LangChain est un cadre modulaire qui aide les développeurs à créer des applications AI avancées en connectant de grands modèles de langage avec des sources de données externes et des outils. Il fournit des abstractions de chaînes pour des appels séquentiels LLM, une orchestration d'agents pour les flux de travail de décision, des modules de mémoire pour la conservation du contexte, et des intégrations avec des chargeurs de documents, des magasins vectoriels et des outils basés sur API. Avec la prise en charge de plusieurs fournisseurs et SDK en Python et JavaScript, LangChain accélère le prototypage et le déploiement de chatbots, de systèmes QA et d'assistants personnalisés.

Langchainrb est une bibliothèque Ruby open-source conçue pour rationaliser le développement d'applications pilotées par l'IA en proposant un cadre modulaire pour les agents, les chaînes et les outils. Les développeurs peuvent définir des modèles d'invites, assembler des chaînes d'appels LLM, intégrer des composants de mémoire pour préserver le contexte et connecter des outils personnalisés tels que des chargeurs de documents ou des API de recherche. Il prend en charge la génération d'incorporations pour la recherche sémantique, la gestion des erreurs intégrée et une configuration flexible des modèles. Avec des abstractions d'agents, vous pouvez implémenter des assistants conversationnels qui décident quel outil ou chaîne invoquer en fonction de l'entrée de l'utilisateur. L'architecture extensible de Langchainrb permet des personnalisations faciles, permettant une prototypage rapide de chatbots, des pipelines de résumé automatisés, des systèmes QA et des automatisations de flux de travail complexes.

Labs est un langage spécifique au domaine open-source et intégrable, conçu pour définir et exécuter des agents AI utilisant de grands modèles de langage. Il fournit des constructions pour déclarer des invites, gérer le contexte, brancher conditionnellement et intégrer des outils externes (par ex., bases de données, API). Avec Labs, les développeurs décrivent les flux de travail des agents sous forme de code, orchestrant des tâches multi-étapes telles que la récupération de données, l'analyse et la génération. Le framework compile les scripts DSL en pipelines exécutables qui peuvent être lancés localement ou en production. Labs prend en charge une interface REPL interactive, des outils en ligne de commande et s'intègre aux fournisseurs LLM standard. Son architecture modulaire permet des extensions faciles avec des fonctions et utilitaires personnalisés, favorisant le prototypage rapide et un développement d'agents maintenable. L'exécution légère garantit une faible surcharge et une intégration transparente dans les applications existantes.

LangGraph-MAS4SE est conçu comme un écosystème collaboratif d'agents intelligents, chacun spécialisé dans des phases distinctes de l'ingénierie logicielle. Au cœur, un bus de messages basé sur un graphe orchestre les flux de travail, permettant aux agents de publier et de s'abonner à des nœuds de données spécifiques à une tâche. Par exemple, un agent de synthèse de code génère des brouillons initiaux, qui sont ensuite transmis à un agent d'analyse statique pour les vérifications de qualité. Un agent de documentation produit des guides utilisateur basés sur des modules analysés, tandis qu'un agent de test génère automatiquement des tests unitaires. Le système supporte des interfaces de plugins pour le développement d'agents personnalisés, permettant aux équipes d'intégrer une logique spécifique au domaine. En abstraisant la gestion complexe des dépendances et en utilisant le raisonnement piloté par LLM, LangGraph-MAS4SE accélère les cycles de développement, réduit la surcharge manuelle et assure une cohérence du code dans de grands projets.

LLM-Agent est un cadre léger et extensible pour créer des agents IA alimentés par de grands modèles linguistiques. Il fournit des abstractions pour la mémoire de conversation, des modèles d'invite dynamiques et une intégration transparente d'outils ou d'API personnalisés. Les développeurs peuvent orchestrer des processus de raisonnement multi-étapes, maintenir l'état à travers les interactions et automatiser des tâches complexes telles que la récupération de données, la génération de rapports et le support décisionnel. En combinant la gestion de la mémoire avec l'utilisation d'outils et la planification, LLM-Agent facilite le développement d'agents intelligents et orientés tâches en Python.

Local-Super-Agents offre une plateforme basée sur Python pour créer des agents AI autonomes qui fonctionnent entièrement en local. Le framework propose des composants modulaires, y compris des magasins de mémoire, des kits d'outils pour l'intégration API, des adaptateurs LLM et une orchestration d'agents. Les utilisateurs peuvent définir des agents de tâches personnalisés, chaîner des actions et simuler la collaboration multi-agent dans un environnement sandbox. Il abstrait la configuration complexe en proposant des utilitaires CLI, des modèles préconfigurés et des modules extensibles. Sans dépendances cloud, les développeurs gardent la confidentialité des données et le contrôle des ressources. Son système de plugins supporte l'intégration de scrapeurs web, de connecteurs de bases de données et de fonctions Python personnalisées, permettant des workflows comme la recherche autonome, l'extraction de données et l'automatisation locale.

MARFT est un LLM basé sur Python, permettant des expériences reproductibles et la prototypage rapide de systèmes IA collaboratifs.

