Cerelyze est un outil conçu pour convertir automatiquement les méthodes des dernières publications de recherche en carnets exécutables, aidant les ingénieurs, les chercheurs et les universitaires à réaliser rapidement des prototypes et à déployer des algorithmes. Cela peut considérablement accélérer le processus de mise en œuvre de la recherche en code, facilitant ainsi l'intégration d'algorithmes complexes dans des applications pratiques.

Code Agent combine la planification, la codification, le test et le débogage en un pipeline fluide. Les utilisateurs fournissent un répertoire de projet et une description des fonctionnalités souhaitées. Ensuite, l'agent décompose la tâche, génère du code, exécute des tests, analyse les échecs et applique des correctifs en boucle jusqu'à ce que les tests soient réussis. Il supporte plusieurs langages de programmation, s'intègre aux suites de tests existantes et effectue automatiquement des commits dans le contrôle de version. En automatisant les tâches répétitives et la résolution d’erreurs, Code Agent accélère la prototypage et l’intégration continue.

JaCaMo fournit un environnement unifié pour concevoir et exécuter des systèmes multi-agents (MAS) en intégrant trois composants principaux : le langage de programmation Jason pour les agents BDI, CArtAgO pour la modélisation environnementale basée sur des artefacts, et Moise pour la spécification des structures organisationnelles et roles. Les développeurs peuvent écrire des plans d'agents, définir des artefacts avec des opérations, et organiser des groupes d'agents sous des cadres normatifs. La plateforme inclut des outils pour la simulation, le débogage et la visualisation des interactions MAS. Avec le support pour l'exécution distribuée, des référentiels d'artefacts, et une messagerie flexible, JaCaMo permet un prototypage rapide et la recherche dans des domaines tels que l'intelligence en essaim, la robotique collaborative et la prise de décision distribuée. Son design modulaire assure l'évolutivité et l'extensibilité à travers des projets académiques et industriels.

KoG Playground est une plateforme open-source basée sur le navigateur, conçue pour simplifier le développement d'agents de génération augmentée par récupération (RAG). Elle se connecte à des bases de données vectorielles populaires comme Pinecone ou FAISS, permettant aux utilisateurs d'ingérer des corpus de texte, de calculer des embeddings et de configurer visuellement des pipelines de récupération. L'interface offre des composants modulaires pour définir des modèles de prompts, des backends LLM (OpenAI, Hugging Face) et des gestionnaires de chaîne. Des logs en temps réel affichent l'utilisation des tokens et les métriques de latence pour chaque appel API, aidant ainsi à optimiser la performance et le coût. Les utilisateurs peuvent ajuster les seuils de similarité, les algorithmes de re-ranking et les stratégies de fusion des résultats à la volée, puis exporter leur configuration sous forme d'extraits de code ou de projets reproductibles. KoG Playground facilite le prototypage pour les chatbots basés sur la connaissance, les applications de recherche sémantique et les assistants IA personnalisés avec peu de programmation nécessaire.

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.

MARFT est un LLM basé sur Python, permettant des expériences reproductibles et la prototypage rapide de systèmes IA collaboratifs.

L'architecture modulaire LLM est conçue pour simplifier la création d'applications personnalisées pilotées par LLM via une conception modulaire et composable. Elle fournit des composants clés tels que des modules de mémoire pour la rétention d'état de session, des interfaces d'outils pour les appels d'API externes, des gestionnaires de prompts pour la génération de prompts basés sur des modèles ou dynamique, et des moteurs d'orchestration pour contrôler le flux de travail de l'agent. Vous pouvez configurer des pipelines en chaînant ces modules, permettant des comportements complexes tels que le raisonnement en plusieurs étapes, des réponses contextuelles et la récupération de données intégrée. La structure supporte plusieurs backends LLM, vous permettant de changer ou de mélanger des modèles, et offre des points d'extension pour ajouter de nouveaux modules ou une logique personnalisée. Cette architecture accélère le développement en promouvant la réutilisation des composants tout en maintenant la transparence et le contrôle sur le comportement de l'agent.

