CrewAI GUI Qt fournit un environnement visuel complet pour concevoir et exécuter des pipelines d'agents IA basés sur le cadre CrewAI. Les utilisateurs peuvent faire glisser et déposer des nœuds configurables représentant des sources de données, des modèles LLM, des étapes de traitement et des gestionnaires de sortie dans une toile, puis les lier pour définir des workflows séquentiels ou parallèles. Chaque nœud expose des paramètres personnalisables tels que la température, les limites de tokens et les points d'accès API, permettant un contrôle précis du comportement du modèle. Le moteur d'exécution en temps réel exécute le graphique, affiche les résultats intermédiaires dans des panneaux de console et met en évidence les erreurs pour le débogage. De plus, les projets peuvent être sauvegardés en JSON ou XML, importés pour la collaboration, et exportés en scripts autonomes. L'application supporte les extensions via plugins, la journalisation et la surveillance des performances, ce qui la rend idéale pour le prototypage, la recherche et le développement d'agents de niveau production.

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.

GenerativeAgentsCN est une adaptation open-source en chinois du cadre Stanford des agents génératifs, conçu pour simuler des personnages numériques réalistes. En combinant de grands modèles linguistiques avec un module de mémoire à long terme, des routines de réflexion et une logique de planification, il orchestre des agents qui perçoivent le contexte, rapellent des interactions passées et décident autonomement des prochaines actions. La boîte à outils fournit des notebooks Jupyter prêts à l’emploi, des composants Python modulaires et une documentation complète en chinois pour guider les utilisateurs dans la configuration des environnements, la définition des caractéristiques de l’agent et la personnalisation des paramètres de mémoire. Utilisez-la pour explorer le comportement de PNJ piloté par IA, prototyper des bots de service client ou réaliser des recherches académiques sur la cognition des agents. Avec des API flexibles, les développeurs peuvent étendre les algorithmes de mémoire, intégrer leurs propres LLM et visualiser les interactions des agents en temps réel.

js-agent fournit aux développeurs une boîte à outils minimaliste mais puissante pour créer des agents IA autonomes en JavaScript. Il offre des abstractions pour la mémoire de conversation, des outils d'appel de fonctions, des stratégies de planification personnalisables et la gestion des erreurs. Avec js-agent, vous pouvez rapidement connecter des invites, gérer l'état, invoquer des API externes et orchestrer des comportements complexes d'agents via une API simple et modulaire. Conçu pour fonctionner dans des environnements Node.js, il s'intègre parfaitement avec l'API OpenAI pour alimenter des agents intelligents et contextualisés.

Langroid fournit un cadre d'agents complet qui permet aux développeurs de créer des applications sophistiquées alimentées par l'IA avec un minimum de surcharge. Il présente une conception modulaire permettant des personas d'agents personnalisés, une mémoire stateful pour la conservation du contexte et une intégration transparente avec de grands modèles linguistiques (LLMs) tels que OpenAI, Hugging Face et des points de terminaison privés. Les boîtes à outils de Langroid permettent aux agents d'exécuter du code, de récupérer des données de bases de données, d'appeler des API externes et de traiter des entrées multimodales comme du texte, des images et de l'audio. Son moteur d'orchestration gère les workflows asynchrones et les invocations d'outils, tandis que le système de plugins facilite l'extension des capacités des agents. En abstraisant les interactions complexes avec les LLM et la gestion de la mémoire, Langroid accélère le développement de chatbots, d'assistants virtuels et de solutions d'automatisation des tâches pour divers besoins industriels.

Le système Linguistic Agent est un cadre Open-Source Python conçu pour construire des agents intelligents qui exploitent les modèles de langage pour planifier et exécuter des tâches. Il inclut des composants pour la gestion de la mémoire, le registre d'outils, le planificateur et l'exécuteur, permettant aux agents de maintenir le contexte, d'appeler des API externes, d'effectuer des recherches sur le web et d'automatiser les flux de travail. Configurable via YAML, il prend en charge plusieurs fournisseurs de LLM, permettant un prototypage rapide de chatbots, résumeurs de contenu, et assistants autonomes. Les développeurs peuvent étendre la fonctionnalité en créant des outils et des backends de mémoire personnalisés, déployant des agents localement ou sur des serveurs.

