Microsoft AutoGen a été conçu pour faciliter le développement complet d'agents IA autonomes en fournissant des composants modulaires pour la gestion de la mémoire, la planification des tâches, l'intégration d'outils et la communication. Les développeurs peuvent définir des outils personnalisés avec des schémas structurés et se connecter à des fournisseurs LLM majeurs comme OpenAI et Azure OpenAI. Le framework supporte l'orchestration d'un ou plusieurs agents, permettant des workflows collaboratifs où les agents coordonnent l'exécution de tâches complexes. Son architecture plug-and-play permet une extension facile avec de nouveaux magasins de mémoire, stratégies de planification et protocoles de communication. En abstraisant les détails d'intégration de bas niveau, AutoGen accélère la création de prototypes et le déploiement d'applications pilotées par IA dans des domaines tels que le support client, l'analyse de données et l'automatisation des processus.

LM-Kit est une suite complète de kits d'outils C# conçue pour intégrer des solutions avancées d'agents IA dans les applications .NET. Il permet aux développeurs de créer des agents IA personnalisés, de développer de nouveaux agents et d'orchestrer des systèmes multi-agents. Avec des capacités telles que l'analyse de texte, la traduction, la génération de texte, l'optimisation de modèle, et plus encore, LM-Kit prend en charge une inférence efficace sur dispositif, la sécurité des données et la réduction de la latence. De plus, il est conçu pour améliorer les performances des modèles IA tout en garantissant une intégration fluide à travers différentes plateformes et configurations matérielles.

ManasAI est un framework en Python qui permet la création d'agents IA autonomes avec un état intégré et des composants modulaires. Il offre des abstractions principales pour la raisonnement des agents, la mémoire à court et long terme, l'intégration d'outils et d'API externes, la gestion d'événements basée sur les messages et l'orchestration multi-agents. Les agents peuvent être configurés pour gérer le contexte, exécuter des tâches, gérer des tentatives et collecter des retours. Son architecture plug-in permet aux développeurs d'adapter les backend de mémoire, outils et orchestrateurs à des workflows spécifiques, ce qui le rend idéal pour le prototypage de chatbots, travailleurs numériques et pipelines automatisés nécessitant un contexte persistant et des interactions complexes.

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.

MARFT est un LLM basé sur Python, permettant des expériences reproductibles et la prototypage rapide de systèmes IA collaboratifs.

MASlite offre une API claire pour créer des classes d'agents, enregistrer des comportements et gérer la messagerie basée sur des événements entre agents. Il inclut un ordonnanceur pour gérer les tâches des agents, une modélisation d'environnement pour simuler les interactions, et un système de plugins pour étendre les fonctionnalités principales. Les développeurs peuvent rapidement prototyper des scénarios multi-agents en Python en définissant des méthodes de cycle de vie des agents, en connectant des agents via des canaux et en exécutant des simulations en mode sans tête ou en intégrant des outils de visualisation.

Maxun.dev est un cadre d'IA sans code ou à faible code qui permet aux développeurs et aux entreprises de créer des agents intelligents adaptés à des tâches spécifiques. Les utilisateurs peuvent définir des flux de travail d'agents via une interface visuelle, intégrer des sources de données et des API externes, et configurer des modules de mémoire pour une compréhension contextuelle. La plateforme supporte l'orchestration multi-agents, la surveillance en temps réel et l'analyse des performances pour optimiser le comportement des agents. Avec des outils de collaboration intégrés, le contrôle de version et le déploiement en un clic, Maxun.dev simplifie tout le cycle de vie, du prototype à la production, en accélérant l'automatisation alimentée par IA dans le support client, la gestion documentaire et les processus métier.

