SmartRAG est une bibliothèque Python modulaire conçue pour les workflows de génération augmentée par récupération (RAG) avec de grands modèles de langage. Elle combine l'ingestion de documents, l'indexation vectorielle et des API LLM de pointe pour fournir des réponses précises et riches en contexte. Les utilisateurs peuvent importer des PDFs, des fichiers texte ou des pages web, les indexer en utilisant des magasins vectoriels populaires comme FAISS ou Chroma, et définir des modèles de prompts personnalisés. SmartRAG orchestre la récupération, la composition des prompts et l'inférence LLM, renvoyant des réponses cohérentes basées sur les documents sources. En abstraisant la complexité des pipelines RAG, il accélère le développement de systèmes de questions-réponses, de chatbots et d'assistants de recherche. Les développeurs peuvent étendre les connecteurs, échanger les fournisseurs LLM et affiner les stratégies de récupération pour s'adapter à des domaines de connaissance spécifiques.

Summative Info Researcher Agents propose un cadre modulaire d’agents pilotés par IA conçus pour effectuer des tâches de recherche de bout en bout. Il automatise la recherche web, le scraping de contenu, l’extraction de données pertinentes et synthétise les résultats en résumés clairs et structurés. Basé sur des LLM populaires et extensible via des plugins, le projet permet aux utilisateurs de définir des workflows à plusieurs étapes, chaîner des agents et ajuster les paramètres pour des requêtes spécifiques au domaine. Son architecture flexible prend en charge l’intégration avec des API, des connecteurs de bases de données et des systèmes de planification pour répondre aux besoins académiques, commerciaux ou personnels.

ToolFuzz fournit un cadre complet de test de fuzzing, spécialement adapté aux agents IA utilisant des outils. Il génère systématiquement des séquences d’appel d’outil aléatoires, des entrées API mal formées et des combinaisons de paramètres inattendues pour tester les modules d’appel d’outils de l’agent. Les utilisateurs peuvent définir des stratégies de fuzzing personnalisées à l’aide d’une interface modulaire de plugins, intégrer des outils ou API tiers, et ajuster les règles de mutation pour cibler des modes d’échec spécifiques. Le framework collecte les traces d'exécution, mesure la couverture du code pour chaque composant et met en évidence les exceptions non gérées ou les défauts logiques. Avec une agrégation des résultats et des rapports intégrés, ToolFuzz accélère l’identification des cas limites, des problèmes de régression et des vulnérabilités de sécurité, renforçant ainsi la robustesse et la fiabilité des flux de travail basés sur l’IA.

X AI Agent offre une architecture modulaire pour la construction d'agents intelligents. Il prend en charge une intégration transparente avec des outils et APIs externes, des modules de mémoire configurables et une orchestration multi-LLM. Les développeurs peuvent définir des compétences personnalisées, des connecteurs d'outils et des flux de travail dans le code, puis déployer des agents qui récupèrent des données, génèrent du contenu, automatisent des processus et gèrent des dialogues complexes de manière autonome.

AgentInteraction est un framework Python orienté développeur conçu pour simuler, coordonner et évaluer les interactions multi-agents en utilisant de grands modèles linguistiques. Il permet aux utilisateurs de définir des rôles d'agents distincts, de contrôler le flux de conversation via un gestionnaire central et d’intégrer tout fournisseur LLM via une API cohérente. Avec des fonctionnalités comme le routage des messages, la gestion du contexte et l’analyse des performances, AgentInteraction simplifie l’expérimentation avec des architectures d’agents collaboratifs ou compétitifs, facilitant le prototypage de scénarios complexes et la mesure du taux de réussite.

AgentServe fournit une interface unifiée pour créer et déployer des agents d'IA. Les utilisateurs définissent le comportement des agents dans des fichiers de configuration ou du code, intègrent des outils ou sources de connaissances externes, et exposent les agents via des points de terminaison REST. Le cadre gère le routage des modèles, les requêtes parallèles, le contrôle de la santé, la journalisation et les métriques. La conception modulaire d'AgentServe permet d'ajouter de nouveaux modèles, outils ou politiques de planification, idéal pour créer des chatbots, workflows automatisés et systèmes multi-agent à grande échelle.

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.

Advanced_RAG offre un pipeline modulaire pour les tâches de génération augmentée par récupération, comprenant des chargeurs de documents, des constructeurs d'index vectoriels et des gestionnaires de chaînes. Les utilisateurs peuvent configurer différentes bases de données vectorielles (FAISS, Pinecone), personnaliser les stratégies de récupération (recherche par similarité, recherche hybride), et intégrer n'importe quel LLM pour générer des réponses contextuelles. Il prend également en charge des métriques d’évaluation et la journalisation pour le tuning des performances, et est conçu pour la scalabilité et la extensibilité en environnement de production.