Maxun.dev est un cadre d'IA sans code ou à faible code qui permet aux développeurs et aux entreprises de créer des agents intelligents adaptés à des tâches spécifiques. Les utilisateurs peuvent définir des flux de travail d'agents via une interface visuelle, intégrer des sources de données et des API externes, et configurer des modules de mémoire pour une compréhension contextuelle. La plateforme supporte l'orchestration multi-agents, la surveillance en temps réel et l'analyse des performances pour optimiser le comportement des agents. Avec des outils de collaboration intégrés, le contrôle de version et le déploiement en un clic, Maxun.dev simplifie tout le cycle de vie, du prototype à la production, en accélérant l'automatisation alimentée par IA dans le support client, la gestion documentaire et les processus métier.

MCP Crew AI est un cadre axé sur les développeurs qui simplifie la création et la coordination d'agents IA basés sur GPT dans des équipes collaboratives. En définissant des rôles d'agents gestionnaire, travailleur et moniteur, il automatise la délégation, l'exécution et la supervision des tâches. Le package offre une prise en charge intégrée de l'API OpenAI, une architecture modulaire pour les plugins d'agents personnalisés et une CLI pour exécuter et surveiller votre équipe. MCP Crew AI accélère le développement de systèmes multi-agents, facilitant la création de flux de travail évolutifs, transparents et maintenables basés sur l'IA.

Meta-Agent-with-More-Agents est un cadre extensible open-source qui implémente une architecture d'agent méta permettant à plusieurs sous-agents spécialisés de collaborer sur des tâches complexes. Il exploite LangChain pour l’orchestration des agents et les API OpenAI pour le traitement du langage naturel. Les développeurs peuvent définir des agents personnalisés pour des tâches telles que l’extraction de données, l’analyse de sentiments, la prise de décisions ou la génération de contenu. L’agent méta coordonne la décomposition des tâches, envoie les objectifs aux agents appropriés, collecte leurs résultats, et affine itérativement les résultats via des boucles de rétroaction. Son architecture modulaire supporte la traitement parallèle, la journalisation et la gestion des erreurs. Idéal pour automatiser des workflows à plusieurs étapes, des pipelines de recherche et des systèmes de support à la décision dynamique, il simplifie la construction de systèmes IA distribués robustes en abstrait la communication entre agents et la gestion de leur cycle de vie.

OSU NLP Middleware est un framework léger en Python, facilitant le développement de systèmes d’agents IA. Il fournit une boucle principale qui orchestre les interactions entre modèles linguistiques naturels et fonctions d’outils externes définies comme plugins. Le framework supporte des fournisseurs LLM populaires (OpenAI, Hugging Face, etc.) et permet aux développeurs d’enregistrer des outils personnalisés pour des tâches comme les requêtes à des bases de données, la récupération de documents, la recherche Web, le calcul mathématique, et les appels API REST. Middleware gère l’historique des conversations, les limites de débit, et journalise toutes les interactions. Il offre également une mise en cache configurable et des politiques de réessai pour une fiabilité accrue, facilitant la création d’assistants intelligents, chatbots, et workflows autonomes avec un minimum de code standard.

L'architecture modulaire LLM est conçue pour simplifier la création d'applications personnalisées pilotées par LLM via une conception modulaire et composable. Elle fournit des composants clés tels que des modules de mémoire pour la rétention d'état de session, des interfaces d'outils pour les appels d'API externes, des gestionnaires de prompts pour la génération de prompts basés sur des modèles ou dynamique, et des moteurs d'orchestration pour contrôler le flux de travail de l'agent. Vous pouvez configurer des pipelines en chaînant ces modules, permettant des comportements complexes tels que le raisonnement en plusieurs étapes, des réponses contextuelles et la récupération de données intégrée. La structure supporte plusieurs backends LLM, vous permettant de changer ou de mélanger des modèles, et offre des points d'extension pour ajouter de nouveaux modules ou une logique personnalisée. Cette architecture accélère le développement en promouvant la réutilisation des composants tout en maintenant la transparence et le contrôle sur le comportement de l'agent.

Multi-Agent est une boîte à outils pour développeurs qui vous aide à construire et orchestrer plusieurs agents IA s’exécutant en parallèle. Chaque agent conserve son propre stockage de mémoire, sa configuration de prompt et sa file d’attente de messages. Vous pouvez définir des comportements personnalisés, mettre en place des canaux de communication entre agents et déléguer automatiquement des tâches en fonction des rôles des agents. Il exploite l’API Chat d’OpenAI pour la compréhension et la génération linguistique, tout en fournissant des composants modulaires pour l’orchestration de flux de travail, la journalisation et la gestion des erreurs. Cela permet de créer des agents spécialisés — tels que des assistants de recherche, des processeurs de données ou des bots de support client — qui travaillent ensemble sur des tâches complexes.

