Advanced Agents Cookbooks est un projet GitHub communautaire offrant une bibliothèque de recettes d'agents IA basés sur LangChain. Il couvre des modules de mémoire pour la rétention du contexte, l'intégration d'outils personnalisés pour des appels API et données externes, des modèles pour l'appel de fonctions pour des réponses structurées, la planification de raisonnement pour la prise de décision complexe et l'orchestration de workflows multi-étapes. Les développeurs peuvent utiliser ces exemples prêts à l'emploi pour comprendre les meilleures pratiques, personnaliser le comportement et accélérer le développement d'agents intelligents automatisant des tâches telles que la planification, la récupération de données et le support client.

EasyAgent fournit un cadre complet pour la construction d'agents IA autonomes en Python. Il offre des backends LLM modulaires tels que OpenAI, Azure et modèles locaux, des modules de planification et de raisonnement personnalisables, une intégration d'outils API et un stockage mémoire persistant. Les développeurs peuvent définir les comportements des agents par des configurations YAML ou Python simples, utiliser l'appel de fonctions intégré pour accéder à des données externes, et orchestrer plusieurs agents pour des flux de travail complexes. EasyAgent inclut également des fonctionnalités telles que la journalisation, la surveillance, la gestion des erreurs et des points d'extension pour des implémentations sur mesure. Son architecture modulaire accélère le prototypage et le déploiement d'agents spécialisés dans des domaines comme le support client, l'analyse de données, l'automatisation et la recherche.

LangGraph4j représente les opérations d'agents IA — appels LLM, invocations de fonctions, transformations de données — sous forme de nœuds dans un graphe orienté, avec des arêtes modélisant le flux de données. Vous créez un graphe, ajoutez des nœuds pour chat, embeddings, API externes ou logique personnalisée, les connectez, puis exécutez. Le framework gère l'ordre d'exécution, la mise en cache, la journalisation des entrées et sorties, et permet d'étendre avec de nouveaux types de nœuds. Il supporte le traitement synchrone et asynchrone, idéal pour chatbots, questions-réponses et pipelines complexes de raisonnement.

LLM Functions offre un cadre simple pour relier les réponses du grand modèle linguistique à l’exécution réelle du code. Vous définissez des fonctions via des schémas JSON, les enregistrez dans la bibliothèque, et le LLM retournera des appels de fonction structurés lorsque cela est approprié. La bibliothèque parses ces réponses, valide les paramètres, et invoque le gestionnaire correct. Elle supporte les rappels synchrones et asynchrones, la gestion d’erreur personnalisée, et les extensions de plugins, ce qui la rend idéale pour les applications nécessitant une recherche dynamique de données, des appels API externes, ou une logique commerciale complexe au sein de conversations pilotées par IA.