Fetch.ai est une plateforme de pointe conçue pour faciliter le fonctionnement autonome des économies numériques grâce à l'utilisation d'agents IA. Ces agents peuvent représenter des utilisateurs pour négocier, effectuer des transactions et gérer des actifs numériques. En tirant parti de la décentralisation et d'algorithmes avancés, Fetch.ai permet une automatisation fluide, permettant une prise de décision optimisée et l'achèvement efficace des tâches dans diverses applications, des chaînes d'approvisionnement aux villes intelligentes.

Le Java AgentSpeak Consistency Checker charge les fichiers source AgentSpeak, analyse les bases de croyances, les définitions d'objectifs et les structures de plans, puis exécute une série de tests de cohérence et de validation. Il identifie les plans conflictuels, les objectifs inatteignables et les mises à jour incohérentes des croyances, en générant des rapports détaillés. En intégrant cet outil dans les processus de construction ou les pipelines CI, il aide les développeurs à détecter précocement les défauts de conception, à maintenir des agents BDI robustes, et à accélérer le développement d'applications multi-agents.

Mina fournit une base légère mais puissante pour construire des agents IA en Python. Vous pouvez définir des outils personnalisés (tels que des extracteurs Web, des calculateurs ou des connecteurs de base de données), attacher des buffers de mémoire pour conserver le contexte de conversation, et orchestrer des séquences d'appels aux modèles linguistiques pour un raisonnement en plusieurs étapes. Basé sur des API LLM courantes, Mina gère l'exécution asynchrone, la gestion des erreurs et la journalisation. Sa conception modulaire facilite l'extension avec de nouvelles capacités, tandis que l'interface CLI permet une prototypage rapide et le déploiement d'applications pilotées par des agents.

BabyAGI Chroma Agent est un système d’agent AI basé sur Python, conçu pour gérer et exécuter de manière autonome des tâches multi-étapes. Il génère de nouvelles tâches à partir des résultats des tâches précédentes, les priorise, et exécute chaque étape en séquence en utilisant les modèles de langage d’OpenAI. L’agent stocke des résultats détaillés de tâches et des embeddings contextuels dans une base de données vectorielle Chroma, facilitant la récupération de la mémoire et l’affinement des décisions futures. Avec une configuration simple, les utilisateurs définissent un objectif initial et une invite, et l’agent orchestre le flux de travail, résolvant de manière itérative des problèmes complexes, recueillant des informations, générant du contenu ou effectuant des recherches. Son design modulaire permet aux développeurs d’étendre et d’intégrer des outils personnalisés, le rendant adapté à la collecte automatisée de données, à la production de contenu et à l’automatisation des flux de travail.

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.

Le module Java Action Linearprogram fournit une action spécialisée pour le cadre LightJason qui permet aux agents de modéliser et de résoudre des tâches d'optimisation linéaire. Les utilisateurs peuvent configurer des coefficients d'objectif, ajouter des contraintes d'égalité et d'inégalité, sélectionner des méthodes de résolution, et exécuter le solveur dans un cycle de raisonnement de l'agent. Une fois exécutée, l'action retourne les valeurs optimisées des variables et le score de l'objectif que les agents peuvent utiliser pour la planification ou l'exécution ultérieure. Cette composante plug-and-play abstrait la complexité du solveur tout en conservant un contrôle total sur la définition du problème via des interfaces Java.