Prediction Market Agent Tooling fournit une architecture modulaire pour créer des agents de trading autonomes sur des marchés de prédiction. Elle propose des connecteurs pour des plateformes majeures comme Augur et Polymarket, une bibliothèque de modèles de stratégie réutilisables, des flux de données en temps réel, un moteur de backtesting robuste et des analyses de performance intégrées. Les utilisateurs peuvent rapidement prototyper des algorithmes, simuler des conditions de marché historiques et déployer des agents en direct avec des outils de surveillance, ce qui en fait un outil idéal pour les chercheurs et les traders quantitatifs.

PulpGen fournit une plateforme unifiée et configurable pour construire des applications avancées basées sur LLM. Elle offre des intégrations transparentes avec des magasins de vecteurs populaires, des services d'intégration, et des fournisseurs LLM. Les développeurs peuvent définir des pipelines personnalisés pour la génération augmentée par récupération, activer des sorties en streaming en temps réel, traiter par lot de grandes collections de documents, et surveiller la performance du système. Son architecture extensible permet des modules plug-and-play pour la gestion du cache, la journalisation et l'auto-scaling, ce qui le rend idéal pour la recherche alimentée par IA, la question-réponse, la synthèse, et la gestion des connaissances.

ReasonChain fournit un pipeline modulaire pour construire des séquences d'opérations pilotées par LLM, permettant à chaque étape d'alimenter la suivante. Les utilisateurs peuvent définir des nœuds de chaîne personnalisés pour la génération d'invites, les appels API à différents fournisseurs LLM, la logique conditionnelle pour diriger les flux de travail et des fonctions d'agrégation pour les résultats finaux. Le framework inclut un débogage et une journalisation intégrés pour suivre les états intermédiaires, une prise en charge des recherches dans les bases de données vectorielles et une extension facile via des modules définis par l'utilisateur. Qu'il s'agisse de résoudre des tâches de raisonnement en plusieurs étapes, d'orchestrer des transformations de données ou de construire des agents conversationnels avec mémoire, ReasonChain offre un environnement transparent, réutilisable et testable. Son design encourage l'expérimentation avec des stratégies de chaînes de pensée, ce qui le rend idéal pour la recherche, le prototypage et des solutions d'IA prêtes pour la production.

simple_rl est une bibliothèque Python minimaliste conçue pour rationaliser la recherche et l'éducation en apprentissage par renforcement. Elle offre une API cohérente pour définir des environnements et des agents, avec un support intégré pour les paradigmes RL courants comme Q-learning, Monte Carlo et les algorithmes de programmation dynamique tels que l'itération de valeur et de politique. Le cadre comprend des environnements d'exemple tels que GridWorld, MountainCar et Multi-Armed Bandits, facilitant l'expérimentation pratique. Les utilisateurs peuvent étendre les classes de base pour implémenter des environnements ou agents personnalisés, tandis que des fonctions utilitaires gèrent la journalisation, le suivi des performances et l'évaluation des politiques. La légèreté de simple_rl et la clarté du code en font un outil idéal pour le prototypage rapide, l'enseignement des fondamentaux du RL, et le benchmarking de nouveaux algorithmes dans un environnement reproductible et facile à comprendre.

Vagent.io fournit une interface intuitive pour interagir avec des Agentes AI personnalisés utilisant des commandes vocales. Au lieu de taper, les utilisateurs peuvent facilement communiquer avec leurs Agentes AI par la parole naturelle. La plateforme s'intègre avec des webhooks simples et utilise OpenAI pour une reconnaissance vocale de haute qualité et un support pour plus de 60 langues. La confidentialité des données est priorisée, aucune inscription n'est requise et toutes les données sont stockées sur l'appareil de l'utilisateur. Vagent.io est très polyvalent, permettant aux utilisateurs de se connecter à diverses plateformes back-end et de créer des systèmes modulaires à plusieurs agents pour des tâches plus complexes.

L'agent vocal AI Samantha est un framework d'assistant vocal entièrement modulaire, open source, construit en Python. Il exploite le modèle GPT-4 d'OpenAI pour la gestion contextuelle du dialogue, Whisper pour la transcription précise de la parole en texte, et ElevenLabs ou TTS de Microsoft pour une sortie de synthèse vocale réaliste. Avec la prise en charge intégrée de l'écoute continue, des hooks de compétences personnalisables, des intégrations API et des déclencheurs événementiels, Samantha permet aux développeurs de créer des flux de travail vocaux personnalisés, d'automatiser des tâches et de déployer sur des environnements de bureau ou serveur sans contraintes de licence importantes.