LLPhant est un framework Python open-source qui permet aux développeurs de créer des agents polyvalents pilotés par LLM. Il offre des abstractions intégrées pour l'intégration d'outils (API, recherche, bases de données), la gestion de mémoire pour des conversations multi-tours et des boucles de décision personnalisables. Avec le support de plusieurs backends LLM (OpenAI, Hugging Face, autres), des composants en style plugin et des workflows basés sur la configuration, LLPhant accélère le développement d'agents. Utilisez-le pour prototyper des chatbots, automatiser des tâches ou construire des assistants numériques tirant parti d'outils externes et de mémoire contextuelle sans code répétitif.

micro-agent fournit une abstraite minimaliste mais puissante pour créer des agents IA autonomes. Écrite en TypeScript, elle fonctionne parfaitement à la fois dans le navigateur et dans Node.js, permettant de définir des agents avec des modèles de prompt personnalisés, une logique de décision et une intégration d'outils extensible. Les agents peuvent exploiter le raisonnement par chaîne de pensée, interagir avec des API externes et maintenir une mémoire conversationnelle ou spécifique à une tâche. La bibliothèque inclut des utilitaires pour la gestion des réponses API, la gestion des erreurs et la persistance des sessions. Avec micro-agent, les développeurs peuvent prototyper et déployer des agents pour une gamme de tâches — automatisation de workflows, construction d'interfaces conversationnelles ou orchestration de pipelines de traitement de données — sans la surcharge de frameworks plus importants. Son design modulaire et son API claire permettent une extension facile et une intégration dans des applications existantes.

Multi Agent Simulation offre une API flexible pour définir des classes d'agents avec des capteurs, actionneurs et logiques de décision personnalisés. Les utilisateurs configurent des environnements avec des obstacles, des ressources et des protocoles de communication, puis exécutent des boucles de simulation en étapes ou en temps réel. La journalisation intégrée, la planification d'événements et l'intégration avec Matplotlib aident à suivre les états des agents et à visualiser les résultats. La conception modulaire permet une extension facile avec de nouveaux comportements, environnements et optimisations de performance, ce qui en fait une solution idéale pour la recherche académique, l'éducation et le prototypage de scénarios multi-agents.

SeeAct est conçu pour donner aux agents vision-langage une pipeline en deux étapes : un module de planification alimenté par de grands modèles de langage génère des sous-objectifs basés sur des scènes observées, et un module d'exécution traduit ces sous-objectifs en actions spécifiques à l'environnement. Un backbone de perception extrait des caractéristiques d'objets et de scènes à partir d'images ou de simulations. L'architecture modulaire permet de remplacer facilement les planificateurs ou réseaux de perception et supporte l'évaluation sur AI2-THOR, Habitat et d'autres environnements personnalisés. SeeAct accélère la recherche sur l'IA incarnée interactive en fournissant une décomposition, une mise en contexte et une exécution de tâches de bout en bout.

AutoAct est conçu pour simplifier le développement d'agents intelligents en combinant le raisonnement basé sur LLM avec une planification structurée et une intégration modulaire d'outils. Il offre un composant Planificateur pour générer des séquences d'actions, un ToolKit pour définir et invoquer des API externes, et un module Mémoire pour maintenir le contexte. Avec la journalisation, la gestion des erreurs et des politiques configurables, AutoAct supporte une automatisation robuste de bout en bout pour des tâches telles que l'analyse de données, la génération de contenu et les assistants interactifs. Les développeurs peuvent personnaliser les flux de travail, étendre les outils et déployer des agents sur site ou dans le cloud.

DreamGPT est une plateforme open-source polyvalente conçue pour simplifier le développement, la configuration et le déploiement d'agents IA alimentés par des modèles GPT. Elle fournit un SDK Python intuitif et une interface en ligne de commande pour créer de nouveaux agents, gérer l'historique des conversations avec des backends mémoire modulables, et intégrer des outils externes via un système de plugins standardisé. Les développeurs peuvent définir des flux de prompts personnalisés, se connecter à des API ou des bases de données pour une génération enrichie, et surveiller la performance des agents via une journalisation et une télémétrie intégrées. L'architecture modulaire supporte la montée en charge horizontale dans des environnements cloud et assure une gestion sécurisée des données utilisateur. Avec des modèles préconçus pour assistants, chatbots et travailleurs numériques, les équipes peuvent rapidement prototyper des agents IA spécialisés pour le service client, l'analyse de données, l'automatisation, et plus encore.

Hyperbolic Time Chamber fournit un environnement flexible pour construire des agents IA en proposant des composants pour la gestion de la mémoire, l'orchestration de la fenêtre contextuelle, la chaînée de prompts, l'intégration d'outils et le contrôle d'exécution. Les développeurs définissent le comportement des agents via des blocs modulaires, configurent des mémoires personnalisées (courte et longue durée) et connectent des API externes ou des outils locaux. Le framework inclut le support asynchrone, la journalisation et des utilitaires de débogage, permettant une itération rapide et un déploiement d'agents conversationnels ou axés sur les tâches sophistiqués dans des projets Python.

