Llamator est une bibliothèque JavaScript open-source qui permet aux développeurs de construire des agents IA autonomes en combinant des modules mémoire, des intégrations d'outils et des modèles d'invite dynamiques dans un pipeline unifié. Elle orchestre la planification, l'exécution d'actions et les boucles de réflexion pour gérer des tâches à plusieurs étapes, supporte plusieurs fournisseurs LLM et permet la définition d'outils personnalisés pour les appels API ou le traitement des données. Avec Llamator, vous pouvez rapidement prototyper des chatbots, des assistants personnels et des flux de travail automatisés dans des applications web ou Node.js, en profitant d'une architecture modulaire pour une extension et un test faciles.

OSU NLP Middleware est un framework léger en Python, facilitant le développement de systèmes d’agents IA. Il fournit une boucle principale qui orchestre les interactions entre modèles linguistiques naturels et fonctions d’outils externes définies comme plugins. Le framework supporte des fournisseurs LLM populaires (OpenAI, Hugging Face, etc.) et permet aux développeurs d’enregistrer des outils personnalisés pour des tâches comme les requêtes à des bases de données, la récupération de documents, la recherche Web, le calcul mathématique, et les appels API REST. Middleware gère l’historique des conversations, les limites de débit, et journalise toutes les interactions. Il offre également une mise en cache configurable et des politiques de réessai pour une fiabilité accrue, facilitant la création d’assistants intelligents, chatbots, et workflows autonomes avec un minimum de code standard.

MixAgent fournit une architecture plug-and-play qui permet aux développeurs de définir des invites, de connecter plusieurs backends LLM et d'incorporer des outils externes (API, bases de données ou code). Il orchestre les boucles de planification et d'exécution, gère la mémoire de l'agent pour des interactions à état, et journalise le raisonnement en chaîne. Les utilisateurs peuvent rapidement prototyper des assistants, des récupérateurs de données ou des robots d'automatisation sans construire de couches d'orchestration à partir de zéro, ce qui accélère le déploiement d'agents AI.

Noema Declarative AI permet aux développeurs et chercheurs de spécifier des agents d'IA et leurs flux de travail de manière déclarative. En écrivant des fichiers de configuration YAML ou JSON, vous définissez des agents, des prompts, des outils et des modules de mémoire. Le runtime Noema analyse ces définitions, charge des modèles de langage, exécute chaque étape de votre pipeline, gère l’état et le contexte, et renvoie des résultats structurés. Cette approche réduit la répétition de code, améliore la reproductibilité et sépare la logique de l'exécution, ce qui le rend idéal pour le prototypage de chatbots, scripts d'automatisation et expériences de recherche.

PySpur offre un environnement intégré pour construire, tester et déployer des agents IA via une interface utilisateur conviviale basée sur des nœuds. Les développeurs assemblent des chaînes d'actions — telles que des appels à des modèles linguistiques, la récupération de données, la création de branches de décision et des interactions API — en glissant-déposant des blocs modulaires. Un mode de simulation en direct permet aux ingénieurs de valider la logique, d’inspecter les états intermédiaires et de déboguer les flux de travail avant le déploiement. PySpur propose également le contrôle de version des flux d'agents, le profilage des performances et un déploiement en un clic vers le cloud ou une infrastructure locale. Avec des connecteurs modulaires et la prise en charge de LLMs et de bases de données vectorielles populaires, les équipes peuvent rapidement prototyper des agents de raisonnement complexes, des assistants automatisés ou des pipelines de données. Open-source et extensible, PySpur minimise la boilerplate et la surcharge d'infrastructure, permettant une itération plus rapide et des solutions d'agents plus robustes.

Tongui Agent fournit une architecture modulaire pour créer des agents IA capables de maintenir l'état de la conversation, d'utiliser des outils externes et de coordonner plusieurs sous-agents. Les développeurs configurent les backends LLM, définissent des actions personnalisées et attachent des modules de mémoire pour stocker le contexte. Le framework inclut un SDK, une CLI et des hooks middleware pour l'observabilité, facilitant ainsi l'intégration dans des applications web ou Node.js. Les LLMs pris en charge incluent OpenAI, Azure OpenAI et des modèles open-source.

WanderMind offre une architecture modulaire pour la construction d'agents IA auto-guidés. Il gère un stockage de mémoire persistante pour conserver le contexte entre les sessions, s'intègre avec des outils et APIs externes pour des fonctionnalités étendues, et orchestre le raisonnement à plusieurs étapes par le biais de planificateurs personnalisables. Les développeurs peuvent connecter différents fournisseurs LLM, définir des tâches asynchrones, et étendre le système avec de nouveaux adaptateurs d'outils. Ce cadre accélère l'expérimentation de flux de travail autonomes, permettant des applications allant de l'exploration d'idées à des assistants de recherche automatisés sans surcharge technique importante.

