Bespoke Curator est un cadre d'orchestration basé sur l'IA qui permet aux utilisateurs de lancer plusieurs agents spécialisés avec des rôles définis — chercheur, analyste, synthétiseur — pour collecter, traiter des documents et fournir des résultats structurés de manière autonome. Les intégrations intégrées avec la navigation web, les API et le stockage mémoire partagé permettent aux agents de communiquer et de faire évoluer les tâches. Les utilisateurs configurent les sources de données, spécifient les règles d'extraction et définissent les métriques de performance. Les tableaux de bord de la plateforme suivent la progression des agents, permettant des ajustements en temps réel et l'exportation de rapports finaux, d'insights ou de résumés pour la business intelligence, les revues académiques et les workflows de stratégie de contenu.

Hive est une plateforme robuste d'orchestration d'agents IA conçue pour les environnements Node.js. Elle fournit un système modulaire pour définir, gérer et exécuter plusieurs agents IA en workflows parallèles ou séquentiels. Chaque agent peut être configuré avec des rôles spécifiques, des modèles de prompt, des magasins de mémoire et des intégrations d'outils externes comme des API ou plugins. Hive facilite la communication entre agents, permettant le partage de données, la prise de décisions et la délégation de tâches. Son design extensible permet aux développeurs d'implémenter des utilitaires personnalisés, de surveiller les journaux d'exécution et de déployer des agents à grande échelle. Hive inclut également des fonctionnalités telles que la gestion des erreurs, les politiques de nouvelle tentative et l'optimisation des performances pour assurer une automatisation fiable. Avec une configuration minimale, les équipes peuvent prototyper des services complexes basés sur l'IA, tels que des chatbots, des pipelines d'analyse de données et des générateurs de contenu.

IoA fournit une architecture flexible pour définir, coordonner et exécuter plusieurs agents IA dans un workflow unifié. Les composants clés incluent un planificateur qui décompose les objectifs de haut niveau, un exécuteur qui délègue les tâches à des agents spécialisés, et des modules de mémoire pour la gestion du contexte. Il supporte l'intégration avec des API externes et des ensembles d'outils, la surveillance en temps réel, et des plugins de compétences personnalisables. Les développeurs peuvent rapidement prototyper des assistants autonomes, des bots de support client, et des pipelines de traitement de données en combinant des modules prêts à l'emploi ou en les étendant avec une logique personnalisée.

L'Agent LLMLing est un cadre modulaire pour créer, configurer et déployer des agents d'IA alimentés par de grands modèles de langage. Les utilisateurs peuvent instancier plusieurs rôles d’agents, connecter des outils ou API externes, gérer la mémoire conversationnelle et orchestrer des flux de travail complexes. La plateforme inclut un terrain de jeu basé sur un navigateur qui visualise les interactions des agents, journalise l'historique des messages et permet des ajustements en temps réel. Avec un SDK Python, les développeurs peuvent écrire des comportements personnalisés, intégrer des bases de données vectorielles et étendre le système via des plugins. LLMLing Agent simplifie la création de chatbots, de bots d'analyse de données et d'assistants automatisés en fournissant des composants réutilisables et des abstractions claires pour la collaboration multi-agents.

NanoBrowser s'exécute directement dans votre navigateur en tant qu'extension Chrome, vous permettant d'automatiser des tâches web répétitives ou complexes via des prompts en langage naturel. Vous le configurez avec votre propre clé API LLM — OpenAI GPT, modèles LLaMA auto-hébergés ou autres — et définissez des workflows composés de plusieurs agents. Il prend en charge le scraping de données, les interactions avec les formulaires, la recherche automatisée et la chaînage de workflows via l'intégration LangChain. Vous pouvez orchestrer des agents pour collaborer sur des sous-tâches, exporter des résultats en CSV ou JSON, et déboguer ou affiner les étapes de manière interactive. En tant qu'alternative open-source aux opérateurs propriétaires, NanoBrowser privilégie la confidentialité, l'extensibilité et la facilité d'utilisation.

