Dive est un cadre open-source basé sur Python, conçu pour créer et exécuter des agents IA autonomes capables d'effectuer des tâches multi-étapes avec une intervention manuelle minimale. En définissant des profils d'agents dans des fichiers de configuration YAML simples, les développeurs peuvent spécifier des API, des outils et des modules de mémoire pour des tâches telles que la récupération de données, l'analyse et l'orchestration de pipelines. Dive gère le contexte, l'état et l'ingénierie des prompts, permettant des flux de travail flexibles avec gestion d'erreurs intégrée et journalisation. Son architecture modulaire supporte une large gamme de modèles linguistiques et de systèmes de récupération, facilitant la constitution d'agents pour l'automatisation du service client, la génération de contenu et les processus DevOps. Le cadre évolue de la prototype à la production, offrant des commandes CLI et des points de terminaison API pour une intégration transparente dans des systèmes existants.

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.

Ollama Workflows est une bibliothèque open-source de pipelines d'agents AI configurables construits sur le cadre Ollama LLM. Elle offre des dizaines de workflows prêts à l'emploi — comme la synthèse, la traduction, la revue de code, l'extraction de données, la rédaction d'e-mails, et plus encore — qui peuvent être chaînés dans des définitions YAML ou JSON. Les utilisateurs installent Ollama, clonant le dépôt, sélectionnant ou personnalisant un workflow, puis l'exécutent via CLI. Tout le traitement se fait localement sur votre machine, préservant la confidentialité des données tout en permettant une itération rapide et une sortie cohérente à travers les projets.

Julep AI est une plateforme open-source conçue pour aider les équipes de science des données à construire, itérer et déployer rapidement des workflows d'IA en plusieurs étapes. Avec Julep, vous pouvez créer des pipelines d'IA évolutifs, durables et de longue durée en utilisant des agents, des tâches et des outils. La configuration basée sur YAML de la plateforme simplifie les processus d'IA complexes et garantit des workflows prêts pour la production. Elle prend en charge le prototypage rapide, la conception modulaire et l'intégration transparente avec les systèmes existants, ce qui la rend idéale pour gérer des millions d'utilisateurs simultanés tout en offrant une visibilité complète sur les opérations d'IA.

Le système Linguistic Agent est un cadre Open-Source Python conçu pour construire des agents intelligents qui exploitent les modèles de langage pour planifier et exécuter des tâches. Il inclut des composants pour la gestion de la mémoire, le registre d'outils, le planificateur et l'exécuteur, permettant aux agents de maintenir le contexte, d'appeler des API externes, d'effectuer des recherches sur le web et d'automatiser les flux de travail. Configurable via YAML, il prend en charge plusieurs fournisseurs de LLM, permettant un prototypage rapide de chatbots, résumeurs de contenu, et assistants autonomes. Les développeurs peuvent étendre la fonctionnalité en créant des outils et des backends de mémoire personnalisés, déployant des agents localement ou sur des serveurs.

Multi-Agent-AI-Dynamic-Interaction offre un environnement flexible pour concevoir, configurer et exécuter des systèmes composés de multiples agents IA autonomes. Chaque agent peut se voir attribuer des rôles, objectifs et protocoles de communication spécifiques. Le framework gère le passage des messages, le contexte de conversation ainsi que les interactions séquentielles ou parallèles. Il supporte l’intégration avec OpenAI GPT, d’autres API LLM et des modules personnalisés. Les utilisateurs définissent des scénarios via YAML ou scripts Python, en spécifiant les détails des agents, les étapes du flux de travail et les critères d’arrêt. Le système enregistre toutes les interactions pour le débogage et l’analyse, permettant un contrôle précis du comportement des agents pour des expériences en collaboration, négociation, prise de décision et résolution de problèmes complexes.

Nexus Agents est un framework modulaire pour construire des systèmes multi-agents alimentés par l'IA avec de grands modèles de langage au cœur. Les développeurs peuvent définir des agents personnalisés, intégrer des outils externes et orchestrer des flux de travail via des configurations déclaratives YAML ou Python. Il supporte le routage dynamique des tâches, la gestion de la mémoire et la communication inter-agents, assurant une automatisation évolutive et fiable. Avec une journalisation intégrée, la gestion des erreurs et le support CLI, Nexus Agents simplifie la construction de pipelines complexes couvrant la récupération de données, l’analyse, la génération de contenu et les interactions client. Son architecture permet une extension facile avec des outils ou fournisseurs LLM personnalisés, permettant aux équipes d’automatiser des processus commerciaux, des tâches de recherche et des flux opérationnels de manière cohérente et maintenable.

