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.

Le dépôt fournit un tutoriel étape par étape et une implémentation de référence pour créer un agent AI basé sur ReAct utilisant DeepSeek pour la récupération vectorielle en haute dimension. Il couvre la configuration de l'environnement, l'installation des dépendances, et la configuration des magasins de vecteurs pour des données personnalisées. L'agent utilise le motif ReAct pour combiner les traces de raisonnement avec des recherches de connaissances externes, résultant en des réponses transparentes et explicables. Les utilisateurs peuvent étendre le système en intégrant des chargeurs de documents supplémentaires, en ajustant les modèles de prompts, ou en échangeant les bases de données vectorielles. Ce cadre flexible permet aux développeurs et chercheurs de prototyper rapidement des agents conversationnels puissants, capables de raisonner, de récupérer et d'interagir sans effort avec diverses sources de connaissances en quelques lignes de code Python.

Reddit AI Agent est un outil en ligne de commande écrit en Python, qui s’intègre à l’API Reddit via PRAW et aux modèles GPT-3.5/4 d’OpenAI pour automatiser divers workflows de contenu sur Reddit. Il peut récupérer des posts, commentaires ou fils tendance de sous-reddits spécifiés, puis injecter le texte dans GPT pour générer des résumés de haut niveau, des analyses de sentiment ou des réponses proposées par les modérateurs. Les utilisateurs configurent l’agent en définissant des variables d’environnement pour les identifiants Reddit et la clé API OpenAI, puis personnalisent les modèles de invites et sélectionnent des tâches via une configuration JSON simple. Lors de l’exécution, le script produit des fichiers de sortie structurés ou des logs dans la console, qui peuvent être révisés, déployés sous forme de posts/commentaires via PRAW ou intégrés à des pipelines de modération et de recherche plus importants.

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.

DataCamp est une plateforme d'apprentissage en ligne spécialisée dans l'enseignement de la science des données, de l'IA et de divers langages de programmation tels que Python et SQL. Avec plus de 490 cours, les utilisateurs peuvent apprendre auprès d'experts de l'industrie grâce à des tutoriels vidéo, des exercices de codage et des projets du monde réel. DataCamp propose également des certifications pour valider vos compétences et vous préparer au marché de l'emploi.

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.

PyBrain, abréviation de Python-Based Reinforcement Learning, Artificial Intelligence, and Neural Networks Library, est une bibliothèque modulaire et open-source conçue pour les tâches d'apprentissage automatique. Elle prend en charge la construction de réseaux neuronaux, l'apprentissage par renforcement et d'autres algorithmes d'IA. Grâce à ses algorithmes puissants et faciles à utiliser, PyBrain offre un outil précieux tant pour les développeurs que pour les chercheurs cherchant à résoudre divers problèmes d'apprentissage automatique. La bibliothèque s'intègre de manière fluide avec d'autres bibliothèques Python et convient à des tâches allant de l'apprentissage supervisé simple à des scénarios complexes d'apprentissage par renforcement.

Python Coding Agent est un outil en ligne de commande open-source qui utilise des modèles GPT pour générer du code Python à partir de textes, exécuter ce code localement, et détecter les erreurs d'exécution. Il fournit des retours instantanés permettant aux utilisateurs d'affiner le code de façon itérative, d'automatiser des tâches de scripting répétitives, de prototyper des pipelines d'analyse de données, et de déboguer des fonctions. En combinant la compréhension du langage naturel avec l'exécution en temps réel, il comble le fossé entre idée et implémentation, accélérant le développement et l'apprentissage.

Le dépôt Berkeley Pacman Projects offre une base de code Python modulaire où les utilisateurs construisent et testent des agents IA dans un labyrinthe Pacman. Il guide les apprenants à travers la recherche non informée et informée (DFS, BFS, A*), la recherche multi-agents adversariale (minimax, élagage alpha-bêta), et l'apprentissage par renforcement (Q-learning avec extraction de caractéristiques). Des interfaces graphiques intégrées visualisent le comportement des agents en temps réel, tandis que des cas de test intégrés et un autograder vérifient la correction. En itérant sur les implémentations d'algorithmes, les utilisateurs acquièrent une expérience pratique en exploration de l'espace d'états, conception d'heuristiques, raisonnement adversarial, et apprentissage basé sur les récompenses au sein d'un cadre de jeu unifié.

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.