L'analyse boursière multi-agent est un framework open-source déployant plusieurs agents IA spécialisés—DataCollector, SentimentAnalyst, Predictor et Reporter—pour rationaliser la recherche boursière de bout en bout. L'agent DataCollector récupère les prix en temps réel et les actualités financières. L'agent SentimentAnalyst traite les articles de presse pour jauger le sentiment du marché. Le Predictor utilise des modèles d'apprentissage automatique pour prévoir les mouvements futurs des actions. Enfin, le Reporter construit des résumés détaillés et des visualisations. Son architecture modulaire facilite la personnalisation pour différents actifs, modèles et formats de rapport.

Multi-Agent Systems fournit une boîte à outils complète pour créer, contrôler et observer les interactions entre agents autonomes. Les développeurs peuvent définir des classes d'agents avec une logique décisionnelle personnalisée, configurer des environnements complexes avec des ressources et des règles configurables, et mettre en œuvre des canaux de communication pour l'échange d'informations. Le framework prend en charge la planification synchrone et asynchrone, les comportements basés sur des événements, et intègre la journalisation pour les métriques de performance. Les utilisateurs peuvent étendre les modules de base ou intégrer des modèles d'IA externes pour améliorer l'intelligence des agents. Les outils de visualisation offrent une représentation en temps réel ou après exécution, pour analyser les comportements émergents et optimiser les paramètres du système. De la recherche académique aux prototypes d’applications distribuées, Multi-Agent Systems simplifie les simulations multi-agents de bout en bout.

Crewai fournit une bibliothèque Python pour concevoir et exécuter des systèmes multi-agents IA. Les utilisateurs peuvent définir des agents individuels avec des rôles spécialisés, configurer des canaux de communication pour la messagerie inter-agent et implémenter des planificateurs dynamiques pour attribuer des tâches en fonction du contexte en temps réel. Son architecture modulaire permet d’intégrer différents LLM ou modèles personnalisés pour chaque agent. Des outils intégrés de journalisation et de surveillance suivent les conversations et les décisions, permettant un débogage transparent et un affinement itératif des comportements des agents.

Multi-Agent System fournit une boîte à outils légère mais puissante pour concevoir et exécuter des simulations multi-agent. Les utilisateurs peuvent créer des classes d’agents personnalisées pour encapsuler la logique de décision, définir des objets Environnement pour représenter les états et règles du monde, et configurer un moteur de simulation pour orchestrer les interactions. Le framework supporte des composants modulaires pour la journalisation, la collecte de métriques et la visualisation basique pour analyser le comportement des agents dans des environnements coopératifs ou adverses. Il convient au prototypage rapide de la robotique en essaim, de l’allocation de ressources et des expériences de contrôle décentralisé.

MultiAgentPacman offre un environnement de jeu en Python où les utilisateurs peuvent implémenter, visualiser et benchmarker plusieurs agents IA dans le domaine Pacman. Il supporte des algorithmes de recherche adverse tels que minimax, expectimax, élagage alpha-bêta, ainsi que des agents personnalisés utilisant l'apprentissage par renforcement ou des heuristiques. Le cadre inclut une GUI simple, des contrôles en ligne de commande et des outils pour enregistrer les statistiques de jeu et comparer la performance des agents dans des scénarios compétitifs ou coopératifs.

ROCKET-1 est une plateforme open-source d'orchestration d'agents IA conçue pour construire des systèmes multi-agents avancés. Elle permet aux utilisateurs de définir des pipelines d'agents à l'aide d'une API modulaire, permettant une chaînage seamless des modèles linguistiques, des plugins et des magasins de données. Les fonctionnalités clés incluent la mémoire sémantique pour maintenir le contexte à travers les sessions, l'intégration dynamique d'outils pour les API externes et les bases de données, ainsi que des tableaux de bord de surveillance intégrés pour suivre les métriques de performance. Les développeurs peuvent personnaliser les workflows avec peu de code, évoluer horizontalement via des déploiements conteneurisés, et étendre la fonctionnalité via une architecture de plugins. ROCKET-1 supporte le débogage en temps réel, les redémarrages automatiques et les contrôles de sécurité, ce qui le rend idéal pour les bots d'assistance client, les assistants de recherche et les tâches d'automatisation d'entreprise.

