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.

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 of Code est un cadre d'agent IA polyvalent qui permet aux développeurs de déléguer les tâches de codage routinières à des agents intelligents. Il exploite de grands modèles linguistiques pour transformer des invites en langage naturel en code pleinement fonctionnel, effectuer des revues de code automatisées, déboguer le code existant et refactoriser des bases de code legacy. Les utilisateurs définissent les objectifs et paramètres de l'agent via des configurations YAML ou JSON, sélectionnent des plugins pour des tâches comme les tests ou l'intégration continue, et exécutent des agents via CLI. Le framework orchestre les appels API, gère les fenêtres de contexte, et assemble des réponses modulaires en scripts de code cohérents. Grâce à une architecture extensible, les développeurs peuvent ajouter des modules personnalisés, intégrer des systèmes de contrôle de version, et adapter le pipeline de l'agent aux flux de travail du projet.

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.

Cognita offre une architecture modulaire pour la création d’applications RAG : ingestion et indexation des documents, sélection parmi OpenAI, TrueFoundry ou des fournisseurs tiers d’intégration, et configuration des pipelines de récupération via YAML ou Python DSL. Son interface frontend intégrée permet de tester les requêtes, d’ajuster les paramètres de récupération et de visualiser la similarité vectorielle. Une fois validé, Cognita fournit des modèles de déploiement pour Kubernetes et les environnements serverless, permettant de faire évoluer des assistants IA basés sur la connaissance en production avec observabilité et sécurité.

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.

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.

LLM-Culture offre une approche structurée pour intégrer la culture organisationnelle dans les interactions avec de grands modèles linguistiques. Vous commencez par définir les valeurs et règles de style de votre marque dans un fichier de configuration simple. Le framework fournit ensuite une bibliothèque de modèles de prompts conçus pour appliquer ces directives. Après génération, la boîte à outils d’évaluation intégrée mesure l’alignement selon vos critères culturels et met en évidence toute incohérence. Enfin, vous déployez le framework avec votre pipeline LLM – via API ou sur site – afin que chaque réponse respecte constamment le ton, l’éthique et la personnalité de votre marque.

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.