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.

Pipe Pilot est un outil open-source qui permet aux développeurs de créer, visualiser et gérer des pipelines IA en Python. Il offre une API déclarative ou une configuration YAML pour chaîner des tâches telles que génération de texte, classification, enrichissement de données et appels API REST. Les utilisateurs peuvent mettre en œuvre des branches conditionnelles, des boucles, des réinitialisations et des gestionnaires d’erreurs pour créer des workflows résilients. Pipe Pilot maintient le contexte d’exécution, enregistre chaque étape et supporte des modes d’exécution parallèles ou séquentiels. Il s’intègre avec les principaux fournisseurs LLM, des fonctions personnalisées et des services externes, idéal pour automatiser des rapports, chatbots, le traitement intelligent de données et des applications d’IA complexes en plusieurs étapes.

AgentSmith est un cadre modulaire d’orchestration d’agents en Python, permettant aux développeurs de définir, configurer et exécuter plusieurs agents IA en collaboration. Chaque agent peut se voir attribuer des rôles spécialisés — chercheur, planificateur, codeur ou réviseur — et communiquer via un bus de messages interne. AgentSmith supporte la gestion de mémoire via des magasins vectoriels comme FAISS ou Pinecone, la décomposition des tâches en sous-tâches et la supervision automatisée pour assurer l’atteinte des objectifs. Les agents et les pipelines sont configurés via des fichiers YAML lisibles par l’humain, et le framework s’intègre facilement avec les API OpenAI et des modèles LLM personnalisés. Il inclut la journalisation, la surveillance et la gestion des erreurs intégrées, ce qui en fait un outil idéal pour automatiser le développement logiciel, l’analyse de données et les systèmes de support à la décision.

Avalon-LLM est un cadre d'IA multi-agent basé sur Python qui permet aux utilisateurs d'orchestrer plusieurs agents pilotés par LLM dans un environnement coordonné. Chaque agent peut être configuré avec des outils spécifiques — y compris la recherche web, les opérations sur fichiers et les API personnalisés — pour réaliser des tâches spécialisées. Le cadre supporte des modules de mémoire pour stocker le contexte des conversations et les connaissances à long terme, un raisonnement en chaîne pour améliorer la prise de décision, et des pipelines d’évaluation intégrés pour benchmarker la performance des agents. Avalon-LLM offre un système de plugins modulaire, permettant aux développeurs d’ajouter ou de remplacer facilement des composants comme les fournisseurs de modèles, les kits d’outils et les magasins de mémoire. Avec des fichiers de configuration simples et des interfaces en ligne de commande, les utilisateurs peuvent déployer, surveiller et étendre des flux de travail d’IA autonomes adaptés pour la recherche, le développement et la production.

Eunomia utilise une approche axée sur la configuration pour orchestrer des agents AI. Via YAML, les utilisateurs définissent les rôles de l'agent, les modèles d'invite, les intégrations d'outils, les stocks de mémoire et la logique de branchement. Le cadre supporte des outils synchrones/asynchrones, la génération augmentée par récupération et l'invocation de chaîne de pensée. Un système de plugins extensible permet des outils personnalisés, des backend de mémoire et des intégrations de journalisation. La CLI d'Eunomia crée la structure du projet, valide les configs et exécute les agents localement ou dans des environnements cloud. Cela permet aux équipes de rapidement prototyper, itérer sur les flux de conversation et maintenir des solutions d'agents sans développement personnalisé lourd.

OpenMAS est conçu pour faciliter le développement et l'évaluation d'agents d'IA décentralisés et de stratégies de coordination multi-agents. Il dispose d'une architecture modulaire permettant aux utilisateurs de définir des comportements d'agents personnalisés, des modèles d'environnement dynamiques et des protocoles de messagerie inter-agents. Le cadre prend en charge la simulation basée sur la physique, l'exécution événementielle et l'intégration de plugins pour les algorithmes d'IA. Les utilisateurs peuvent configurer des scénarios via YAML ou Python, visualiser les interactions des agents et collecter des métriques de performance via des outils d'analyse intégrés. OpenMAS rationalise la prototypage dans des domaines tels que l'intelligence en essaim, la robotique coopérative et la prise de décision distribuée.