Orra.dev est une plateforme complète de création d'agents IA conçue pour simplifier le cycle de vie complet des assistants intelligents. En combinant un constructeur de workflows visuels avec des intégrations transparentes aux principaux fournisseurs de LLM et aux systèmes d'entreprise, Orra.dev permet aux équipes de prototyper la logique de conversation, d'affiner le comportement des agents et de lancer des bots prêts pour la production sur plusieurs canaux en quelques minutes. Les fonctionnalités incluent des modèles préconçus pour des bots FAQ, des assistants e-commerce et des agents de revue de code, ainsi que des déclencheurs personnalisables, des connecteurs API et la gestion des rôles utilisateurs. Avec des suites de tests intégrées, le contrôle de version collaboratif et des tableaux de bord de performance, les organisations peuvent itérer sur les réponses des agents, surveiller les interactions des utilisateurs et optimiser les flux de travail en fonction des données en temps réel, accélérant ainsi le déploiement et réduisant les coûts de maintenance.

Python Coding Agent est un outil en ligne de commande open-source qui utilise des modèles GPT pour générer du code Python à partir de textes, exécuter ce code localement, et détecter les erreurs d'exécution. Il fournit des retours instantanés permettant aux utilisateurs d'affiner le code de façon itérative, d'automatiser des tâches de scripting répétitives, de prototyper des pipelines d'analyse de données, et de déboguer des fonctions. En combinant la compréhension du langage naturel avec l'exécution en temps réel, il comble le fossé entre idée et implémentation, accélérant le développement et l'apprentissage.

SwiftSage exploite un grand modèle de langage pour interpréter des descriptions en langage naturel et produire des vues SwiftUI entièrement fonctionnelles ou des modules de code Swift. Les utilisateurs peuvent demander des dispositions UI, des modèles de données ou des composants réseau, personnaliser le style et prévisualiser les résultats en temps réel. L'outil supporte le feedback itératif, permettant aux développeurs et aux designers d'affiner les extraits de code jusqu'à ce qu'ils répondent aux exigences du projet. Il simplifie le prototypage, l'apprentissage et la production dans la création d'applications iOS.

Xspiral est une plateforme de design et de collaboration améliorée par IA, conçue pour créer du contenu visuel époustouflant. Elle fusionne des capacités de design 2D et 3D puissantes, permettant aux utilisateurs de produire, gérer et partager efficacement leurs designs en temps réel. Que vous soyez un designer professionnel, un chef de produit ou un expert en marketing, Xspiral facilite des flux de travail intuitifs qui rationalisent la collaboration de projet. Du prototypage rapide à l'animation, la plateforme permet aux équipes de disposer de la technologie nécessaire pour délivrer des graphiques visuels captivants sans effort.

Ce dépôt regroupe une collection complète de composants de systèmes multi-agent et de techniques de coordination IA distribuée. Il offre des implémentations d'algorithmes de consensus, de protocoles de négociation Contract-Net, d'attribution de tâches basée sur des enchères, de stratégies de formation de coalitions et de cadres de communication inter-agent. Les utilisateurs peuvent exploiter des environnements de simulation intégrés pour modéliser et tester le comportement des agents sous diverses topologies de réseau, scénarios de latence et modes de défaillance. La conception modulaire permet aux développeurs et chercheurs d'intégrer, d'étendre ou de personnaliser des modules de coordination individuels pour des applications dans les essaims de robotique, la collaboration entre dispositifs IoT, les réseaux électriques intelligents et la prise de décision distribuée.

ASP-DALI fournit une plateforme unifiée pour définir et exécuter des agents intelligents basés sur la logique. Les développeurs écrivent des règles ASP pour représenter la connaissance et les objectifs de l’agent, tandis que les constructions DALI définissent les réactions aux événements et l’exécution des actions. À l’exécution, un solveur ASP calcule des ensembles de réponses qui guident la prise de décision de l’agent, lui permettant de planifier, de réagir aux événements entrants et d’ajuster ses croyances de manière dynamique. Le cadre supporte des bases de connaissances modulaires, facilitant les mises à jour incrémentielles et la séparation claire entre règles déclaratives et comportements réactifs. ASP-DALI est implémenté en Prolog avec des interfaces vers des solveurs ASP populaires, simplifiant l’intégration et le déploiement en recherche et prototypes.

Genie 2 est un outil de modélisation de monde IA révolutionnaire qui utilise un modèle de diffusion latente autoregressif pour générer des environnements 3D entièrement jouables et réactifs à l'action à partir d'un seul indice d'image. Cette technologie prend en charge des simulations physiques réalistes, un éclairage dynamique, des interactions réactives avec des objets et des animations complexes de personnages. Les mondes générés peuvent être manipulés en temps réel, faisant de Genie 2 un outil inestimable pour le prototypage rapide dans le développement de jeux, la recherche en IA, les flux de travail de conception créative et les tests d'environnement.

