CodeFuse-muAgent est un cadre open-source basé sur Python qui orchestre plusieurs agents IA autonomes pour résoudre collectivement des tâches complexes. Les développeurs définissent des agents individuels avec des compétences spécialisées — telles que traitement de données, compréhension du langage naturel ou interaction avec des API externes — et configurent les protocoles de communication pour une délégation dynamique des tâches. Le cadre fournit une gestion centralisée de la mémoire, la journalisation et la surveillance, tout en restant indépendant du modèle, supportant l'intégration avec des LLM populaires et des modèles IA personnalisés. En utilisant CodeFuse-muAgent, les équipes peuvent construire des workflows IA modulaires, automatiser des processus multi-étapes et faire évoluer les déploiements dans divers environnements. Des fichiers de configuration flexibles et des API extensibles permettent une mise en prototype rapide, des tests et un réglage fin, rendant cela adapté aux cas d'utilisation dans le support client, les pipelines de génération de contenu, les assistants de recherche, et plus encore.

Le dépôt du protocole Contract Net fournit une implémentation Java complète du protocole d’interaction FIPA Contract Net. Les développeurs peuvent créer des agents gestionnaires et contractants échangeant CFP (Call For Proposal), propositions, acceptations et rejets via des canaux de communication entre agents. Le code inclut des modules principaux pour la diffusion de tâches, la collecte d’offres, l’évaluation des propositions selon des critères personnalisables, l’attribution de contrats et la surveillance de l’état d’exécution. Il peut être intégré dans des frameworks multi-agents plus grands ou utilisé comme bibliothèque autonome pour la recherche, la planification industrielle ou la coordination robotique.

CrewAI Agent Generator utilise une interface en ligne de commande pour initialiser un nouveau projet d’agent IA avec des structures de dossiers solidement établies, des modèles de prompts d’exemple, des définitions d’outils et des stubs de test. Vous pouvez configurer des connexions à OpenAI, Azure ou des endpoints LLM personnalisés ; gérer la mémoire de l’agent avec des magasins vectoriels ; orchestrer plusieurs agents dans des workflows collaboratifs ; consulter des logs détaillés de conversation ; et déployer vos agents sur Vercel, AWS Lambda ou Docker avec des scripts intégrés. Il accélère le développement et garantit une architecture cohérente pour les projets d’agents IA.

demo_smolagents est une implémentation de référence de SmolAgents, un micro-framework en Python pour créer des agents IA autonomes alimentés par de grands modèles linguistiques. Cette démo comprend des exemples de configuration d'agents individuels avec des kits d'outils spécifiques, d'établissement de canaux de communication entre agents et de gestion dynamique du transfert de tâches. Elle met en avant l'intégration LLM, l'invocation d'outils, la gestion des invites et des modèles d'orchestration d'agents pour construire des systèmes multi-agents pouvant effectuer des actions coordonnées en fonction des entrées utilisateur et des résultats intermédiaires.

Dial4JaCa est un plugin de bibliothèque Java pour la plateforme multi-agent JaCaMo qui intercepte les messages inter-agents, encode les intentions des agents et les routent via des backend LLM (OpenAI, modèles locaux). Il gère le contexte de dialogue, met à jour les bases de croyances et intègre la génération de réponse directement dans les cycles de raisonnement AgentSpeak(L). Les développeurs peuvent personnaliser les invites, définir des artefacts de dialogue et gérer des appels asynchrones, permettant aux agents d'interpréter les énoncés des utilisateurs, de coordonner des tâches et de récupérer des informations externes en langage naturel. Son design modulaire prend en charge la gestion des erreurs, la journalisation et la sélection de plusieurs LLM, idéal pour la recherche, l'éducation et le prototypage rapide de MAS conversationnels.

Le générateur de code Django Multi-AGI RAG-Llama3 est un cadre IA spécialisé qui combine les techniques de génération augmentée par récupération avec plusieurs agents basés sur Llama3. Il traite les exigences définies par l'utilisateur et la documentation externe pour récupérer des extraits de code pertinents, orchestrant plusieurs agents IA pour rédiger en collaboration les définitions de modèles Django, la logique de vues, les modèles, le routage URL et la configuration du projet. Cette approche itérative garantit que le code généré correspond aux attentes de l'utilisateur et aux meilleures pratiques. Les utilisateurs commencent par alimenter une base de connaissances composée de documentation ou d’échantillons de code, puis demandent des fonctionnalités spécifiques à l’agent. Le système fournit un squelette complet de projet Django, comprenant des applications modulaires, des points de terminaison REST API et des modèles personnalisables. La nature modulaire permet aux dévelopeurs d’intégrer leur propre logique métier et de déployer directement en production.