OpenAI Agents Chatbot permet aux développeurs d’intégrer et de gérer plusieurs agents IA spécialisés (par ex., outils, récupération de connaissances, modules de mémoire) dans une seule application conversationnelle. Il propose une orchestration étape par étape, une mémoire basée sur la session, des points de terminaison d'outils configurables et des interactions fluides avec l’API OpenAI. Les utilisateurs peuvent personnaliser le comportement de chaque agent, déployer localement ou dans des environnements cloud, et étendre le cadre avec des modules additionnels. Cela accélère le développement de chatbots avancés, d’assistants virtuels, et de systèmes d’automatisation des tâches.

OpenAI Swarm Node orchestre des appels concurrents à plusieurs agents ChatGPT, recueille leurs sorties individuelles, applique votre stratégie d'agrégation choisie — comme le vote majoritaire ou la pondération personnalisée — et renvoie une réponse de consensus unifiée. Son architecture extensible supporte un contrôle granulaire des paramètres du modèle, la gestion des erreurs, la logique de réessai et l'exécution asynchrone, permettant aux développeurs d'intégrer l'intelligence en essaim dans n'importe quelle application Node.js pour une meilleure précision et cohérence dans la prise de décision assistée par IA.

Overeasy est un framework open-source basé sur Python pour orchestrer des agents IA alimentés par LLM dans diverses disciplines. Il fournit une architecture modulaire pour définir des agents, configurer des stockages de mémoire et intégrer des outils externes tels que APIs, bases de connaissances et bases de données. Les développeurs peuvent se connecter à OpenAI, Azure ou à des points de terminaison LLM auto-hébergés et concevoir des workflows dynamiques impliquant un ou plusieurs agents. Le moteur d'orchestration d'Overeasy gère la délégation des tâches, la prise de décisions et les stratégies de secours, permettant la création de travailleurs numériques robustes pour la recherche, le support client, l'analyse de données, la planification, etc. Une documentation complète et des projets d'exemple accélèrent le déploiement sur Linux, macOS et Windows.

CASA est conçue comme un cadre d'autonomie modulaire, prêt à l'emploi, basé sur l'écosystème Robot Operating System (ROS). Elle présente une architecture décentralisée où chaque robot exécute des planificateurs locaux et des nœuds d'arbres de comportement, publiant sur un tableau noir partagé pour les mises à jour de l'état du monde. L'attribution de tâches est gérée par des algorithmes d'enchères qui assignent des missions en fonction des capacités et de la disponibilité des robots. La couche de communication utilise des messages ROS standards sur des réseaux multi-robots pour synchroniser les agents. Les développeurs peuvent personnaliser les paramètres des missions, intégrer des pilotes de capteurs et étendre les bibliothèques de comportements. CASA supporte la simulation de scénarios, la surveillance en temps réel et des outils de journalisation. Sa conception extensible permet aux équipes de recherche d'expérimenter de nouveaux algorithmes de coordination et de déployer sans effort sur diverses plates-formes robotiques, des véhicules terrestres sans pilote aux drones aériens.

AgentChat est une plateforme open-source de gestion d'agents IA qui exploite les modèles GPT d'OpenAI pour exécuter des agents conversationnels polyvalents. Elle fournit une interface React pour des sessions de chat interactives, un backend Node.js pour le routage API et un système de plugins pour étendre les capacités des agents. Les agents peuvent être configurés avec des prompts basés sur des rôles, une mémoire persistante et des workflows prédéfinis pour automatiser des tâches telles que la synthèse, la planification, l'extraction de données et les notifications. Les utilisateurs peuvent créer plusieurs instances d'agents, leur attribuer des noms personnalisés et basculer entre eux en temps réel. Le système supporte une gestion sécurisée des clés API, et les développeurs peuvent créer ou intégrer de nouveaux connecteurs de données, bases de connaissances et services tiers pour enrichir les interactions des agents.

