agent-steps est un cadre d'orchestration d'étapes Python conçu pour rationaliser le développement d'agents IA en décomposant des tâches complexes en étapes discrètes et réutilisables. Chaque étape encapsule une action spécifique — comme l'appel à un modèle linguistique, la transformation de données ou des appels API externes — et peut transmettre le contexte aux étapes suivantes. La bibliothèque supporte une exécution synchrone et asynchrone, permettant des pipelines évolutifs. Les outils de journalisation et de débogage intégrés offrent une transparence sur l'exécution des étapes, tandis que son architecture modulaire favorise la maintenabilité. Les utilisateurs peuvent définir des types d'étapes personnalisés, les enchainer dans des workflows et les intégrer facilement dans des applications Python existantes. agent-steps est adapté pour créer des chatbots, des pipelines de données automatisés, des systèmes d'aide à la décision et d'autres solutions IA multi-étapes.

MGym est un cadre spécialisé pour créer et gérer des environnements d'apprentissage par renforcement multi-agent (MARL) en Python. Il permet aux utilisateurs de définir des scénarios complexes avec plusieurs agents, chacun disposant d'espaces d'observation et d'action personnalisables, de fonctions de récompense et de règles d'interaction. MGym supporte à la fois les modes d'exécution synchrones et asynchrones, fournissant des simulations d'agents parallèles et tournantes. Conçu avec une API semblable à Gym, MGym s'intègre parfaitement avec des bibliothèques RL populaires telles que Stable Baselines, RLlib et PyTorch. Il comprend des modules utilitaires pour le benchmarking des environnements, la visualisation des résultats et l'analyse des performances, facilitant une évaluation systématique des algorithmes MARL. Son architecture modulaire permet un prototypage rapide de tâches cooperatives, compétitives ou d'agents mixtes, permettant aux chercheurs et développeurs d'accélérer l'expérimentation et la recherche MARL.