Fetch.ai est une plateforme open-source et un kit de développement logiciel (SDK) conçu pour construire des agents autonomes représentant des jumeaux numériques sur un réseau décentralisé. Il fournit un SDK pour Python et Rust, un Open Economic Framework (OEF) pour la découverte entre pairs, et une intégration transparente avec son registre pour des transactions sécurisées. Les développeurs peuvent définir des compétences d'agents personnalisées, comme la formation de marché, la fourniture de données ou l’enchère sur des tâches, puis les déployer sur des réseaux de test ou principaux. Les agents Fetch.ai communiquent, négocient et exécutent de manière autonome des contrats intelligents, permettant une coordination multi-agent puissante pour les chaînes d'approvisionnement, les écosystèmes IoT, les services de mobilité, les réseaux énergétiques et plus encore.

La Communication Émergente chez les Agents est un cadre PyTorch open-source conçu pour les chercheurs explorant comment les systèmes multi-agent développent leurs propres protocoles de communication. La bibliothèque offre des implémentations flexibles de tâches d'apprentissage par renforcement coopératif, y compris des jeux référentiels, des jeux combinatoires et des défis d'identification d'objets. Les utilisateurs définissent des architectures d'agents locuteurs et auditeurs, spécifient les propriétés des canaux de message comme la taille du vocabulaire et la longueur de la séquence, et sélectionnent des stratégies d'entraînement telles que les gradients de politique ou l'apprentissage supervisé. Le cadre comprend des scripts de bout en bout pour exécuter des expériences, analyser l'efficacité de communication et visualiser les langues émergentes. Sa conception modulaire facilite l'extension avec de nouveaux environnements de jeu ou des fonctions de perte personnalisées. Les chercheurs peuvent reproduire des études publiées, benchmarker de nouveaux algorithmes et explorer la compositionnalité et la sémantique des langues d'agents émergents.

Esquilax est un framework léger en TypeScript conçu pour construire et orchestrer des workflows complexes d'agents d'IA. Il fournit une API claire permettant aux développeurs de définir déclarativement des agents, d'assigner des modules de mémoire et d'intégrer des actions plugins telles que des appels API ou des requêtes en base de données. Avec un support intégré pour la gestion du contexte et la coordination multi-agent, Esquilax simplifie la création de chatbots, d'assistants numériques et de processus automatisés. Son architecture basée sur des événements permet de chaîner ou de déclencher dynamiquement des tâches, tandis que les outils de journalisation et de débogage offrent une visibilité complète sur les interactions des agents. En abstraction du code répétitif, Esquilax aide les équipes à prototyper rapidement des applications IA évolutives.

Le F1Tenth Two-Agent Simulator est un cadre de simulation spécialisé construit sur ROS et Gazebo pour émuler deux véhicules autonomes à l’échelle 1/10 en course ou en coopération sur des circuits personnalisés. Il prend en charge la physique réaliste du modèle de pneus, l’émulation de capteurs, la détection de collisions et la journalisation des données. Les utilisateurs peuvent intégrer leurs propres algorithmes de planification et de contrôle, ajuster les paramètres des agents, et exécuter des scénarios tête-à-tête pour évaluer la performance, la sécurité et les stratégies de coordination dans des conditions contrôlées.

Fabrice AI permet aux développeurs de créer des systèmes d’agents IA sophistiqués exploitant de grands modèles linguistiques (LLMs) dans des contextes Node.js et navigateur. Il propose des modules mémoire intégrés pour conserver l’historique des conversations, l’intégration d’outils pour étendre les capacités de l’agent avec des API personnalisées, et un système de plugins pour des extensions communautaires. Avec des modèles de prompts sûrs, une coordination multi-agent et des comportements d’exécution configurables, Fabrice AI simplifie la création de chatbots, d’automatisations et d’assistants virtuels. Son design multiplateforme assure un déploiement sans couture dans des applications web, des fonctions serverless ou des applications desktop, accélérant le développement de services IA intelligents et contextuels.