Les systèmes multi-agent sont conçus pour simplifier la création, la configuration et l'exécution d'architectures décentralisées basées sur les agents. Les développeurs peuvent définir les comportements des agents, les ontologies de communication et les descriptions de services dans des classes Java. Le framework gère la mise en place des conteneurs, le transport des messages et la gestion du cycle de vie des agents. Basé sur des protocoles FIPA standards, il supporte la négociation peer-to-peer, la planification collaborative et l'extension modulaire. Les utilisateurs peuvent exécuter, surveiller et déboguer des scénarios multi-agents sur une seule machine ou sur des hôtes connectés, ce qui en fait une solution idéale pour la recherche, l'éducation et les déploiements à petite échelle.

Promptix Python est un framework open-source pour construire des agents IA autonomes en Python. Avec une installation simple via pip, vous pouvez instancier des agents alimentés par n'importe quel LLM majeur, enregistrer des outils spécifiques au domaine, configurer des stockages de données en mémoire ou persistants, et orchestrer des boucles de décision à plusieurs étapes. Le SDK supporte le streaming en temps réel de sorties token, des gestionnaires de rappels pour la journalisation ou le traitement personnalisé, ainsi que des modules de mémoire intégrés pour conserver le contexte au-delà des interactions. Les développeurs peuvent exploiter cette bibliothèque pour prototyper des assistants chatbot, des automatisations, des pipelines de données ou des agents de recherche en quelques minutes. Son design modulaire permet d'échanger des modèles, d'ajouter des outils personnalisés et d'étendre les backends mémoire, offrant une flexibilité pour diverses applications d'agents IA.

Agent Script fournit une couche de script déclarative sur de grands modèles linguistiques, vous permettant d'écrire des scripts YAML ou JSON qui définissent les flux de travail de l'agent, les appels d'outils et l'utilisation de mémoire. Vous pouvez connecter OpenAI, des LLM locaux ou d'autres fournisseurs, connecter des API externes en tant qu'outils, et configurer des backend de mémoire à long terme. Le framework gère la gestion du contexte, l'exécution asynchrone et la journalisation détaillée en standard. Avec un code minimal, vous pouvez prototyper des chatbots, des flux RPA, des agents d'extraction de données ou des boucles de contrôle personnalisées, facilitant la création, le test et le déploiement d'automatisations alimentées par l'IA.

Agentle fournit un cadre structuré pour que les développeurs construisent des agents d'IA personnalisés avec un minimum de code boilerplate. Il supporte la définition de workflows d'agents sous forme de séquences de tâches, l'intégration transparente avec des API et outils externes, la gestion de la mémoire conversationnelle pour la conservation du contexte, et une journalisation intégrée pour l'auditabilité. La bibliothèque propose également des hooks pour étendre la fonctionnalité, la coordination de plusieurs agents pour des pipelines complexes et une interface unifiée pour exécuter les agents localement ou les déployer via des API HTTP.

Agents-Deep-Research est conçu pour rationaliser le développement et le test d'agents IA autonomes en offrant une base de code modulaire et extensible. Il dispose d'un moteur de planification des tâches qui décompose les objectifs définis par l'utilisateur en sous-tâches, d'un module de mémoire à long terme qui stocke et récupère le contexte, et d'une couche d'intégration d'outils permettant aux agents d'interagir avec des API externes et des environnements simulés. Le cadre fournit également des scripts d'évaluation et des outils de benchmarking pour mesurer la performance des agents dans divers scénarios. Basé sur Python et adaptable à différents backend LLM, il permet aux chercheurs et développeurs de prototyper rapidement de nouvelles architectures d'agents, de réaliser des expériences reproductibles et de comparer différentes stratégies de planification dans des conditions contrôlées.

ANAC-agents est un framework basé sur Python qui centralise plusieurs implémentations d'agents de négociation pour la Compétition d'Agents de Négociation Automatisée (ANAC). Chaque agent dans le dépôt incarne différentes stratégies pour la modélisation de l'utilité, la génération de propositions, les tactiques de concession et les critères d'acceptation, facilitant les études comparatives et les prototypes rapides. Les utilisateurs peuvent définir des domaines de négociation avec des enjeux et profils de préférences personnalisés, puis simuler des négociations bilatérales ou des compétitions en tournoi entre agents. La boîte à outils comprend des scripts de configuration, des métriques d’évaluation, et des utilitaires de journalisation pour analyser la dynamique de négociation. Les chercheurs et développeurs peuvent étendre les agents existants, tester de nouveaux algorithmes ou intégrer des modules d'apprentissage externe, accélérant l'innovation dans le commerce automatisé et la prise de décision stratégique sous information incomplète.