Agentin est une bibliothèque Python open-source conçue pour aider les développeurs à créer des agents intelligents capables de planifier, agir et apprendre. Elle fournit des abstractions pour la gestion de la mémoire conversationnelle, l'intégration d'outils ou d'API externes et l'orchestration de plusieurs agents en flux de travail parallèles ou hiérarchiques. Avec des modules de planification configurables et un support pour les wrappers d'outils personnalisés, Agentin permet un prototypage rapide d'agents autonomes de traitement de données, de bots de service client ou d'assistants de recherche. Le framework offre également des hooks extensibles pour la journalisation et la surveillance, facilitant le suivi des décisions des agents et la résolution de problèmes dans les interactions complexes multi-étapes.

Agent ChatRoom fournit un environnement flexible pour construire et exécuter des systèmes de conversation multi-agent. Les utilisateurs peuvent créer des agents avec des personas et prompts uniques, acheminer des messages entre agents et visualiser l'historique des conversations dans une interface élégante. Elle s'intègre avec les API OpenAI, prend en charge la configuration personnalisée du comportement des agents et peut être déployée sur n'importe quel service d'hébergement statique. Les développeurs bénéficient d'une architecture modulaire, d'un réglage facile des prompts et d'une interface responsive pour tester des scénarios de collaboration AI.

Agent Script fournit une couche de script déclarative sur de grands modèles linguistiques, vous permettant d'écrire des scripts YAML ou JSON qui définissent les flux de travail de l'agent, les appels d'outils et l'utilisation de mémoire. Vous pouvez connecter OpenAI, des LLM locaux ou d'autres fournisseurs, connecter des API externes en tant qu'outils, et configurer des backend de mémoire à long terme. Le framework gère la gestion du contexte, l'exécution asynchrone et la journalisation détaillée en standard. Avec un code minimal, vous pouvez prototyper des chatbots, des flux RPA, des agents d'extraction de données ou des boucles de contrôle personnalisées, facilitant la création, le test et le déploiement d'automatisations alimentées par l'IA.

Agent-Squad est un framework modulaire en Python qui permet aux équipes de concevoir, déployer et exécuter des systèmes multi-agents pour l'exécution de tâches complexes. Au cœur du système, Agent-Squad permet aux utilisateurs de configurer divers profils d'agents—comme récupérateurs de données, résumeurs, codeurs et validateurs—qui communiquent via des canaux définis et partagent un contexte mémoire. En décomposant des objectifs de haut niveau en sous-tâches, le framework orchestre le traitement parallèle et exploite les LLM avec des API externes, des bases de données ou des outils personnalisés. Les développeurs peuvent définir des workflows en JSON ou en code, surveiller les interactions des agents et ajuster les stratégies de façon dynamique à l'aide des outils de journalisation et d'évaluation intégrés. Les applications courantes incluent des assistants de recherche automatisés, des pipelines de génération de contenu, des bots QA intelligents, et des processus de revue de code itératifs. La conception open-source s'intègre parfaitement avec les services AWS, permettant des déploiements évolutifs.

Agentle fournit un cadre structuré pour que les développeurs construisent des agents d'IA personnalisés avec un minimum de code boilerplate. Il supporte la définition de workflows d'agents sous forme de séquences de tâches, l'intégration transparente avec des API et outils externes, la gestion de la mémoire conversationnelle pour la conservation du contexte, et une journalisation intégrée pour l'auditabilité. La bibliothèque propose également des hooks pour étendre la fonctionnalité, la coordination de plusieurs agents pour des pipelines complexes et une interface unifiée pour exécuter les agents localement ou les déployer via des API HTTP.

Le AI Agent Marketplace est un annuaire communautaire pour les agents IA, permettant aux développeurs, chercheurs et passionnés de découvrir, évaluer et contribuer aux agents. Les utilisateurs peuvent filtrer les agents par catégorie, voir des descriptions détaillées et des instructions d'intégration, et soumettre leurs propres agents via des demandes de tirage. La plateforme regroupe des métadonnées, des liens et des exemples pour chaque agent, facilitant la comparaison des capacités et la recherche des outils adaptés à des cas d'utilisation spécifiques.

