InfantAgent offre une structure légère pour concevoir et déployer des agents intelligents en Python. Il s'intègre avec des LLM populaires (OpenAI, Hugging Face), supporte des modules de mémoire persistants et permet des chaînes d'outils personnalisés. Dès la sortie de la boîte, vous disposez d'une interface conversationnelle, d'une orchestration de tâches et d'une prise de décision basée sur des politiques. L'architecture plugin du cadre permet une extension facile pour des outils et APIs spécifiques au domaine, idéale pour le prototypage d'agents de recherche, l'automatisation des flux de travail ou l'intégration d'assistants IA dans des applications.

LangChain est un cadre Python open-source conçu pour accélérer le développement d'applications alimentées par l'IA. Il offre des abstractions pour enchaîner plusieurs appels à des modèles linguistiques (chaînes), construire des agents qui interagissent avec des outils externes, et gérer la mémoire des conversations. Les développeurs peuvent définir des invites, des parseurs de sortie et exécuter des workflows de bout en bout. Les intégrations incluent des magasins vectoriels, des bases de données, des APIs et des plateformes d'hébergement pour permettre des chatbots prêts pour la production, l’analyse de documents, des assistants de code, et des pipelines AI personnalisés.

LeanAgent est un cadre basé sur Python conçu pour rationaliser la création d'agents IA autonomes. Il offre des modules de planification intégrés exploitant de grands modèles linguistiques pour la prise de décision, une couche d'intégration d'outils extensible pour appeler des API externes ou des scripts personnalisés, et un système de gestion de mémoire qui conserve le contexte entre les interactions. Les développeurs peuvent configurer des flux de travail d'agents, intégrer des outils personnalisés, itérer rapidement avec des utilitaires de débogage, et déployer des agents prêts pour la production dans divers domaines.

Le framework LLM Maze Agent fournit un environnement basé sur Python pour construire des agents intelligents capables de naviguer dans des labyrinthes en grille en utilisant de grands modèles linguistiques. En combinant des interfaces modulaires d’environnement avec des modèles de prompt en chaîne de pensée et une planification heuristique, l’agent interroge itérativement un LLM pour décider des directions de déplacement, s’adapter aux obstacles et mettre à jour sa représentation d’état interne. La prise en charge prête à l’emploi des modèles OpenAI et Hugging Face permet une intégration transparente, tandis que la génération de labyrinthes configurable et le débogage étape par étape facilitent l’expérimentation avec différentes stratégies. Les chercheurs peuvent ajuster les fonctions de récompense, définir des espaces de observations personnalisés et visualiser les trajectoires de l’agent pour analyser les processus de raisonnement. Ce design rend LLM Maze Agent un outil polyvalent pour évaluer la planification pilotée par LLM, enseigner des concepts d’IA et benchmarker la performance des modèles sur des tâches de raisonnement spatial.

LLM State Machine est un framework Python open-source conçu pour construire des agents IA utilisant des machines à états explicites. Les développeurs définissent des états comme des étapes discrètes—chacune invoquant un grand modèle linguistique ou une logique personnalisée—et des transitions basées sur des sorties. Cette approche offre clarté, maintenabilité et une gestion robuste des erreurs pour des workflows multi-étapes alimentés par LLM, tels que le traitement de documents, les bots conversationnels ou les pipelines d'automatisation.

MARO (Multi-Agent Resource Optimization) est un cadre basé sur Python conçu pour soutenir le développement et l'évaluation d'agents d'apprentissage par renforcement multi-agent dans des scénarios de chaîne d'approvisionnement, de logistique et de gestion des ressources. Il inclut des modèles pour la gestion des inventaires, la planification des camions, le cross-docking, la location de conteneurs, et plus encore. MARO offre une API d'agent unifiée, des trackers intégrés pour la journalisation des expériences, des capacités de simulation parallèle pour des entraînements à grande échelle et des outils de visualisation pour l'analyse de la performance. La plateforme est modulaire, extensible et s'intègre aux bibliothèques RL populaires, permettant une recherche reproductible et une prototypage rapide de solutions d'optimisation pilotées par l'IA.

Matcha Agent fournit une base flexible pour la création d'agents autonomes en Python. Les développeurs peuvent configurer des agents avec des ensembles d'outils personnalisés (APIs, scripts, bases de données), gérer la mémoire conversationnelle et orchestrer des flux de travail multi-étapes sur différents LLM (OpenAI, modèles locaux, etc.). Son architecture basée sur des plugins permet une extension, un débogage et une surveillance aisés du comportement de l'agent. Que ce soit pour automatiser des tâches de recherche, d'analyse de données ou de support client, Matcha Agent simplifie le développement et le déploiement complet des agents.