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.

Lightning AI est une plateforme complète qui intègre vos outils de machine learning préférés dans une interface cohérente. Elle prend en charge l'ensemble du cycle de vie du développement IA, y compris la préparation des données, l'entraînement des modèles, la scalabilité et le déploiement. Conçue par les créateurs de PyTorch Lightning, cette plateforme offre des capacités robustes pour le codage collaboratif, le prototypage fluide, l'entraînement scalable et le service sans effort des modèles IA. L'interface cloud garantit aucune configuration et une expérience utilisateur fluide.

L'exemple d'agents LLM offre une base de code pratique pour construire des agents IA en Python. Il démontre l'enregistrement d'outils personnalisés (recherche web, solveur mathématique via WolframAlpha, analyseur CSV, REPL Python), la création d'agents de chat et basés sur la récupération, ainsi que la connexion à des magasins vectoriels pour la réponse aux questions de documents. Le dépôt illustre des modèles pour maintenir la mémoire conversationnelle, dispatcher dynamiquement les appels aux outils et enchaîner plusieurs invites LLM pour résoudre des tâches complexes. Les utilisateurs apprennent à intégrer des API tierces, structurer les flux de travail des agents et étendre le cadre avec de nouvelles fonctionnalités — un guide pratique pour l'expérimentation et le prototypage par les développeurs.

MASChat offre un cadre flexible pour orchestrer des conversations entre plusieurs agents IA alimentés par des modèles linguistiques. Les développeurs peuvent définir des agents avec des rôles spécifiques — comme chercheur, résumeur ou critique — et spécifier leurs invites, permissions et protocoles de communication. le gestionnaire central de MASChat gère le routage des messages, assure la conservation du contexte et enregistre les interactions pour la traçabilité. En coordonnant des agents spécialisés, MASChat décompose des tâches complexes — comme la recherche, la création de contenu ou l’analyse de données — en flux de travail parallèles, améliorant ainsi l’efficacité et la compréhension. Il s’intègre aux API GPT d’OpenAI ou aux LLM locaux et permet des extensions via des plugins pour des comportements personnalisés. MASChat est idéal pour le prototypage de stratégies multi-agent, la simulation d’environnements collaboratifs et l’exploration de comportements émergents dans les systèmes IA.

OpenAssistant offre un ensemble d'outils complet pour construire et affiner des agents IA adaptés à des tâches spécifiques. Il inclut des scripts de traitement de données pour convertir des jeux de données dialogues bruts en formats d'entraînement, des modèles pour l'apprentissage basé sur des instructions, et des utilitaires pour suivre la progression de l'entraînement. L’architecture plugin permet une intégration transparente d’API externes pour des fonctionnalités étendues telles que la récupération de connaissances et l'automatisation des workflows. Les utilisateurs peuvent évaluer la performance des agents à l’aide de benchmarks prédéfinis, visualiser les interactions via une interface web intuitive, et déployer des endpoints prêts pour la production avec des déploiements conteneurisés. Son code extensible supporte plusieurs backends de deep learning, facilitant la personnalisation des architectures de modèles et des stratégies d'entraînement. En fournissant un support de bout en bout — de la préparation des données au déploiement — OpenAssistant accélère le cycle de développement de solutions d’IA conversationnelle.

Rawr Agent est un cadre Python modulaire et open-source qui permet aux développeurs de construire des agents AI autonomes en orchestrant des flux de travail complexes d’interactions LLM. En utilisant LangChain en arrière-plan, Rawr Agent vous permet de définir des séquences de tâches via des configurations YAML ou du code Python, en intégrant des outils tels que les API web, les requêtes de bases de données et les scripts personnalisés. Il comprend des composants de mémoire pour stocker l’historique des conversations et les embeddings vectoriels, des mécanismes de mise en cache pour optimiser les appels répétés, ainsi que des journaux de bord et une gestion robuste des erreurs pour surveiller le comportement de l’agent. Son architecture extensible permet d’ajouter des outils et des connecteurs personnalisés, rendant l’outil adapté pour des tâches telles que la recherche automatisée, l’analyse de données, la génération de rapports et les chatbots interactifs. Avec sa API simple, les équipes peuvent rapidement prototyper et déployer des agents intelligents pour diverses applications.