Multi-Agent AI Assistant est un cadre modulaire basé sur Python qui orchestre plusieurs agents alimentés par GPT, chacun assigné à des rôles discrets tels que la planification, la recherche, l'analyse et l'exécution. Le système supporte la transmission de messages entre agents, le stockage de mémoire et l'intégration avec des outils et APIs externes, permettant une décomposition complexe des tâches et une résolution collaborative de problèmes. Les développeurs peuvent personnaliser le comportement des agents, ajouter de nouvelles boîtes à outils et configurer les flux de travail via de simples fichiers de configuration. En exploitant un raisonnement distribué entre agents spécialisés, le cadre accélère la recherche automatisée, l’analyse de données, le support décisionnel et l’automatisation des tâches. Le dépôt comprend des implémentations d'exemple et des modèles, permettant une prototypage rapide d'assistants intelligents et de travailleurs numériques capables de gérer des flux de travail de bout en bout en environnement commercial, éducatif et de recherche.

Multi-Agent ColComp est un cadre extensible et open-source pour orchestrer une équipe d’agents IA dans des tâches complexes. Les développeurs peuvent définir des rôles d’agents distincts, configurer des canaux de communication et partager des données contextuelles via un stockage mémoire unifié. La bibliothèque inclut des composants plug-and-play pour négociation, coordination et consensus. Des configurations d’exemples illustrent la génération de texte collaborative, la planification distribuée et la simulation multi-agent. Son architecture modulaire facilite les extensions, permettant aux équipes de prototyper et d’évaluer rapidement des stratégies multi-agent en environnement de recherche ou de production.

NagaAgent est une bibliothèque Python open-source conçue pour simplifier la création, l'orchestration et la montée en charge d'agents IA. Elle fournit un système d'intégration d'outils plug-and-play, des objets de mémoire conversationnelle persistants et un contrôleur multi-agent asynchrone. Les développeurs peuvent enregistrer des outils personnalisés en tant que fonctions, gérer l'état des agents et orchestrer les interactions entre plusieurs agents. Le cadre inclut la journalisation, des hooks de gestion d'erreur et des préréglages de configuration pour des prototypes rapides. NagaAgent est idéal pour construire des workflows complexes — bots de support client, pipelines de traitement de données ou assistants de recherche — sans surcharge d'infrastructure.

Nefi.ai est une plateforme cloud pour concevoir, former et orchestrer des agents alimentés par IA sans coder. Elle offre une toile visuelle pour assembler des blocs comme des modules LLM, des recherches dans une base de données vectorielle, des appels API externes, une logique conditionnelle et des systèmes de mémoire. Les agents peuvent être entraînés sur des documents personnalisés ou liés à des données d’entreprise. Une fois construits, ils sont déployés en tant que chatbots, assistants par e-mail ou tâches planifiées. Les fonctionnalités avancées incluent des tableaux de bord de surveillance, le contrôle de version, l’accès basé sur les rôles et des intégrations avec Slack, Teams et Zapier.

Nexus Agents est un framework modulaire pour construire des systèmes multi-agents alimentés par l'IA avec de grands modèles de langage au cœur. Les développeurs peuvent définir des agents personnalisés, intégrer des outils externes et orchestrer des flux de travail via des configurations déclaratives YAML ou Python. Il supporte le routage dynamique des tâches, la gestion de la mémoire et la communication inter-agents, assurant une automatisation évolutive et fiable. Avec une journalisation intégrée, la gestion des erreurs et le support CLI, Nexus Agents simplifie la construction de pipelines complexes couvrant la récupération de données, l’analyse, la génération de contenu et les interactions client. Son architecture permet une extension facile avec des outils ou fournisseurs LLM personnalisés, permettant aux équipes d’automatiser des processus commerciaux, des tâches de recherche et des flux opérationnels de manière cohérente et maintenable.

Noema Declarative AI permet aux développeurs et chercheurs de spécifier des agents d'IA et leurs flux de travail de manière déclarative. En écrivant des fichiers de configuration YAML ou JSON, vous définissez des agents, des prompts, des outils et des modules de mémoire. Le runtime Noema analyse ces définitions, charge des modèles de langage, exécute chaque étape de votre pipeline, gère l’état et le contexte, et renvoie des résultats structurés. Cette approche réduit la répétition de code, améliore la reproductibilité et sépare la logique de l'exécution, ce qui le rend idéal pour le prototypage de chatbots, scripts d'automatisation et expériences de recherche.

Odyssey offre une architecture flexible pour la création de systèmes multi-agent collaboratifs. Il comprend des composants centraux tels que le Task Manager pour définir et répartir les sous-tâches, modules de mémoire pour stocker le contexte et l'historique des conversations, contrôleurs d'agents pour la coordination des agents alimentés par LLM, et gestionnaires d'outils pour l'intégration d'API externes ou de fonctions personnalisées. Les développeurs peuvent configurer des workflows via des fichiers YAML, sélectionner des noyaux LLM préconstruits (par ex. GPT-4, modèles locaux), et étendre le framework avec de nouveaux outils ou backends de mémoire. Odyssey journalise les interactions, supporte l'exécution asynchrone des tâches et permet des boucles de raffinage itératif, le rendant idéal pour la recherche, le prototypage et les applications multi-agent prêtes pour la production.