AgentChat est une plateforme centrée sur le développement pour la création de conversations IA multi-agent sophistiquées. Elle combine un backend FastAPI basé sur Python et une interface utilisateur React, permettant aux utilisateurs de définir des agents IA individuels avec des rôles distincts—tels que extracteur de données, analyste et résumeur—qui communiquent pour réaliser en collaboration des tâches complexes. En utilisant les modèles GPT d’OpenAI, AgentChat fournit un stockage de mémoire via Redis et supporte l’intégration d’outils personnalisés pour des tâches telles que les appels API, la collecte web et les requêtes de bases de données. La plateforme offre une surveillance des conversations en temps réel, des journaux de performance des agents et des pipelines d’agents configurables. Avec une architecture modulaire, les développeurs peuvent étendre les capacités des agents en ajoutant de nouveaux outils ou en ajustant les prompts, permettant des workflows automatisés personnalisés, des processus de prise de décision et des applications de découverte de connaissance.

Agentic Seek exploite les modèles GPT d'OpenAI et une boîte à outils personnalisée pour automatiser tout le cycle de recherche web. Les utilisateurs définissent des objectifs de haut niveau, et le système génère des sous-agents spécialisés pour exécuter des requêtes de recherche, naviguer sur des sites web, extraire des informations clés via le scraping et résumer les résultats. Il prend en charge le raffinement itératif, permettant aux agents de revoir et mettre à jour les résultats en fonction des nouvelles idées. Les développeurs peuvent étendre ses capacités en intégrant des gestionnaires d'actions personnalisés et des connecteurs API. Idéal pour la veille concurrentielle, la recherche académique, l'analyse de marché et la collecte de données à grande échelle, Agentic Seek réduit la navigation manuelle, accélère la prise de décision et garantit une couverture complète de plusieurs sources en ligne. La plateforme inclut une interface Web pour surveiller l'activité de l'agent et examiner les sorties intermédiaires. Avec une journalisation intégrée, des invites personnalisables et des pistes d'audit, les équipes peuvent suivre les décisions des agents pour la transparence, la conformité et l'assurance qualité.

Le dépôt Agent Supervisor Example démontre comment orchestrer plusieurs agents AI autonomes dans un flux de travail coordonné. Écrit en Python, il définit une classe Supervisor pour dispatcher des tâches, surveiller le statut des agents, gérer les échecs et agréger les réponses. Vous pouvez étendre les classes d'agents de base, brancher différentes API de modèles et configurer les politiques de planification. Il enregistre les activités pour l'audit, supporte l'exécution parallèle et offre une conception modulaire pour une personnalisation facile et une intégration dans de plus grands systèmes d'IA.

AgentFarm fournit un cadre complet pour coordonner divers agents IA dans un système unifié. Les utilisateurs peuvent script des comportements d'agents spécialisés en Python, attribuer des rôles (gestionnaire, travailleur, analyste) et établir des files d'attente pour le traitement parallèle. Il s'intègre parfaitement aux principaux services LLM (OpenAI, Azure OpenAI), permettant un routage dynamique des prompts et une sélection de modèles. Le tableau de bord intégré suit l'état des agents, enregistre les interactions et visualise les performances du workflow. Avec des plugins modulaires pour des API personnalisées, les développeurs peuvent étendre la fonctionnalité, automatiser la gestion des erreurs et surveiller l'utilisation des ressources. Idéal pour déployer des pipelines multi-étapes, AgentFarm améliore la fiabilité, la scalabilité et la maintenabilité dans l'automatisation pilotée par l'IA.