MGym est un cadre spécialisé pour créer et gérer des environnements d'apprentissage par renforcement multi-agent (MARL) en Python. Il permet aux utilisateurs de définir des scénarios complexes avec plusieurs agents, chacun disposant d'espaces d'observation et d'action personnalisables, de fonctions de récompense et de règles d'interaction. MGym supporte à la fois les modes d'exécution synchrones et asynchrones, fournissant des simulations d'agents parallèles et tournantes. Conçu avec une API semblable à Gym, MGym s'intègre parfaitement avec des bibliothèques RL populaires telles que Stable Baselines, RLlib et PyTorch. Il comprend des modules utilitaires pour le benchmarking des environnements, la visualisation des résultats et l'analyse des performances, facilitant une évaluation systématique des algorithmes MARL. Son architecture modulaire permet un prototypage rapide de tâches cooperatives, compétitives ou d'agents mixtes, permettant aux chercheurs et développeurs d'accélérer l'expérimentation et la recherche MARL.

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.

Nuzon-AI fournit un cadre d'agent basé sur Python qui permet de définir des tâches, de gérer la mémoire conversationnelle et d'étendre les capacités via des plugins. Il prend en charge l'intégration avec des grands LLM (OpenAI, modèles locaux), permettant aux agents d'effectuer des interactions web, de l'analyse de données et des flux de travail automatisés. L'architecture comprend un registre de compétences, un système d'invocation d'outils et une couche d'orchestration multi-agents, vous permettant de composer des agents pour le support client, l'assistance à la recherche et la productivité personnelle. Grâce à des fichiers de configuration, vous pouvez personnaliser le comportement de chaque agent, la politique de rétention de la mémoire et la journalisation pour le débogage ou la conformité.

Notte est un cadre Python axé sur les développeurs, conçu pour orchestrer des agents IA alimentés par de grands modèles linguistiques. Il fournit des modules de mémoire intégrés pour stocker et récupérer le contexte de conversation, une intégration flexible d'outils pour les API externes ou les fonctions personnalisées, et un moteur de planification qui séquence les tâches. Avec Notte, vous pouvez rapidement prototyper des assistants conversationnels, des bots d'analyse de données ou des flux de travail automatisés, tout en profitant de l'extensibilité open-source et du support multiplateforme.

PyGame Learning Environment (PLE) est un framework Python open-source conçu pour simplifier le développement, le test et le benchmarking des agents d'apprentissage par renforcement dans des scénarios de jeu personnalisés. Il fournit une collection de jeux légers basés sur Pygame avec un support intégré pour l'observation des agents, les espaces d'actions discrets et continus, la modulation des récompenses et le rendu de l'environnement. PLE dispose d'une API facile à utiliser compatible avec les wrappers OpenAI Gym, permettant une intégration transparente avec des bibliothèques RL populaires telles que Stable Baselines et TensorForce. Les chercheurs et les développeurs peuvent personnaliser les paramètres de jeu, implémenter de nouveaux jeux et exploiter des environnements vectoriels pour un entraînement accéléré. Avec une contribution communautaire active et une documentation extensive, PLE sert de plateforme polyvalente pour la recherche académique, l'éducation et le prototypage d'applications RL réelles.

RL Shooter est un cadre basé sur Python qui intègre ViZDoom avec les API OpenAI Gym pour créer un environnement flexible d'apprentissage par renforcement pour les jeux FPS. Les utilisateurs peuvent définir des scénarios, cartes et structures de récompense personnalisés pour entraîner les agents sur la navigation, la détection de cibles et les tâches de tir. Avec des cadres d'observation, des espaces d'action et des facilités de journalisation configurables, il supporte des bibliothèques populaires de RL profond comme Stable Baselines et RLlib, permettant un suivi clair des performances et la reproductibilité des expériences.

L'agent vocal AI Samantha est un framework d'assistant vocal entièrement modulaire, open source, construit en Python. Il exploite le modèle GPT-4 d'OpenAI pour la gestion contextuelle du dialogue, Whisper pour la transcription précise de la parole en texte, et ElevenLabs ou TTS de Microsoft pour une sortie de synthèse vocale réaliste. Avec la prise en charge intégrée de l'écoute continue, des hooks de compétences personnalisables, des intégrations API et des déclencheurs événementiels, Samantha permet aux développeurs de créer des flux de travail vocaux personnalisés, d'automatiser des tâches et de déployer sur des environnements de bureau ou serveur sans contraintes de licence importantes.