AIGC Agents est un cadre modulaire open-source conçu pour simplifier la création et le déploiement d'assistants de voyage intelligents. Il offre des composants préconçus pour la compréhension du langage naturel, la planification d'itinéraires, l'intégration de la recherche de vols et d'hôtels, et l'orchestration multi-agent. Les développeurs peuvent personnaliser les invites, définir les interfaces d'outils et étendre la fonctionnalité avec de nouvelles API. Le cadre prend en charge les pipelines basés sur Python, des points de terminaison RESTful et le déploiement conteneurisé, le rendant adapté à la fois au prototypage et à la production. Avec une gestion des erreurs intégrée, la journalisation et une gestion sécurisée des clés, AIGC Agents accélère le développement d'applications de chat IA robustes et centrées sur le voyage.

AimeBox offre un environnement complet auto-hébergé pour la construction et l'exécution d'agents IA. Il s'intègre aux principaux fournisseurs de LLM, stocke l'état du dialogue et les embeddings dans une base de données vectorielle, et prend en charge l'appel d'outils et de fonctions personnalisés. Les utilisateurs peuvent configurer des stratégies de mémoire, définir des workflows et étendre les capacités via des plugins. La plateforme propose un tableau de bord basé sur le web, des points d'API et des contrôles CLI, ce qui facilite le développement de chatbots, d'assistants de connaissances et de travailleurs numériques spécifiques au domaine sans dépendre de services tiers.

Aladin propose une architecture modulaire permettant aux développeurs de définir des agents autonomes propulsés par de grands modèles de langage (LLMs). Chaque agent peut charger des backends mémoire (ex. SQLite, en mémoire), utiliser des modèles de prompts dynamiques et intégrer des plugins personnalisés pour des appels API externes ou l'exécution de commandes locales. Il possède un planificateur de tâches qui décompose des objectifs de haut niveau en actions séquencées, les exécutant dans l'ordre et les réitérant basés sur le feedback de l'LLM. La configuration est gérée via des fichiers YAML et des variables d'environnement, l'adaptant à divers cas d'usage. Les utilisateurs peuvent déployer Aladin via Docker Compose ou pip. Les interfaces CLI et HTTP basées sur FastAPI permettent de lancer des agents, surveiller leur exécution et inspecter l'état de la mémoire, facilitant l'intégration avec des pipelines CI/CD, interfaces de chat ou dashboards personnalisés.

AutoGPT Node fournit une implémentation en JavaScript d'agents GPT autonomes, apportant les fonctionnalités d'Auto-GPT à l'écosystème Node.js. Avec ce framework, vous définissez des objectifs ou des buts, et l'agent planifie de manière autonome une séquence de tâches, exécute des commandes, interagit avec le système de fichiers, et utilise des plugins ou des API selon les besoins. Les principales capacités incluent le stockage de mémoire pour la conservation du contexte, l'invocation dynamique d'outils, l'auto-évaluation itérative, la gestion des erreurs et la journalisation configurable. Vous pouvez exécuter plusieurs agents, configurer des commandes personnalisées, gérer l'état de l'agent, et intégrer des outils tiers pour automatiser la génération de contenu, l'analyse de données, l'écriture de code, les scripts DevOps, et plus encore via une interface JavaScript simple.

Azeerc-AI est un framework axé sur les développeurs permettant une construction rapide d'agents intelligents en orchestrant des appels de grands modèles de langage (LLM), des intégrations d'outils et la gestion de la mémoire. Il offre une architecture plugin où vous pouvez enregistrer des outils personnalisés—comme la recherche web, des fetchers de données ou des API internes—puis programmer des workflows complexes à plusieurs étapes. La mémoire dynamique intégrée permet aux agents de se souvenir et de récupérer des interactions passées. Avec un minimum de code boilerplate, vous pouvez lancer des bots conversationnels ou des agents à tâche spécifique, personnaliser leur comportement et les déployer dans n'importe quel environnement Python. Son design extensible s'adapte à des cas d'utilisation allant des chatbots de support client aux assistants de recherche automatisés.

Le framework Besser Agentic offre une boîte à outils modulaire pour définir, coordonner et faire évoluer des agents IA. Il permet de configurer le comportement des agents, d’intégrer des outils et APIs externes, de gérer la mémoire et l’état des agents, et de surveiller l'exécution. Basé sur Python, il supporte des interfaces de plugin extensibles, la collaboration multi-agent et une journalisation intégrée. Les développeurs peuvent rapidement prototyper et déployer des agents pour des tâches telles que l'extraction de données, la recherche automatisée et les assistants conversationnels, le tout dans un cadre unifié.