ChatStreamAiAgent fournit aux développeurs une boîte à outils Python légère pour implémenter des agents de chat IA qui diffusent des tokens au fur et à mesure de leur génération. Il supporte plusieurs fournisseurs de LLM, des hooks d’événements asynchrones et une intégration facile dans des applications web ou console. Avec une gestion intégrée du contexte et des modèles d'invite, les équipes peuvent rapidement prototyper des assistants conversationnels, des bots d’assistance client ou des tutoriels interactifs, tout en fournissant des réponses en temps réel à faible latence.

CopilotKit est un framework Python open source conçu pour permettre aux développeurs de construire des agents IA personnalisés. Il offre une architecture modulaire où vous pouvez enregistrer et configurer des outils — tels que l’accès au système de fichiers, la recherche web, un REPL Python, et des connecteurs SQL — que vous pouvez ensuite intégrer dans des agents utilisant n'importe quel LLM pris en charge. Des modules de mémoire intégrés permettent la persistance de l’état de la conversation, tandis que LangGraph vous permet de définir des flux de raisonnement structurés pour des tâches complexes. Les agents peuvent être déployés dans des scripts, des services web ou des applications CLI et peuvent évoluer sur plusieurs fournisseurs cloud. CopilotKit fonctionne parfaitement avec les modèles OpenAI, Azure OpenAI et Anthropic, permettant des workflows automatisés, des chatbots et des bots d’analyse de données.

ElizaOS fournit une suite d'outils robuste pour concevoir, tester et déployer des agents IA autonomes dans des projets TypeScript. Les développeurs définissent les personnalités des agents, leurs objectifs et leurs hiérarchies de mémoire, puis utilisent le système de planification d'ElizaOS pour définir les flux de travail des tâches. Son architecture modulaire de connecteurs facilite l’intégration avec des plateformes de communication—Discord, Telegram, Slack, X—et des réseaux blockchain via des adaptateurs Web3. ElizaOS supporte plusieurs backends LLM (OpenAI, Anthropic, Llama, Gemini), permettant une transition transparente entre les modèles. La prise en charge des plugins étend la fonctionnalité avec des compétences personnalisées, des fonctions de journalisation et d’observabilité. À travers son CLI et SDK, les équipes peuvent itérer sur les configurations d'agents, surveiller la performance en direct, et faire évoluer les déploiements dans des environnements cloud ou sur site. ElizaOS permet aux entreprises d'automatiser les interactions client, l’engagement sur les réseaux sociaux et les processus métier avec des travailleurs numériques autonomes.

pyafai est une bibliothèque Python open source conçue pour aider les développeurs à architecturer, configurer et exécuter des agents IA autonomes. Elle offre des modules plug-in pour la gestion de la mémoire pour conserver le contexte, l'intégration d'outils pour les appels API externes, des observateurs pour la surveillance de l'environnement, des planificateurs pour la prise de décision, et un orchestrateur pour gérer les boucles d'agents. Les fonctionnalités de journalisation et de surveillance offrent une visibilité sur les performances et le comportement des agents. pyafai prend en charge les principaux fournisseurs LLM, permet la création de modules personnalisés, et réduit le code boilerplate pour permettre aux équipes de prototyper rapidement des assistants virtuels, des robots de recherche et des workflows d'automatisation avec un contrôle complet sur chaque composant.

Spellcaster propose une approche structurée pour construire des agents IA en utilisant des 'sorts' — une combinaison d'invites, de logique et de workflows. Les développeurs écrivent des configurations YAML pour définir le rôle, les entrées, les sorties et les étapes d'orchestration des agents. L'outil CLI exécute les sorts, route les messages et s'intègre de manière transparente avec OpenAI, Anthropic et d'autres API LLM. Spellcaster suit les logs d'exécution, conserve le contexte de la conversation et prend en charge des plugins personnalisés pour le pré-traitement et le post-traitement. Son interface de débogage visualise la séquence d'appels et les flux de données, facilitant l'identification des échecs de prompt et des problèmes de performance. En abstraisant les modèles complexes d'orchestration et en standardisant les modèles de prompts, Spellcaster réduit la charge de développement et garantit un comportement cohérent des agents dans divers environnements.

AgentServe fournit une interface unifiée pour créer et déployer des agents d'IA. Les utilisateurs définissent le comportement des agents dans des fichiers de configuration ou du code, intègrent des outils ou sources de connaissances externes, et exposent les agents via des points de terminaison REST. Le cadre gère le routage des modèles, les requêtes parallèles, le contrôle de la santé, la journalisation et les métriques. La conception modulaire d'AgentServe permet d'ajouter de nouveaux modèles, outils ou politiques de planification, idéal pour créer des chatbots, workflows automatisés et systèmes multi-agent à grande échelle.

