AutoGen Hands-On fournit un environnement structuré pour apprendre l'utilisation du framework AutoGen à travers des exemples Python pratiques. Il guide les utilisateurs pour cloner le dépôt, installer les dépendances et configurer les clés API pour déployer des configurations multi-agents. Chaque script illustre des fonctionnalités clés telles que la définition des rôles des agents, la mémoire de session, le routage des messages et les modèles d'orchestration des tâches. Le code inclut la journalisation, la gestion des erreurs et des hooks extensibles permettant de personnaliser le comportement des agents et leur intégration avec des services externes. Les utilisateurs acquièrent une expérience pratique dans la création de flux de travail collaboratifs où plusieurs agents interagissent pour réaliser des tâches complexes, des chatbots de support client aux pipelines de traitement de données automatisés. Le tutoriel favorise les meilleures pratiques de coordination multi-agents et de développement d'IA évolutive.

CAMEL-AI est un framework basé sur Python permettant aux développeurs et chercheurs de construire, configurer et exécuter plusieurs agents IA autonomes alimentés par des LLMs. Il offre un support intégré pour la génération augmentée par récupération (RAG), l’utilisation d’outils externes, la communication entre agents, la gestion de la mémoire et de l’état, et la planification. Avec des composants modulaires et une intégration facile, les équipes peuvent prototyper des systèmes multi-agent complexes, automatiser des workflows et faire évoluer des expériences sur différents backends LLM.

CrewAI-Learning est une bibliothèque open-source conçue pour simplifier les projets d'apprentissage par renforcement multi-agent. Elle offre des structures d'environnements, des définitions modulaires d'agents, des fonctions de récompense personnalisables, et une suite d'algorithmes intégrés comme DQN, PPO, et A3C adaptés aux tâches collaboratives. Les utilisateurs peuvent définir des scénarios, gérer les boucles de formation, enregistrer les métriques et visualiser les résultats. Le framework supporte la configuration dynamique des équipes d'agents et les stratégies de partage de récompense, rendant facile le prototypage, l'évaluation et l'optimisation de solutions IA coopératives dans divers domaines.

kilobees est une plateforme d'orchestration multi-agent complète construite en Python, qui simplifie le développement de flux de travail IA complexes. Les développeurs peuvent définir des agents individuels avec des rôles spécialisés, tels que l'extraction de données, le traitement du langage naturel, l'intégration d'API ou la logique de décision. kilobees gère automatiquement la messagerie inter-agent, les files d’attente de tâches, la récupération d’erreur et l’équilibrage de charge à travers des threads d'exécution ou des nœuds distribués. Son architecture plugin supporte des modèles de prompts personnalisés, des tableaux de bord de surveillance de la performance et des intégrations avec des services externes tels que bases de données, API web ou fonctions cloud. En abstraisant les défis communs de la coordination multi-agent, kilobees accélère le prototypage, les tests et le déploiement de systèmes IA sophistiqués nécessitant interactions collaboratives, exécution parallèle et extensibilité modulaire.

LangGraph Learn combine une interface de programmation visuelle avec un SDK Python sous-jacent pour aider les utilisateurs à construire des flux de travail complexes d'agents IA sous forme de graphes dirigés. Chaque nœud représente une composante fonctionnelle comme des modèles d'invite, des appels de modèles, une logique conditionnelle ou un traitement de données. Les utilisateurs peuvent connecter des nœuds pour définir l'ordre d'exécution, configurer les propriétés des nœuds via l'interface graphique, et exécuter le pipeline étape par étape ou en entier. Des panneaux de journalisation et de débogage en temps réel affichent les sorties intermédiaires, tandis que des modèles intégrés accélèrent des schémas courants tels que la question-réponse, la synthèse, ou la récupération de connaissances. Les graphes peuvent être exportés en tant que scripts Python autonomes pour déploiement en production. LangGraph Learn est idéal pour l'éducation, le prototypage rapide et le développement collaboratif d'agents IA sans code avancé.

En pratique, LlamaSim vous permet de définir plusieurs agents alimentés par l’IA utilisant le modèle Llama, de configurer des scénarios d’interaction et de lancer des simulations contrôlées. Vous pouvez personnaliser la personnalité des agents, la logique de décision et les canaux de communication à l’aide d’APIs Python simples. Le cadre gère automatiquement la construction des prompts, l’analyse des réponses et le suivi de l’état de la conversation. Il enregistre toutes les interactions et fournit des métriques d’évaluation intégrées telles que la cohérence des réponses, le taux de réalisation des tâches et la latence. Avec son architecture plugin, vous pouvez intégrer des sources de données externes, ajouter des fonctions d’évaluation personnalisées ou étendre les capacités des agents. La légèreté du noyau de LlamaSim le rend adapté au développement local, aux pipelines CI ou aux déploiements dans le cloud, permettant une recherche reproductible et une validation rapide de prototypes.

