Intelligence permet aux développeurs de assembler des agents IA en composant des composants qui gèrent une mémoire avec état, intègrent des modèles linguistiques tels qu'OpenAI GPT, et se connectent à des outils externes (API, bases de données, bases de connaissances). Il dispose d'un système de plugins pour des fonctionnalités personnalisées, de modules d'observabilité pour tracer les décisions et métriques, et d'outils d'orchestration pour coordonner plusieurs agents. Les développeurs l'installent via pip, définissent des agents en Python avec des classes simples, et configurent des backends de mémoire (en mémoire, Redis ou stock de vecteurs). Son serveur API REST facilite le déploiement, tandis que les outils CLI aident au débogage. Intelligence rationalise les tests, la gestion des versions et la montée en charge des agents, le rendant adapté pour les chatbots, le support client, la récupération de données, le traitement de documents et les workflows automatisés.

Pits and Orbs est un environnement open-source pour l’apprentissage par renforcement, implémenté en Python, offrant un monde de grille multi-agents au tour par tour où les agents poursuivent des objectifs et font face à des dangers environnementaux. Chaque agent doit naviguer sur une grille configurable, éviter des pièges placés aléatoirement qui pénalisent ou terminent les épisodes, et collecter des sphères pour des récompenses positives. L’environnement prend en charge des modes compétitifs et coopératifs, permettant aux chercheurs d’explorer divers scénarios d’apprentissage. Son API simple s’intègre parfaitement avec des bibliothèques RL populaires comme Stable Baselines ou RLlib. Les principales caractéristiques incluent des dimensions de grille ajustables, des distributions dynamiques de pièges et de sphères, des structures de récompense configurables, et un journalisation optionnelle pour l’analyse de l’entraînement.

DataAgent exploite des agents IA avancés basés sur des LLM pour explorer des ensembles de données, générer des insights et assembler automatiquement des pipelines de machine learning. Les utilisateurs dirigent DataAgent vers un CSV, une table SQL ou un DataFrame Pandas et posent des questions en langage naturel. L'agent interprète les requêtes, exécute le code d'analyse, visualise les résultats et écrit même des scripts Python modulaires pour les tâches ETL et de modélisation. Il rationalise tout le flux de travail en science des données en réduisant le code boilerplate et en accélérant l'expérimentation.

L'exemple d'agents LLM offre une base de code pratique pour construire des agents IA en Python. Il démontre l'enregistrement d'outils personnalisés (recherche web, solveur mathématique via WolframAlpha, analyseur CSV, REPL Python), la création d'agents de chat et basés sur la récupération, ainsi que la connexion à des magasins vectoriels pour la réponse aux questions de documents. Le dépôt illustre des modèles pour maintenir la mémoire conversationnelle, dispatcher dynamiquement les appels aux outils et enchaîner plusieurs invites LLM pour résoudre des tâches complexes. Les utilisateurs apprennent à intégrer des API tierces, structurer les flux de travail des agents et étendre le cadre avec de nouvelles fonctionnalités — un guide pratique pour l'expérimentation et le prototypage par les développeurs.

Morph aide les utilisateurs à construire rapidement des applications AI qui peuvent être déployées en toute sécurité avec facilité. La plateforme prend en charge les connexions à des sources de données telles que BigQuery et Snowflake, et permet le traitement des données à l'aide des API OpenAI et des modèles ML en Python. Avec Morph, vous pouvez créer des écrans interactifs en Markdown et les partager via des URL. De plus, le cadre est équipé par défaut de contrôle d'accès basé sur les rôles et de fonctionnalités de sécurité avancées pour garantir la protection de vos données.

Agents with ADK est un cadre Python open-source conçu pour simplifier la création d'agents intelligents alimentés par de grands modèles de langage. Il comprend des modèles d'agents modulaires, une gestion mémoire intégrée, des interfaces d'exécution d'outils et des capacités de coordination multi-agent. Les développeurs peuvent rapidement intégrer des fonctions personnalisées ou des API externes, configurer des chaînes de planification et de raisonnement, et surveiller les interactions des agents. Le cadre prend en charge l'intégration avec des fournisseurs LLM populaires et offre des fonctionnalités de journalisation, de logique de nouvelle tentative et d'extensibilité pour le déploiement en production.

BotPlayers est un framework polyvalent open-source conçu pour simplifier le développement et le déploiement d'agents de jeu pilotés par IA. Il comprend une couche d'abstraction d'environnement flexible supportant le screen scraping, les API web ou des interfaces de simulation personnalisées, permettant aux bots d'interagir avec divers jeux. Le framework inclut des algorithmes d'apprentissage par renforcement intégrés, des algorithmes génétiques et des heuristiques basées sur des règles, ainsi que des outils pour la journalisation des données, le pointage des modèles et la visualisation des performances. Son système de plugins modulaire permet aux développeurs de personnaliser capteurs, actions et politiques IA en Python ou Java. BotPlayers propose également une configuration YAML pour un prototypage rapide et des pipelines automatisés pour l'entraînement et l'évaluation. Supportant plusieurs plates-formes comme Windows, Linux et macOS, ce framework accélère la recherche et la production d'agents de jeu intelligents.

Minimalist Agent fournit un cadre minimaliste pour construire des agents AI en Python. Il exploite les classes d'agents de LangChain et l'API d'OpenAI pour effectuer un raisonnement à plusieurs étapes, sélectionner dynamiquement des outils et exécuter des fonctions. Vous pouvez cloner le dépôt, configurer votre clé API OpenAI, définir des outils ou points de terminaison personnalisés, et exécuter le script CLI pour interagir avec l'agent. La conception met l'accent sur la clarté et l'extensibilité, rendant facile l'étude, la modification et l'extension des comportements principaux de l'agent pour l'expérimentation ou l'enseignement.