Aegix fournit un SDK robuste pour orchestrer des agents IA capables de gérer des flux de travail complexes via un raisonnement multi-étapes. Avec le soutien de divers fournisseurs LLM, il permet aux développeurs d’intégrer des outils personnalisés — des connecteurs de bases de données aux web scrapers — et de maintenir l’état de la conversation avec des modules de mémoire tels que des stockages vectoriels. L’architecture flexible de boucle d’agents de Aegix permet de spécifier les phases de planification, d’exécution et de revue, permettant aux agents d’affiner leurs résultats de manière itérative. Que vous construisiez des bots de questions-réponses de documents, des assistants de code ou des agents de support automatisé, Aegix simplifie le développement grâce à des abstractions claires, des pipelines basés sur la configuration et des points d’extension faciles. Il est conçu pour évoluer du prototype à la production, garantissant performance fiable et bases de code maintenables pour les applications alimentées par IA.

AgentScope est un framework axé sur les développeurs conçu pour simplifier la création d'agents intelligents en fournissant des composants modulaires pour la planification dynamique, le stockage de mémoire contextuelle et l'intégration d'outils/API. Il supporte plusieurs backends LLM (OpenAI, Anthropic, Hugging Face) et offre des pipelines personnalisables pour l'exécution de tâches, la synthèse de réponses et la récupération de données. L'architecture de AgentScope permet un prototypage rapide de chatbots conversationnels, d'agents d'automatisation de workflows et d'assistants de recherche, tout en restant extensible et évolutif.

Agentic Solver fournit une boîte à outils complète pour développer des agents IA autonomes utilisant de grands modèles de langage (LLMs) pour résoudre des problèmes concrets. Il propose des composants pour la décomposition des tâches, la planification, l'exécution et l'évaluation des résultats, permettant aux agents de décomposer des objectifs de haut niveau en actions Séquencées. Les utilisateurs peuvent intégrer des API externes, des fonctions personnalisées et des magasins de mémoire pour étendre les capacités des agents, tandis que la journalisation intégrée et les mécanismes de nouvelle tentative garantissent la résilience. Écrit en Python, le cadre supporte des pipelines modulaires et des modèles de prompt flexibles, facilitant les expérimentations rapides. Que ce soit pour automatiser le support client, l’analyse de données ou la génération de contenu, Agentic Solver rationalise le cycle de vie complet, de la configuration initiale à la surveillance continue et à l'optimisation des performances.

Agents-Deep-Research est conçu pour rationaliser le développement et le test d'agents IA autonomes en offrant une base de code modulaire et extensible. Il dispose d'un moteur de planification des tâches qui décompose les objectifs définis par l'utilisateur en sous-tâches, d'un module de mémoire à long terme qui stocke et récupère le contexte, et d'une couche d'intégration d'outils permettant aux agents d'interagir avec des API externes et des environnements simulés. Le cadre fournit également des scripts d'évaluation et des outils de benchmarking pour mesurer la performance des agents dans divers scénarios. Basé sur Python et adaptable à différents backend LLM, il permet aux chercheurs et développeurs de prototyper rapidement de nouvelles architectures d'agents, de réaliser des expériences reproductibles et de comparer différentes stratégies de planification dans des conditions contrôlées.

Le framework d'agents IA AnYi aide les développeurs à intégrer des agents IA autonomes dans leurs applications. Les agents peuvent planifier et exécuter des tâches à plusieurs étapes, exploiter des outils et API externes, et maintenir le contexte de conversation grâce à des modules de mémoire configurables. Le framework abstrait les interactions avec divers fournisseurs de LLM et supporte des outils et backends de mémoire personnalisés. Avec une journalisation, une surveillance et une exécution asynchrone intégrées, AnYi accélère le déploiement d'assistants intelligents pour la recherche, le support client, l'analyse de données ou tout flux de travail nécessitant un raisonnement et une action automatisés.

AnyAgent est une plateforme flexible qui permet aux développeurs de construire des agents intelligents capables de raisonnement, de planification et d'exécution de tâches dans divers domaines. Elle propose un planificateur intégré pour enchaîner les actions, des magasins de mémoire configurables pour le contexte à long terme, et une intégration facile avec des outils et APIs externes. Grâce à un DSL déclaratif simple, vous pouvez définir des compétences personnalisées, intégrer la journalisation des événements, et changer sans effort entre différents backends LLM. Que ce soit pour des bots de support client, des assistants pour l’analyse de données ou des prototypes de recherche, AnyAgent accélère la création d'agents avec une architecture robuste, des composants modulaires et une extensibilité pour des scénarios d’automatisation réels.

ModelScope Agent offre un cadre modulaire basé sur Python pour orchestrer des agents IA autonomes. Il comprend une intégration de plugin pour des outils externes (API, bases de données, recherche), une mémoire de conversation pour la préservation du contexte et des chaînes d'agents personnalisables pour gérer des tâches complexes telles que la récupération de connaissances, le traitement de documents et le support à la décision. Les développeurs peuvent configurer les rôles, comportements et prompts des agents, ainsi que tirer parti de plusieurs backends LLM pour optimiser la performance et la fiabilité en production.