spécifiant des sommets et des arêtes, les enregistrer dans le registre d'actions de l'agent et les inclure dans les définitions de plans. En centralisant la logique liée aux formes, Java-Action-Shape réduit le code boilerplate, impose des API cohérentes et accélère la création d'applications agent axées sur la géométrie, des simulations aux outils éducatifs.

L'Agent LLMLing est un cadre modulaire pour créer, configurer et déployer des agents d'IA alimentés par de grands modèles de langage. Les utilisateurs peuvent instancier plusieurs rôles d’agents, connecter des outils ou API externes, gérer la mémoire conversationnelle et orchestrer des flux de travail complexes. La plateforme inclut un terrain de jeu basé sur un navigateur qui visualise les interactions des agents, journalise l'historique des messages et permet des ajustements en temps réel. Avec un SDK Python, les développeurs peuvent écrire des comportements personnalisés, intégrer des bases de données vectorielles et étendre le système via des plugins. LLMLing Agent simplifie la création de chatbots, de bots d'analyse de données et d'assistants automatisés en fournissant des composants réutilisables et des abstractions claires pour la collaboration multi-agents.

OpenAI Swarm Node orchestre des appels concurrents à plusieurs agents ChatGPT, recueille leurs sorties individuelles, applique votre stratégie d'agrégation choisie — comme le vote majoritaire ou la pondération personnalisée — et renvoie une réponse de consensus unifiée. Son architecture extensible supporte un contrôle granulaire des paramètres du modèle, la gestion des erreurs, la logique de réessai et l'exécution asynchrone, permettant aux développeurs d'intégrer l'intelligence en essaim dans n'importe quelle application Node.js pour une meilleure précision et cohérence dans la prise de décision assistée par IA.

PommerLearn permet aux chercheurs et aux développeurs d'entraîner des robots RL multi-agents dans l'environnement de jeu Pommerman. Il inclut des implémentations prêt-à-l'emploi d'algorithmes populaires (PPO, DQN), des fichiers de configuration flexibles pour les hyperparamètres, une journalisation automatique et une visualisation des métriques d'entraînement, un checkpointing de modèles et des scripts d'évaluation. Son architecture modulaire facilite l'extension avec de nouveaux algorithmes, la personnalisation des environnements et l'intégration avec des bibliothèques ML standard telles que PyTorch.

Team Coordination est une bibliothèque Python légère conçue pour simplifier l'orchestration de plusieurs agents IA travaillant ensemble sur des tâches complexes. En définissant des rôles d'agents spécialisés—tels que planificateurs, exécutants, évaluateurs ou communicateurs—les utilisateurs peuvent décomposer un objectif global en sous-tâches gérables, les déléguer à des agents individuels et faciliter une communication structurée entre eux. Le framework gère l'exécution asynchrone, le routage des protocoles et l'agrégation des résultats, permettant à des équipes d'agents IA de collaborer efficacement. Son système de plugins supporte l'intégration avec des LLM populaires, des API et une logique personnalisée, idéal pour des applications dans le service client automatisé, la recherche, le jeu AI et les pipelines de traitement de données. Avec des abstractions claires et des composants extensibles, Team Coordination accélère le développement de workflows multi-agents évolutifs.

CASA est conçue comme un cadre d'autonomie modulaire, prêt à l'emploi, basé sur l'écosystème Robot Operating System (ROS). Elle présente une architecture décentralisée où chaque robot exécute des planificateurs locaux et des nœuds d'arbres de comportement, publiant sur un tableau noir partagé pour les mises à jour de l'état du monde. L'attribution de tâches est gérée par des algorithmes d'enchères qui assignent des missions en fonction des capacités et de la disponibilité des robots. La couche de communication utilise des messages ROS standards sur des réseaux multi-robots pour synchroniser les agents. Les développeurs peuvent personnaliser les paramètres des missions, intégrer des pilotes de capteurs et étendre les bibliothèques de comportements. CASA supporte la simulation de scénarios, la surveillance en temps réel et des outils de journalisation. Sa conception extensible permet aux équipes de recherche d'expérimenter de nouveaux algorithmes de coordination et de déployer sans effort sur diverses plates-formes robotiques, des véhicules terrestres sans pilote aux drones aériens.

Agent Forge simplifie le cycle de vie complet du développement d'agents IA en offrant des commandes CLI pour générer du code de squelette, des modèles de conversation et des paramètres de configuration. Les développeurs peuvent définir des rôles d'agents, attacher des fournisseurs LLM, et intégrer des outils externes tels que des bases de données vectorielles, des API REST et des plugins personnalisés à l'aide de descripteurs YAML ou JSON. Le framework permet une exécution locale, des tests interactifs, et l'emballage des agents en images Docker ou fonctions serverless pour un déploiement facile. La journalisation intégrée, les profils d'environnement et les hooks VCS simplifient le débogage, la collaboration et les pipelines CI/CD. Cette architecture flexible supporte la création de chatbots, d'assistants de recherche autonomes, de bots de support client, et de flux de travail automatisés de traitement de données avec un minimum de configuration.