MAGI (Modular AI Generative Intelligence) est un cadre open-source conçu pour simplifier la création et la gestion d'agents IA. Il offre une architecture de plugins pour l'intégration d'outils personnalisés, des modules de mémoire persistante, la planification par chaînes de pensée, et l'orchestration en temps réel de flux de travail en plusieurs étapes. Les développeurs peuvent enregistrer des APIs externes ou des scripts locaux en tant qu'outils d'agent, configurer des backends de mémoire, et définir des politiques de tâches. La conception extensible de MAGI supporte à la fois les tâches synchrones et asynchrones, ce qui le rend idéal pour les chatbots, les pipelines d'automatisation, et les prototypes de recherche.

MIU CS589 AI Agent API offre une interface standardisée pour fabriquer des agents d'IA personnalisés. Les développeurs peuvent définir des comportements d'agents, intégrer des outils ou services externes, et gérer des réponses en streaming ou par lot via des endpoints HTTP. Le framework prend en charge l'authentification, le routage des requêtes, la gestion des erreurs et la journalisation. Il est entièrement extensible — les utilisateurs peuvent enregistrer de nouveaux outils, ajuster la mémoire de l'agent et configurer les paramètres LLM. Convient pour l'expérimentation, les démos et les prototypes de production, il simplifie l'orchestration multi-outils et accélère le développement d'agents IA sans verrouiller sur une plateforme monolithique.

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-Dynamic-Interaction offre un environnement flexible pour concevoir, configurer et exécuter des systèmes composés de multiples agents IA autonomes. Chaque agent peut se voir attribuer des rôles, objectifs et protocoles de communication spécifiques. Le framework gère le passage des messages, le contexte de conversation ainsi que les interactions séquentielles ou parallèles. Il supporte l’intégration avec OpenAI GPT, d’autres API LLM et des modules personnalisés. Les utilisateurs définissent des scénarios via YAML ou scripts Python, en spécifiant les détails des agents, les étapes du flux de travail et les critères d’arrêt. Le système enregistre toutes les interactions pour le débogage et l’analyse, permettant un contrôle précis du comportement des agents pour des expériences en collaboration, négociation, prise de décision et résolution de problèmes complexes.

OpenAgent offre un cadre complet pour développer des agents IA autonomes capables de comprendre des tâches, planifier des actions multi-étapes et interagir avec des services externes. En intégrant des LLM comme OpenAI et Anthropic, il permet un raisonnement en langage naturel et une prise de décision. La plateforme dispose d’un système d’outils plugin pour exécuter des requêtes HTTP, opérations sur fichiers et fonctions Python personnalisées. Les modules de gestion mémoire permettent aux agents de stocker et récupérer des informations contextuelles entre sessions. Les développeurs peuvent étendre la fonctionnalité via des plugins, configurer le streaming en temps réel des réponses et utiliser des outils de journalisation et d’évaluation intégrés pour surveiller les performances de l’agent. OpenAgent simplifie l’orchestration de workflows complexes, accélère le prototypage d’assistants intelligents, et garantit une architecture modulaire pour des applications IA évolutives.

MADDPG évolutif est un cadre orienté recherche pour l'apprentissage par renforcement multi-agent, offrant une implémentation évolutive de l'algorithme MADDPG. Il comprend des critiques centralisés lors de l'entraînement et des acteurs indépendants à l'exécution pour la stabilité et l'efficacité. La bibliothèque comprend des scripts Python pour définir des environnements personnalisés, configurer des architectures réseau et ajuster des hyperparamètres. Les utilisateurs peuvent entraîner plusieurs agents en parallèle, surveiller les métriques et visualiser les courbes d'apprentissage. Il s'intègre à des environnements similaires à OpenAI Gym et supporte l'accélération GPU via TensorFlow. Grâce à ses composants modulaires, MADDPG évolutif permet une expérimentation flexible sur des tâches multi-agents coopératives, compétitives ou mixtes, facilitant la prototypage rapide et le benchmarking.

Shepherding est un cadre de simulation open-source conçu pour les chercheurs et développeurs en apprentissage par renforcement afin d'étudier et d'implémenter des tâches de bergerie multi-agents. Il fournit un environnement compatible Gym où les agents peuvent apprendre à effectuer des comportements tels que faire le tour, collecter et disperser des groupes cibles dans des espaces continus ou discrets. Le cadre comprend des fonctions modulaires pour le façonnage de récompenses, la paramétrisation de l'environnement et des utilitaires de journalisation pour surveiller les performances d'entraînement. Les utilisateurs peuvent définir des obstacles, des populations d'agents dynamiques et des politiques personnalisées en utilisant TensorFlow ou PyTorch. Les scripts de visualisation génèrent des tracés de trajectoires et des enregistrements vidéo des interactions des agents. La conception modulaire de Shepherding permet une intégration transparente avec les bibliothèques RL existantes, facilitant la reproductibilité des expériences, le benchmarking de stratégies de coordination innovantes et le prototypage rapide de solutions de bergerie basées sur l'IA.