Simple-Agent est un cadre d'agent IA open-source écrit en Python qui exploite l'API OpenAI pour créer des agents conversationnels modulaires. Il permet aux développeurs de définir des fonctions d'outil que l'agent peut invoquer, de maintenir la mémoire contextuelle entre les interactions et de personnaliser le comportement de l'agent via des modules de compétences. Le cadre gère le routage des requêtes, la planification des actions et l'exécution des outils, afin que vous puissiez vous concentrer sur la logique spécifique au domaine. Avec une journalisation intégrée et une gestion des erreurs, Simple-Agent accélère le développement de chatbots, assistants automatisés et outils d’aide à la décision pilotés par IA. Il offre une intégration facile avec des API et des sources de données personnalisées, supporte les appels d'outils asynchrones et fournit une interface de configuration simple. Utilisez-le pour prototyper des agents IA pour le support client, l’analyse de données, l’automatisation et plus encore. Son architecture modulaire facilite l’ajout de nouvelles fonctionnalités sans modifier la logique de base. Soutenu par des contributions communautaires et une documentation, Simple-Agent est idéal pour les débutants et les développeurs expérimentés souhaitant déployer rapidement des agents intelligents.

SmolAgents Dynamic Tools étend le framework Python open-source SmolAgents pour permettre aux agents basés sur LLM de faire appel dynamiquement à des outils. Les agents peuvent appeler de façon transparente divers outils pré-construits — comme la recherche Web via SerpAPI, des calculatrices mathématiques, la récupération de date et d’heure, des opérations sur le système de fichiers et des gestionnaires de requêtes HTTP personnalisés — en fonction de l’intention de l’utilisateur et des chaînes de pensée. Les développeurs peuvent enregistrer des outils supplémentaires ou personnaliser ceux existants, permettant aux agents de gérer la récupération de données, la création de contenu, le calcul et l’intégration d’API externes dans une interface unifiée. En évaluant la disponibilité des outils en temps réel, SmolAgents Dynamic Tools optimise les workflows des agents, réduisant la logique codée en dur et améliore la modularité dans divers scénarios comme l’assistance à la recherche, la génération automatisée de rapports et l’extension de chatbots.

SonAgent est un cadre extensible open-source conçu pour construire, organiser et exécuter des agents IA en Python. Il fournit des modules principaux pour le stockage de mémoire, des wrappers d'outils, la logique de planification et la gestion d'événements asynchrones. Les développeurs peuvent enregistrer des outils personnalisés, intégrer des modèles linguistiques, gérer la mémoire à long terme des agents et orchestrer plusieurs agents pour collaborer sur des tâches complexes. La conception modulaire de SonAgent accélère le développement de bots conversationnels, d'automatisations de flux de travail et de systèmes d'agents distribués.

Duet GPT est un cadre open source en Python pour orchestrer des conversations multi-agents entre deux modèles GPT. Vous définissez des rôles d'agents distincts, personnalisés avec des prompts système, et le cadre gère automatiquement le tour de rôle, le passage des messages et l'historique de la conversation. Cette structure collaborative accélère la résolution de tâches complexes, permettant un raisonnement comparatif, des cycles de critique et un raffinement itératif par échanges alternés. Son intégration transparente avec l'API OpenAI, sa configuration simple et sa journalisation intégrée en font un outil idéal pour la recherche, le prototypage et les flux de travail en production dans l'aide à la programmation, le support à la décision et l'idéation créative. Les développeurs peuvent étendre les classes principales pour intégrer de nouveaux services LLM, ajuster la logique de l'itérateur et exporter les transcriptions au format JSON ou Markdown pour l'analyse ultérieure.

MACL est un cadre Python modulaire conçu pour simplifier la création et l'orchestration de multiples agents IA. Il vous permet de définir des agents individuels avec des compétences personnalisées, de configurer des canaux de communication et de planifier des tâches sur un réseau d'agents. Les agents peuvent échanger des messages, négocier des responsabilités et s'adapter dynamiquement en fonction des données partagées. Avec une prise en charge intégrée des LLM populaires et un système de plugins pour extensibilité, MACL permet des flux de travail IA évolutifs et faciles à maintenir dans des domaines tels que l'automatisation du service client, les pipelines d'analyse de données et les environnements de simulation.

Overeasy est un framework open-source basé sur Python pour orchestrer des agents IA alimentés par LLM dans diverses disciplines. Il fournit une architecture modulaire pour définir des agents, configurer des stockages de mémoire et intégrer des outils externes tels que APIs, bases de connaissances et bases de données. Les développeurs peuvent se connecter à OpenAI, Azure ou à des points de terminaison LLM auto-hébergés et concevoir des workflows dynamiques impliquant un ou plusieurs agents. Le moteur d'orchestration d'Overeasy gère la délégation des tâches, la prise de décisions et les stratégies de secours, permettant la création de travailleurs numériques robustes pour la recherche, le support client, l'analyse de données, la planification, etc. Une documentation complète et des projets d'exemple accélèrent le déploiement sur Linux, macOS et Windows.