SonAgent est un cadre extensible open-source conçu pour construire, organiser et exécuter des agents IA en Python. Il fournit des modules principaux pour le stockage de mémoire, des wrappers d'outils, la logique de planification et la gestion d'événements asynchrones. Les développeurs peuvent enregistrer des outils personnalisés, intégrer des modèles linguistiques, gérer la mémoire à long terme des agents et orchestrer plusieurs agents pour collaborer sur des tâches complexes. La conception modulaire de SonAgent accélère le développement de bots conversationnels, d'automatisations de flux de travail et de systèmes d'agents distribués.

Splutter AI est une solution avancée de chatbot conçue pour améliorer l'engagement client grâce à des agents AI personnalisables. Elle permet aux entreprises de créer des chatbots sur mesure avec diverses fonctionnalités pour le web et les SMS. Grâce à son design modulaire, Splutter AI permet aux utilisateurs de changer facilement de modèles, d'outils et de bases de données. La plateforme favorise l'intégration avec divers services tiers, garantissant une adaptation aux exigences commerciales uniques. En automatisant les interactions, les entreprises peuvent améliorer l'efficacité et la satisfaction client, en faisant un atout précieux dans plusieurs secteurs.

TreeInstruct fournit un cadre pour construire des pipelines de prompts hiérarchiques basés sur des arbres de décision pour de grands modèles linguistiques. Les utilisateurs peuvent définir des nœuds représentant des prompts ou des appels de fonction, établir des branches conditionnelles en fonction des sorties du modèle, et exécuter l'arbre pour guider des workflows complexes. Il prend en charge l'intégration avec OpenAI et d'autres fournisseurs de LLM, offrant la journalisation, la gestion des erreurs et des paramètres de nœuds personnalisables pour assurer transparence et flexibilité dans les interactions à plusieurs tours.

With AI Agents est un framework axé sur le code en TypeScript qui vous aide à définir et orchestrer plusieurs agents IA, chacun avec des rôles distincts tels que planificateur, exécutant et mémoire. Il fournit une gestion de mémoire intégrée pour persister le contexte, un sous-système d'appel de fonctions pour intégrer des API externes, et une interface CLI pour des sessions interactives. En combinant les agents en pipelines ou hiérarchies, vous pouvez automatiser des tâches complexes — comme des pipelines d'analyse de données ou des flux de support client — tout en garantissant modularité, évolutivité et personnalisation facile.

xBrain offre une architecture modulaire pour créer, configurer et orchestrer des agents autonomes au sein d'applications Python. Les utilisateurs définissent des agents avec des capacités spécifiques — telles que la récupération de données, l'analyse ou la génération — et les assemblent dans des flux de travail où chaque agent communique et délègue des tâches. Le framework comprend un planificateur pour gérer l'exécution asynchrone, un système de plugins pour intégrer des API externes et un mécanisme de journalisation intégré pour la surveillance en temps réel et le débogage. L'interface flexible de xBrain supporte des implémentations de mémoire personnalisées et des modèles d'agents, permettant aux développeurs d'adapter le comportement à divers domaines. Des chatbots et pipelines de données aux expériences de recherche, xBrain accélère le développement de systèmes multi-agent complexes avec un minimum de code boilerplate.

MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

AgentSimulation est une bibliothèque Python open-source construite sur Pygame pour simuler plusieurs agents autonomes dans un environnement 2D. Elle permet aux utilisateurs de configurer les propriétés des agents, les comportements de pilotage (chercher, fuir, errer), la détection de collision, la recherche de chemins et les règles interactives. Avec un rendu en temps réel et une conception modulaire, elle supporte la création rapide de prototypes, les simulations éducatives et la recherche à petite échelle en intelligence collective ou interactions multi-agents.

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.