Strands Agents propose une architecture modulaire pour créer des agents intelligents combinant raisonnement en langage naturel, mémoire à long terme et appels API/outils externes. Il permet aux développeurs de configurer le planificateur, l'exécuteur et les composants de mémoire, d'intégrer n'importe quel LLM (par exemple, OpenAI, Hugging Face), de définir des schémas d'action personnalisés et de gérer l'état entre les tâches. Avec une journalisation intégrée, la gestion des erreurs et un registre d'outils extensible, il accélère le prototypage et le déploiement d'agents capables de faire de la recherche, analyser des données, contrôler des appareils ou servir d'assistants numériques. En abstraisant les modèles courants d'agents, il réduit la quantité de code répétitif et encourage les meilleures pratiques pour une automatisation fiable et maintenable par IA.

Le SDK JavaScript Azure AI Agents est un cadre client et un référentiel de code d'exemples permettant aux développeurs de créer, personnaliser et orchestrer des agents IA à l'aide d'Azure OpenAI et d'autres services cognitifs. Il offre un support pour le chat multi-tours, la génération augmentée par récupération, l'appel de fonctions et l'intégration avec des outils et API externes. Les développeurs peuvent gérer les flux de travail des agents, gérer la mémoire et étendre les capacités via des plugins. Les modèles d'exemples incluent des bots de FAQ de base de connaissances, des exécuteurs de tâches autonomes et des assistants conversationnels, facilitant la prototypage et le déploiement de solutions intelligentes.

ChainLite rationalise la création d’agents IA en abstraisant la complexité de l’orchestration LLM en modules de chaînes réutilisables. À l’aide de décorateurs Python simples et de fichiers de configuration, les développeurs définissent les comportements des agents, les interfaces d’outils et les structures de mémoire. Le framework s’intègre aux fournisseurs LLM populaires (OpenAI, Cohere, Hugging Face) et aux sources de données externes (API, bases de données), permettant aux agents de récupérer des informations en temps réel. Avec une interface utilisateur basée sur le navigateur intégrée, alimentée par Streamlit, les utilisateurs peuvent inspecter l’historique des conversations au niveau des jetons, déboguer les invites et visualiser les graphes d’exécution de la chaîne. ChainLite prend en charge plusieurs cibles de déploiement, du développement local à la production en conteneurs, permettant une collaboration fluide entre data scientists, ingénieurs et équipes produit.

Evolving Agents fournit un cadre basé sur la programmation génétique pour construire et faire évoluer des agents d'IA modulaires. Les utilisateurs assemblent des architectures d'agents à partir de composants interchangeables, configurent des simulations d'environnement et des métriques de fitness, puis exécutent des cycles évolutifs pour générer automatiquement des comportements d'agents améliorés. La bibliothèque inclut des outils pour la mutation, le croisement, la gestion de population et le suivi de l'évolution, permettant aux chercheurs et développeurs de prototyper, tester et affiner des agents autonomes dans divers environnements simulés.

GoLC fournit aux développeurs une boîte à outils complète pour construire des chaînes de modèles linguistiques et des agents en Go. Elle comprend la gestion de chaînes, des modèles de requêtes personnalisables et une intégration transparente avec les principaux fournisseurs LLM. Grâce aux chargeurs de documents et aux magasins vectoriels, GoLC permet la récupération par embeddings, alimentant les flux de travaux RAG. Le cadre supporte des modules de mémoire à état pour le contexte conversationnel et une architecture légère d'agents pour orchestrer un raisonnement en plusieurs étapes et des invocations d'outils. Son design modulaire permet d'ajouter des outils, sources de données et gestionnaires de sortie personnalisés. Avec des performances natives Go et un minimum de dépendances, GoLC facilite le développement de pipelines IA, idéal pour créer des chatbots, assistants de connaissances, agents de raisonnement automatisé et services IA backend de classe production en Go.

llm-ReAct implémente l'architecture ReAct (Reasoning and Acting) pour les grands modèles de langage, permettant une intégration transparente du raisonnement par chaînes de pensées avec l'exécution d'outils externes et le stockage mémoire. Les développeurs peuvent configurer une boîte à outils d'outils personnalisés — tels que la recherche web, les requêtes en base de données, les opérations sur fichiers et les calculatrices — et instruire l'agent à planifier des tâches multi-étapes en invoquant les outils selon le besoin pour récupérer ou traiter des informations. Le module mémoire intégré conserve l'état de la conversation et les actions passées, favorisant un comportement d'agent plus sensible au contexte. Avec un code Python modulaire et une prise en charge des API OpenAI, llm-ReAct simplifie l'expérimentation et le déploiement d'agents intelligents capables de résoudre adaptativement des problèmes, d'automatiser des flux de travail et de fournir des réponses riches en contexte.

Simple Playgrounds fournit une plateforme modulaire pour construire des environnements interactifs en grille 2D où des agents peuvent naviguer dans des labyrinthes, interagir avec des objets et accomplir des tâches. Les utilisateurs définissent la disposition de l'environnement, le comportement des objets et les fonctions de récompense via des scripts YAML ou Python simples. Le moteur de rendu Pygame intégré fournit une visualisation en temps réel, tandis qu'une API basée sur des pas garantit une intégration fluide avec des bibliothèques de RL comme Stable Baselines3. Avec le support pour des configurations multi-agent, la détection de collisions et des paramètres physiques personnalisables, Simple Playgrounds facilite les prototypes, le benchmarking et les démonstrations éducatives d'algorithmes IA.