Agentic Website Dev automatise le développement web en coordonnant des agents IA spécialisés. Un agent analyse les demandes des utilisateurs pour concevoir l'architecture du site, un autre génère des modèles HTML et CSS réactifs, tandis qu'un agent de codage implémente des fonctionnalités JavaScript dynamiques. Enfin, un agent de déploiement empaquète et publie le site sur des plateformes comme Vercel ou Netlify. Ce cadre abstrait tout le flux de travail—planification, codage, test et déploiement—permettant un prototypage rapide et une itération efficace. Les développeurs définissent leurs exigences en anglais simple, et les agents collaborent pour produire un site entier fonctionnel et en ligne. Cela réduit le besoin de codage manuel, accélère le délai de mise sur le marché et démocratise le développement web pour les parties prenantes non techniques.

crewAI Playground est un kit d'outils et un bac à sable pour construire et expérimenter avec des agents pilotés par IA. Vous définissez des agents via des fichiers de configuration ou du code, en spécifiant des invites, des outils et des modules de mémoire. Le playground exécute plusieurs agents simultanément, gère le routage des messages et enregistre l'historique des conversations. Il prend en charge les intégrations de plugins pour des sources de données externes, des backends mémoire personnalisables (en mémoire ou persistants) et une interface web pour les tests. Utilisez-le pour prototyper des chatbots, des assistants virtuels et des flux de travail automatisés avant le déploiement en production.

Le Dynamic Multi-Agent RAG Pathway offre une architecture modulaire où chaque agent gère des tâches spécifiques — telles que la récupération de documents, la recherche vectorielle, le résumé de contexte ou la génération — tandis qu’un orchestrateur central routage dynamiquement les entrées et sorties entre eux. Les développeurs peuvent définir des agents personnalisés, assembler des pipelines via des fichiers de configuration simples, et tirer parti du journalisation intégrée, de la surveillance et du support de plugin. Ce cadre accélère le développement de solutions RAG complexes, permettant une décomposition adaptative des tâches et un traitement parallèle pour améliorer le débit et la précision.

FMAS (Flexible Multi-Agent System) est une bibliothèque Python open-source pour construire, exécuter et visualiser des simulations multi-agents. Vous pouvez définir des agents avec une logique de décision personnalisée, configurer un modèle d'environnement, mettre en place des canaux de messagerie pour la communication et exécuter des simulations évolutives. FMAS fournit des hooks pour surveiller l'état des agents, déboguer les interactions et exporter les résultats. Son architecture modulaire supporte des plugins pour la visualisation, la collecte de métriques et l'intégration avec des sources de données externes, le rendant idéal pour la recherche, l'éducation et les prototypes réels de systèmes autonomes.

GenAI Job Agents est un cadre open-source basé sur Python qui facilite la création et la gestion d'agents de travail alimentés par l'IA. Les développeurs peuvent définir des types de tâches personnalisés et des comportements d'agents à l'aide de fichiers de configuration simples ou de classes Python. Le système s'intègre parfaitement avec OpenAI pour le raisonnement basé sur LLM et avec LangChain pour la chaînage d'appels. Les tâches peuvent être mises en file d'attente, exécutées en parallèle et surveillées via des mécanismes de journalisation et de gestion des erreurs intégrés. Les agents peuvent gérer des entrées dynamiques, réessayer automatiquement en cas d'échec et produire des résultats structurés pour le traitement en aval. Avec une architecture modulaire, des plugins extensibles et des API claires, GenAI Job Agents permet aux équipes d'automatiser des tâches répétitives, d'orchestrer des flux de travail complexes et de faire évoluer les opérations pilotées par l'IA en environnement de production.

Le solveur NQueen basé sur GA utilise une architecture modulaire multi-agent 2APL où chaque agent encode une configuration candidate pour N-Reines. Les agents évaluent leur fitness en comptant le nombre de paires de reines non en attaque, puis partagent les configurations à haute fitness avec d'autres. Des opérateurs génétiques—sélection, crossover et mutation—sont appliqués à la population d'agents pour générer de nouvelles configurations candidates. Au fil des itérations, les agents convergent collectivement vers des solutions valides pour N-Reines. Le framework est implémenté en Java, supporte le réglage des paramètres de la population, du taux de crossover, de la probabilité de mutation et des protocoles de communication des agents, et fournit des journaux détaillés et des visualisations du processus évolutif.