AiChat offre une boîte à outils polyvalente pour créer des agents de chat intelligents en fournissant une gestion des prompts basée sur le rôle, la gestion de la mémoire et des capacités de réponse en streaming. Les utilisateurs peuvent définir plusieurs rôles conversationnels, tels que système, assistant et utilisateur, pour façonner le contexte du dialogue et le comportement. Le cadre supporte l'intégration de plugins pour des API externes, la récupération de données ou la logique personnalisée, permettant une extension fluide des fonctionnalités. La conception modulaire d'AiChat permet de changer facilement les modèles linguistiques et de configurer des boucles de rétroaction pour affiner les réponses. Les fonctionnalités de mémoire intégrée assurent la persistance du contexte entre les sessions, tandis que le support API en streaming offre une faible latence dans les interactions. Les développeurs bénéficient d'une documentation claire et de projets d'exemples pour accélérer le déploiement de chatbots sur des environnements web, desktop ou serveur.

AIFoundry-AgentService-Streamlit est une application démo open source construite avec Streamlit, permettant aux utilisateurs de lancer rapidement des agents IA via l'API AgentService d'AIFoundry. L'interface comprend des options pour sélectionner des profils d'agents, ajuster des paramètres de conversation comme la température et le nombre maximal de tokens, et afficher l'historique des conversations. Elle supporte les réponses en streaming, plusieurs environnements d'agents, et enregistre les requêtes et réponses pour le débogage. Écrite en Python, elle facilite le test et la validation de différentes configurations d'agents, accélérant le cycle de prototypage et réduisant la charge d’intégration en amont du déploiement en production.

AutoGen UI est une boîte à outils frontend conçue pour rendre et gérer les flux de conversations multi-agents. Elle offre des composants prêts à l'emploi tels que les fenêtres de chat, les sélecteurs d'agents, les chronologies de messages et les panneaux de débogage. Les développeurs peuvent configurer plusieurs agents IA, diffuser des réponses en temps réel, consigner chaque étape de la conversation et appliquer des styles personnalisés. Il s'intègre facilement aux bibliothèques d'orchestration backend pour fournir une interface complète de bout en bout pour construire et surveiller les interactions des agents IA.

DelphiGemini fournit une enveloppe légère et facile à utiliser autour de l’API Google Gemini LLM pour les développeurs Delphi. Elle gère l’authentification, la mise en forme des requêtes et l’analyse des réponses, permettant d’envoyer des prompts et de recevoir des complétions de texte ou des réponses de chatbot. Avec la prise en charge de la sortie en streaming, vous pouvez afficher les tokens en temps réel. La bibliothèque propose également des méthodes synchrones et asynchrones, des délais d’attente configurables et des rapports d’erreurs détaillés. Utilisez-la pour créer des chatbots, générateurs de contenu, traducteurs, résumeurs ou toute autre fonctionnalité alimentée par l’IA directement dans vos applications Delphi.

Le système RAG piloté par LLM est un framework destiné aux développeurs pour la construction de pipelines RAG. Il fournit des modules pour l’intégration de collections de documents, l’indexation via FAISS, Pinecone ou Weaviate, et la récupération de contexte pertinent en temps réel. Le système utilise des wrappers LangChain pour orchestrer les appels LLM, supporte les modèles de prompt, la diffusion de réponses, et les adaptateurs multi-vecteurs. Il simplifie le déploiement de RAG de bout en bout pour des bases de connaissances, avec une personnalisation à chaque étape — de la configuration du modèle d’intégration à la conception du prompt et au post-traitement des résultats.

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.

Les démos AWS Sample Model Context Protocol sont un référentiel open-source présentant des modèles standard pour la gestion du contexte de grands modèles de langage (LLM) et l'invocation d'outils. Il comporte deux démos complètes — une en JavaScript/TypeScript et une en Python — qui implémentent le Protocole de Contexte du Modèle, permettant aux développeurs de construire des agents AI pouvant appeler des fonctions AWS Lambda, conserver l'historique des conversations et diffuser des réponses. Le code d'exemple montre la mise en forme des messages, la sérialisation des arguments de fonction, la gestion des erreurs et des intégrations d'outils personnalisables, accélérant le prototypage des applications d'IA générative.