Pillar est un framework d'agents IA complet conçu pour simplifier le développement et le déploiement de workflows intelligents à plusieurs étapes. Il dispose d'une architecture modulaire avec des planificateurs pour la décomposition des tâches, des stockages de mémoire pour la rétention de contexte et des exécutants qui réalisent des actions via des API externes ou du code personnalisé. Les développeurs peuvent définir des pipelines d'agents en YAML ou JSON, intégrer n'importe quel fournisseur LLM et étendre la fonctionnalité via des plugins personnalisés. Pillar gère l'exécution asynchrone et la gestion du contexte en standard, réduisant le code boilerplate et accélérant la mise sur le marché d'applications basées sur l'IA telles que les chatbots, les assistants d'analyse de données et l'automatisation des processus métier.

Simple Playgrounds fournit une plateforme modulaire pour construire des environnements interactifs en grille 2D où des agents peuvent naviguer dans des labyrinthes, interagir avec des objets et accomplir des tâches. Les utilisateurs définissent la disposition de l'environnement, le comportement des objets et les fonctions de récompense via des scripts YAML ou Python simples. Le moteur de rendu Pygame intégré fournit une visualisation en temps réel, tandis qu'une API basée sur des pas garantit une intégration fluide avec des bibliothèques de RL comme Stable Baselines3. Avec le support pour des configurations multi-agent, la détection de collisions et des paramètres physiques personnalisables, Simple Playgrounds facilite les prototypes, le benchmarking et les démonstrations éducatives d'algorithmes IA.

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.

En substance, SpongeCake est une couche d'abstraction de haut niveau sur Langchain conçue pour accélérer le développement d'agents IA. Elle offre un support intégré pour enregistrer des outils — comme la recherche web, les connecteurs de bases de données ou les APIs personnalisées — gérer des modèles de prompts et persister la mémoire de conversation. Avec des configurations basées sur le code ou YAML, les équipes peuvent définir de manière déclarative le comportement des agents, chaîner des flux de travail multi-étapes et permettre une sélection dynamique des outils. La CLI incluse facilite les tests locaux, le débogage et le déploiement, faisant de SpongeCake un choix idéal pour construire des chatbots, des automatisateurs de tâches et des assistants spécifiques au domaine, le tout sans répétition de boilerplate.

TDD-GPT-Agent intègre les modèles GPT-4 ou GPT-3.5 d'OpenAI dans une CLI basée sur Python pour piloter un cycle de développement piloté par les tests entièrement automatisé. Sur la base d'une spécification de fonction par un développeur, il génère des fichiers de test pytest, exécute localement les tests, analyse les échecs, et produit du code d'implémentation pour satisfaire les assertions. Il répète le cycle jusqu'à ce que tous les tests passent. Configurable via un fichier YAML, l'agent supporte la personnalisation des prompts, la journalisation des sessions, l'intégration Git, et peut être intégré dans des pipelines CI/CD pour une assurance qualité continue. Ce workflow basé sur l'IA accélère le développement, améliore la couverture et garantit la fiabilité du code.

Agent Nexus offre une architecture modulaire pour la conception, la configuration et l'exécution d'agents IA interconnectés qui collaborent pour résoudre des tâches complexes. Les développeurs peuvent enregistrer dynamiquement des agents, personnaliser leur comportement via des modules Python et définir des pipelines de communication via des configurations YAML simples. Le routeur de messages intégré garantit un flux de données fiable entre les agents, tandis que les outils de journalisation et de surveillance intégrés aident à suivre les performances et à déboguer les workflows. Avec le support de bibliothèques IA populaires comme OpenAI et Hugging Face, Agent Nexus simplifie l'intégration de modèles divers. Que ce soit pour prototyper des expériences de recherche, construire des assistants automatisés pour le service client ou simuler des environnements multi-agents, Agent Nexus rationalise le développement et le test de systèmes IA collaboratifs, de la recherche académique aux déploiements commerciaux.

AgentIn est un framework IA basé sur Python conçu pour accélérer le développement d'agents conversationnels et orientés tâche. Il offre des modules de mémoire intégrés pour persister le contexte, une intégration dynamique d'outils pour appeler des API externes ou des fonctions locales, et un système flexible de templates de prompts pour des interactions personnalisées. L'orchestration multi-agents permet des workflows en parallèle, tandis que la journalisation et le cache améliorent la fiabilité et la traçabilité. Facilement configurable via YAML ou code Python, AgentIn supporte les principaux fournisseurs LLM et peut être étendu avec des plugins personnalisés pour des capacités spécifiques au domaine.