Doraemon-Agent est une plateforme et un cadre Python open-source conçu pour permettre aux développeurs de créer des agents IA sophistiqués. Il permet d'intégrer des plugins personnalisés et des outils externes, de maintenir la mémoire à long terme entre les sessions, et d'exécuter une planification en chaîne pour plusieurs étapes. Les développeurs peuvent configurer des rôles d'agents, gérer le contexte, enregistrer les interactions et étendre la fonctionnalité via une architecture de plugins. Il simplifie la création d'assistants autonomes pour des tâches telles que l'analyse de données, le support à la recherche ou l'automatisation du service client.

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.

Fast-LLM-Agent-MCP est un cadre Python léger open-source pour construire des agents IA combinant gestion de mémoire, raisonnement en chaîne et planification multi-étapes. Les développeurs peuvent l'intégrer avec OpenAI, Azure OpenAI, Llama local et d'autres modèles pour maintenir le contexte de conversation, générer des traces de raisonnement structurées et décomposer des tâches complexes en sous-tâches exécutables. Son design modulaire permet l'intégration d'outils personnalisés et de stockages de mémoire, idéal pour des applications telles que les assistants virtuels, les systèmes d'aide à la décision et les bots de support client automatisés.

Saga offre une architecture flexible pour créer des agents AI qui planifient et exécutent des flux de travail multi-étapes. Les composants principaux incluent un module de planification qui décompose les objectifs en actions, un stockage de mémoire pour le contexte conversationnel et des tâches, et un registre d'outils pour intégrer des services ou scripts externes. Les agents s'exécutent de manière asynchrone, gèrent l'état entre les sessions et prennent en charge le développement d'outils personnalisés. Saga permet un prototypage rapide d'assistants autonomes, automatisant des tâches telles que la collecte de données, les alertes et les questions-réponses interactives dans votre environnement Python.

Bedrock Engineer fournit aux développeurs une méthode structurée et modulaire pour construire des agents IA exploitant des modèles de fondation AWS Bedrock tels que Amazon Titan et Anthropic Claude. La boîte à outils inclut des workflows d'exemple pour la récupération de données, l'analyse de documents, le raisonnement automatisé et la planification à plusieurs étapes. Il gère le contexte de session, s'intègre avec AWS IAM pour un accès sécurisé et prend en charge des modèles de prompts personnalisables. En abstraisant le code boilerplate, Bedrock Engineer accélère le développement de chatbots, d'outils de résumé et d'assistants intelligents, tout en offrant évolutivité et optimisation des coûts via une infrastructure gérée par AWS.

ChatAgent permet aux développeurs de créer et déployer rapidement des chatbots intelligents en offrant une architecture extensible avec des modules principaux pour la gestion de mémoire, la chaîne d'outils et l'orchestration de stratégies. Il s'intègre parfaitement à des fournisseurs LLM populaires, permettant de définir des outils personnalisés pour des appels API, des requêtes de base de données ou des opérations sur fichiers. Le framework supporte la planification multi-étapes, la prise de décision dynamique et la récupération de mémoire contextuelle, assurant des interactions cohérentes sur des conversations longues. Son système de plugins et ses pipelines pilotés par la configuration facilitent la personnalisation et l'expérimentation, tandis que des logs structurés et des métriques aident à surveiller la performance et à diagnostiquer en production.