LLM-Blender-Agent permet aux développeurs de construire des systèmes d'IA modulaires multi-agent en intégrant les LLM dans des agents collaboratifs. Chaque agent peut accéder à des outils tels que l'exécution Python, le scraping web, les bases de données SQL et les API externes. Le framework gère la mémoire des conversations, le raisonnement étape par étape et l'orchestration des outils, permettant des tâches telles que la génération de rapports, l'analyse de données, la recherche automatisée et l'automatisation des flux de travail. Basé sur LangChain, il est léger, extensible et compatible avec GPT-3.5, GPT-4 et d'autres LLMs.

Au cœur d'AGIFlow, une toile intuitive permet aux utilisateurs d'assembler des agents IA en flux de travail dynamiques, définissant déclencheurs, logique conditionnelle et échanges de données entre agents. Chaque nœud d’agent peut exécuter du code personnalisé, appeler des API externes ou exploiter des modèles pré-construits pour NLP, vision ou traitement des données. Avec des connecteurs intégrés à des bases de données populaires, services Web et plateformes de messagerie, AGIFlow simplifie l'intégration et l'orchestration entre systèmes. Le contrôle de version et les fonctionnalités de restauration permettent aux équipes d'itérer rapidement, tandis que la journalisation en temps réel, les tableaux de bord de métriques et l'alerte garantissent la transparence et la fiabilité. Une fois les flux testés, ils peuvent être déployés sur une infrastructure cloud évolutive avec des options de planification, permettant aux entreprises d'automatiser des processus complexes tels que la génération de rapports, le routage du support client ou les pipelines de recherche.

AgentIn est un framework IA basé sur Python conçu pour accélérer le développement d'agents conversationnels et orientés tâche. Il offre des modules de mémoire intégrés pour persister le contexte, une intégration dynamique d'outils pour appeler des API externes ou des fonctions locales, et un système flexible de templates de prompts pour des interactions personnalisées. L'orchestration multi-agents permet des workflows en parallèle, tandis que la journalisation et le cache améliorent la fiabilité et la traçabilité. Facilement configurable via YAML ou code Python, AgentIn supporte les principaux fournisseurs LLM et peut être étendu avec des plugins personnalisés pour des capacités spécifiques au domaine.