Stellar Chat permet aux équipes de créer des agents d'IA conversationnelle en fournissant un cadre robuste qui abstrait les interactions LLM, la gestion de la mémoire et l'intégration d'outils. Au cœur, il présente un pipeline extensible qui gère le prétraitement des entrées utilisateur, l'enrichissement du contexte via la récupération de mémoire basée sur des vecteurs, et l'invocation de LLM avec des stratégies de prompting configurables. Les développeurs peuvent utiliser des solutions de stockage vectoriel populaires comme Pinecone, Weaviate ou FAISS, et intégrer des API tierces ou des plugins personnalisés pour des tâches comme la recherche Web, les requêtes à la base de données ou le contrôle d'applications d'entreprise. Avec un support pour la sortie en streaming et des boucles de rétroaction en temps réel, Stellar Chat garantit des expériences utilisateur réactives. Il inclut également des modèles de départ et des exemples de bonnes pratiques pour les bots d'assistance client, la recherche de connaissances et l'automatisation des flux de travail internes. Déployé avec Docker ou Kubernetes, il évolue pour répondre aux exigences de production tout en restant entièrement open-source sous licence MIT.

HyperChat est un cadre d'agent IA centré sur le développeur, qui simplifie l'intégration de l'IA conversationnelle dans les applications. Il unifie les connexions à divers fournisseurs de LLM, gère le contexte de la session et la persistance de la mémoire, et fournit des réponses partielles en streaming pour des interfaces réactives. La prise en charge intégrée des appels de fonctions et des plugins permet d'exécuter des API externes, d'enrichir les conversations avec des données et actions du monde réel. Son architecture modulaire et sa boîte à outils UI permettent un prototypage rapide et des déploiements en production sur web, Electron et Node.js.

Le SDK Goat est conçu pour simplifier la création et l'orchestration d'agents IA en Go. Il fournit des intégrations LLM modulables (OpenAI, Anthropic, Azure, modèles locaux), un registre d'outils pour les actions personnalisées et des mémoires pour des conversations avec état. Les développeurs peuvent définir des chaînes, des stratégies de représentation et des éditeurs pour produire des interactions via CLI, WebSocket, points d'extrémité REST ou une interface Web intégrée. Goat supporte les réponses en streaming, la journalisation personnalisable et la gestion facile des erreurs. En combinant ces composants, vous pouvez développer des chatbots, des flux de travail d'automatisation et des systèmes de soutien à la décision en Go avec un minimal de boilerplate, tout en conservant la flexibilité de changer ou d'étendre les fournisseurs et outils selon les besoins.

Rusty Agent est une bibliothèque légère mais puissante en Rust conçue pour simplifier la création d'agents IA autonomes utilisant de grands modèles de langage. Elle introduit des abstractions principales telles que Agents, Outils, et modules de Mémoire, permettant aux développeurs de définir des intégrations d'outils personnalisés—par exemple, clients HTTP, bases de connaissances, calculatrices—et d'orchestrer des conversations multi-étapes de façon programmatique. Rusty Agent supporte la construction dynamique de prompts, les réponses en streaming, et la sauvegarde de mémoire contextuelle entre sessions. Elle s'intègre parfaitement avec l'API OpenAI (GPT-3.5/4) et peut être étendue pour d'autres fournisseurs LLM. La forte typage et les avantages de performance de Rust garantissent une exécution sûre et concurrente des workflows des agents. Les cas d'usage incluent l'analyse automatisée de données, les chatbots interactifs, les pipelines d'automatisation de tâches, et plus encore—permettant aux développeurs Rust d'intégrer des agents intelligents basés sur le langage dans leurs applications.

Rags fournit un pipeline modulaire pour construire des applications génératives augmentées par récupération. Il s'intègre avec des magasins vectoriels populaires (par ex., FAISS, Pinecone), propose des modèles de prompt configurables et inclut des modules de mémoire pour maintenir le contexte conversationnel. Les développeurs peuvent passer d’un fournisseur LLM à un autre comme Llama-2, GPT-4 et Claude2 via une API unifiée. Rags supporte la réponse en flux, la prétraitement personnalisé et des hooks d’évaluation. Son design extensible permet une intégration transparente dans les services de production, permettant l’ingestion automatique de documents, la recherche sématique et la génération de tâches pour chatbots, assistants de connaissances et le résumé de documents à grande échelle.