L'agent Base OnChain est un cadre open-source conçu pour déployer des agents IA autonomes sur des blockchains similaires à Ethereum. Il se connecte aux nœuds blockchain via Web3 et utilise les modèles GPT d'OpenAI pour interpréter des événements on-chain tels que des transferts de jetons ou des logs spécifiques au protocole. L'agent peut traiter des prompts en langage naturel ou des stratégies prédéfinies pour décider quand exécuter des transactions, appeler des fonctions de contrats intelligents ou répondre aux propositions de gouvernance. Les développeurs peuvent étendre des modules pour des écouteurs d'événements personnalisés, intégrer des flux de données off-chain et gérer les clés privées en toute sécurité. Cette solution permet des opérations DeFi automatisées telles que la fourniture de liquidités, le trading d'arbitrage et la rééquilibration de portefeuille avec une intervention manuelle minimale.

bedrock-agent est un cadre d'IA polyvalent qui s'intègre à la suite de grands modèles de langage d'AWS Bedrock pour orchestrer des flux de travail complexes et axés sur des tâches. Il propose une architecture de plugins pour enregistrer des outils personnalisés, des modules de mémoire pour la persistance du contexte et un mécanisme de raisonnement en chaîne pour une réflexion améliorée. Grâce à une API Python simple et une interface en ligne de commande, il permet aux développeurs de définir des agents pouvant appeler des services externes, traiter des documents, générer du code ou interagir avec les utilisateurs via chat. Les agents peuvent être configurés pour sélectionner automatiquement les outils pertinents en fonction des prompts utilisateur et maintenir un état de conversation entre les sessions. Ce cadre est open-source, extensible et optimisé pour un prototypage rapide et le déploiement d'assistants IA sur des environnements locaux ou AWS cloud.

BeeAI Framework Py Starter est un projet Python en source ouverte conçu pour faciliter la création d'agents IA. Il inclut des modules principaux pour l'orchestration des agents, un système de plugins pour étendre la fonctionnalité et des adaptateurs pour se connecter aux API LLM populaires. Les développeurs peuvent définir des tâches, gérer la mémoire conversationnelle et intégrer des outils externes via des fichiers de configuration simples. Le framework met l'accent sur la modularité et la facilité d'utilisation, permettant un prototypage rapide de chatbots, d'assistants automatisés et d'agents de traitement de données sans code boilerplate.

ChatAgent permet aux développeurs de créer et déployer rapidement des chatbots intelligents en offrant une architecture extensible avec des modules principaux pour la gestion de mémoire, la chaîne d'outils et l'orchestration de stratégies. Il s'intègre parfaitement à des fournisseurs LLM populaires, permettant de définir des outils personnalisés pour des appels API, des requêtes de base de données ou des opérations sur fichiers. Le framework supporte la planification multi-étapes, la prise de décision dynamique et la récupération de mémoire contextuelle, assurant des interactions cohérentes sur des conversations longues. Son système de plugins et ses pipelines pilotés par la configuration facilitent la personnalisation et l'expérimentation, tandis que des logs structurés et des métriques aident à surveiller la performance et à diagnostiquer en production.

ComfyUI LLM Party étend l’environnement basé sur des nœuds de ComfyUI en proposant une gamme de nœuds alimentés par LLM conçus pour orchestrer les interactions textuelles parallèlement aux flux de travail visuels de l’IA. Il offre des nœuds de chat pour dialoguer avec de grands modèles de langage, des nœuds de mémoire pour la rétention du contexte, et des nœuds de routage pour gérer les dialogues multi-agent. Les utilisateurs peuvent chaîner des opérations de génération de langage, de résumé et de prise de décision dans leurs pipelines, fusionnant l’IA textuelle et la génération d’images. L’extension supporte aussi des modèles de invites personnalisées, la gestion de variables, et le ramification conditionnelle, permettant aux créateurs d’automatiser la génération de récits, la légende d’images et la description dynamique des scènes. Sa conception modulaire permet une intégration transparente avec les nœuds existants, donnant aux artistes et développeurs la possibilité de créer des workflows de agents IA sophistiqués sans compétences en programmation.

Au cœur, DAGent représente les workflows d'agents comme un graphe acyclique dirigé de nœuds, où chaque nœud peut encapsuler un appel LLM, une fonction personnalisée ou un outil externe. Les développeurs définissent explicitement les dépendances des tâches, permettant l'exécution parallèle et la logique conditionnelle, tandis que le framework gère la planification, le passage des données et la récupération d'erreurs. DAGent fournit également des outils de visualisation intégrés pour inspecter la structure et le flux d'exécution du DAG, améliorant le débogage et la traçabilité. Avec des types de nœuds extensibles, le support de plugins, et une intégration transparente avec des fournisseurs LLM populaires, DAGent permet aux équipes de créer des applications d'IA complexes et multi-étapes telles que pipelines de données, agents conversationnels, et assistants de recherche automatisés avec un minimum de code boilerplate. La focalisation sur la modularité et la transparence rend cet outil idéal pour l'orchestration évolutive des agents dans les environnements expérimentaux et de production.