Salieri est une plateforme innovante conçue pour simplifier le développement de projets IA via des applications multi-agents. En tirant parti des technologies IA avancées, Salieri augmente la productivité et l'efficacité, facilitant ainsi l'automatisation des flux de travail par les équipes. Le design intuitif et les fonctionnalités puissantes de Salieri permettent aux utilisateurs de traduire des idées détaillées en histoires interactives et illustrées, idéales pour des projets narratifs, des jeux, et plus encore. Offrant des systèmes robustes et efficaces, Salieri intègre des graphes de connaissances et des moteurs formels pour améliorer la précision et la rentabilité des modèles IA.

SARL offre des outils de prise de décision et supporte la dynamique avec l'IDE Eclipse, proposant support éditeur, génération de code, débogage et outils de test. Le moteur d'exécution peut cibler différentes plateformes, y compris des cadres de simulation (par ex., MadKit, Janus) et des systèmes réels en robotique et IoT. Les développeurs peuvent structurer des applications MAS complexes en assemblant des compétences et protocoles modulaires, simplifiant le développement de systèmes d'IA distribués et adaptatifs.

MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

Ce dépôt regroupe une collection complète de composants de systèmes multi-agent et de techniques de coordination IA distribuée. Il offre des implémentations d'algorithmes de consensus, de protocoles de négociation Contract-Net, d'attribution de tâches basée sur des enchères, de stratégies de formation de coalitions et de cadres de communication inter-agent. Les utilisateurs peuvent exploiter des environnements de simulation intégrés pour modéliser et tester le comportement des agents sous diverses topologies de réseau, scénarios de latence et modes de défaillance. La conception modulaire permet aux développeurs et chercheurs d'intégrer, d'étendre ou de personnaliser des modules de coordination individuels pour des applications dans les essaims de robotique, la collaboration entre dispositifs IoT, les réseaux électriques intelligents et la prise de décision distribuée.

GenFuse AI propose une plateforme sans code où les utilisateurs peuvent créer des agents IA personnalisés pour automatiser diverses tâches. Avec un créateur de workflow visuel, vous pouvez connecter des agents IA et des outils pour concevoir des automatisations multi-agents. La plateforme comprend des pipelines d'exécution automatique, des agents auto-apprenants et des modèles pré-construits pour vous permettre de commencer rapidement. GenFuse AI est agnostique au modèle, vous permettant de choisir le meilleur modèle pour chaque agent et il peut s'intégrer avec vos applications et vos outils personnalisés.

Isek est une plateforme orientée développeur pour créer des agents IA avec une architecture modulaire. Elle propose un système de plugins pour les outils et sources de données, une mémoire intégrée pour la rétention du contexte et un moteur de planification pour coordonner les tâches en plusieurs étapes. Vous pouvez déployer des agents localement ou dans le cloud, intégrer n'importe quel backend LLM, et étendre la fonctionnalité via des modules communautaires ou personnalisés. Isek facilite la création de chatbots, d'assistants virtuels et de flux de travail automatisés grâce à des modèles, SDK et outils CLI pour un développement rapide.

Python AGNO Memory Agent offre une approche structurée de la mémoire des agents en organisant les souvenirs via un cadre AGNO. Il utilise des modèles d'intégration pour convertir les souvenirs textuels en représentations vectorielles et les stocke dans des magasins de vecteurs configurables comme ChromaDB, FAISS ou SQLite. Les agents peuvent ajouter de nouveaux souvenirs, interroger les événements passés pertinents, mettre à jour des entrées obsolètes ou supprimer des données non pertinentes. La bibliothèque propose un suivi chronologique, des magasins de mémoire avec espaces de noms pour des scénarios multi-agents, et des seuils de similarité personnalisables. Elle s'intègre facilement aux frameworks LLM populaires et peut être étendue avec des modèles d'intégration personnalisés pour diverses applications d'agents IA.