Agentic Seek exploite les modèles GPT d'OpenAI et une boîte à outils personnalisée pour automatiser tout le cycle de recherche web. Les utilisateurs définissent des objectifs de haut niveau, et le système génère des sous-agents spécialisés pour exécuter des requêtes de recherche, naviguer sur des sites web, extraire des informations clés via le scraping et résumer les résultats. Il prend en charge le raffinement itératif, permettant aux agents de revoir et mettre à jour les résultats en fonction des nouvelles idées. Les développeurs peuvent étendre ses capacités en intégrant des gestionnaires d'actions personnalisés et des connecteurs API. Idéal pour la veille concurrentielle, la recherche académique, l'analyse de marché et la collecte de données à grande échelle, Agentic Seek réduit la navigation manuelle, accélère la prise de décision et garantit une couverture complète de plusieurs sources en ligne. La plateforme inclut une interface Web pour surveiller l'activité de l'agent et examiner les sorties intermédiaires. Avec une journalisation intégrée, des invites personnalisables et des pistes d'audit, les équipes peuvent suivre les décisions des agents pour la transparence, la conformité et l'assurance qualité.

Le dépôt Agent Supervisor Example démontre comment orchestrer plusieurs agents AI autonomes dans un flux de travail coordonné. Écrit en Python, il définit une classe Supervisor pour dispatcher des tâches, surveiller le statut des agents, gérer les échecs et agréger les réponses. Vous pouvez étendre les classes d'agents de base, brancher différentes API de modèles et configurer les politiques de planification. Il enregistre les activités pour l'audit, supporte l'exécution parallèle et offre une conception modulaire pour une personnalisation facile et une intégration dans de plus grands systèmes d'IA.

Agentic Website Dev automatise le développement web en coordonnant des agents IA spécialisés. Un agent analyse les demandes des utilisateurs pour concevoir l'architecture du site, un autre génère des modèles HTML et CSS réactifs, tandis qu'un agent de codage implémente des fonctionnalités JavaScript dynamiques. Enfin, un agent de déploiement empaquète et publie le site sur des plateformes comme Vercel ou Netlify. Ce cadre abstrait tout le flux de travail—planification, codage, test et déploiement—permettant un prototypage rapide et une itération efficace. Les développeurs définissent leurs exigences en anglais simple, et les agents collaborent pour produire un site entier fonctionnel et en ligne. Cela réduit le besoin de codage manuel, accélère le délai de mise sur le marché et démocratise le développement web pour les parties prenantes non techniques.

AGNO Agents IA propose une suite d'agents IA personnalisables et pré-construits pour gérer diverses tâches : résumer de grands documents, scraper et interpréter le contenu web, répondre à des questions spécifiques au domaine, examiner du code source, analyser des ensembles de données et alimenter des chatbots avec mémoire. Son design modulaire permet d'ajouter de nouveaux outils ou d'intégrer des API externes. Les agents sont orchestrés via des pipelines LangChain et accessibles via des points de terminaison REST. AGNO supporte des workflows multi-agents, la journalisation et une mise en service facile, permettant aux développeurs d’accélérer l’automatisation pilotée par l’IA dans leurs applications.

Le Dynamic Multi-Agent RAG Pathway offre une architecture modulaire où chaque agent gère des tâches spécifiques — telles que la récupération de documents, la recherche vectorielle, le résumé de contexte ou la génération — tandis qu’un orchestrateur central routage dynamiquement les entrées et sorties entre eux. Les développeurs peuvent définir des agents personnalisés, assembler des pipelines via des fichiers de configuration simples, et tirer parti du journalisation intégrée, de la surveillance et du support de plugin. Ce cadre accélère le développement de solutions RAG complexes, permettant une décomposition adaptative des tâches et un traitement parallèle pour améliorer le débit et la précision.

Le solveur NQueen basé sur GA utilise une architecture modulaire multi-agent 2APL où chaque agent encode une configuration candidate pour N-Reines. Les agents évaluent leur fitness en comptant le nombre de paires de reines non en attaque, puis partagent les configurations à haute fitness avec d'autres. Des opérateurs génétiques—sélection, crossover et mutation—sont appliqués à la population d'agents pour générer de nouvelles configurations candidates. Au fil des itérations, les agents convergent collectivement vers des solutions valides pour N-Reines. Le framework est implémenté en Java, supporte le réglage des paramètres de la population, du taux de crossover, de la probabilité de mutation et des protocoles de communication des agents, et fournit des journaux détaillés et des visualisations du processus évolutif.

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.