GenWorlds est un cadre de développement AI conçu pour faciliter la création de systèmes multi-agents. En utilisant un cadre de communication basé sur des événements via websocket, il permet aux développeurs de mettre en place des environnements interactifs où des agents autonomes peuvent interagir de manière asynchrone entre eux et avec leur environnement. Ces agents collaborent, planifient des actions et exécutent collectivement des tâches complexes, faisant de GenWorlds une plateforme robuste pour créer des écosystèmes AI évolutifs et flexibles.

AWS Bedrock Multi-Agent Collaboration est une fonctionnalité de service gérée qui permet d'orchestrer plusieurs agents IA alimentés par des modèles de base pour travailler ensemble sur des tâches complexes. Vous configurez des profils d'agents avec des rôles spécifiques, définissez des schémas de messagerie pour la communication et établissez une mémoire partagée pour la rétention du contexte. Pendant l'exécution, les agents peuvent demander des données à des sources en aval, déléguer des sous-tâches et agréger les résultats des autres. Cette approche collaborative prend en charge des boucles de raisonnement itératives, améliore la précision des tâches et permet une montée en charge dynamique des agents en fonction de la charge de travail. Intégré à la console AWS, CLI et SDKs, le service propose des tableaux de bord de surveillance pour visualiser les interactions des agents et les métriques de performance, simplifiant le développement et la supervision opérationnelle des flux de travail multi-agent intelligents.

Hashiru AgentX est un orchestrateur de flux de travail IA unifié hébergé sur Hugging Face Spaces. Il permet aux utilisateurs d'entrer des instructions en langage naturel et de choisir parmi des agents préconstruits pour l'exécution de code, la recherche web et l'analyse de documents. En coulisse, il compose dynamiquement des chaînes d'outils, exécute des extraits Python dans un sandbox sécurisé, interroge des ressources en ligne et extrait des insights à partir de fichiers téléchargés. Les résultats sont renvoyés au format conversationnel, permettant un affinement itératif et un téléchargement facile des résultats.

HMAS est un cadre open-source en Python permettant le développement de systèmes hiérarchiques multi-agents. Il offre des abstractions pour définir des hiérarchies d'agents, des protocoles de communication inter-agents, l'intégration d'environnements, et des boucles d'entraînement intégrées. Rechercheurs et développeurs peuvent utiliser HMAS pour prototyper des interactions complexes entre agents, entraîner des politiques coordonnées et évaluer la performance dans des environnements simulés. Son design modulaire facilite l'extension et la personnalisation des agents, environnements et stratégies d'entraînement.

HFO_DQN combine Python et TensorFlow pour fournir une chaîne complète pour entraîner des agents de football utilisant Deep Q-Networks. Les utilisateurs peuvent cloner le dépôt, installer les dépendances incluant le simulateur HFO et les bibliothèques Python, et configurer les paramètres d'entraînement dans des fichiers YAML. Le cadre implémente la mémoire d'expérience, les mises à jour du réseau cible, l'exploration ε-greedy, et le façonnage de récompenses spécifique au domaine offense de moitié terrain. Il comprend des scripts pour l'entraînement des agents, la journalisation des performances, des matchs d'évaluation, et la réalisation de graphiques. La structure modulaire du code permet d'intégrer des architectures neural personnalisées, des algorithmes RL alternatifs, et des stratégies de coordination multi-agents. Les sorties incluent des modèles entraînés, des métriques de performance, et des visualisations du comportement, facilitant la recherche en apprentissage par renforcement et systèmes multi-agents.

Microsoft AutoGen a été conçu pour faciliter le développement complet d'agents IA autonomes en fournissant des composants modulaires pour la gestion de la mémoire, la planification des tâches, l'intégration d'outils et la communication. Les développeurs peuvent définir des outils personnalisés avec des schémas structurés et se connecter à des fournisseurs LLM majeurs comme OpenAI et Azure OpenAI. Le framework supporte l'orchestration d'un ou plusieurs agents, permettant des workflows collaboratifs où les agents coordonnent l'exécution de tâches complexes. Son architecture plug-and-play permet une extension facile avec de nouveaux magasins de mémoire, stratégies de planification et protocoles de communication. En abstraisant les détails d'intégration de bas niveau, AutoGen accélère la création de prototypes et le déploiement d'applications pilotées par IA dans des domaines tels que le support client, l'analyse de données et l'automatisation des processus.

JADE est un framework de développement d'agents basé sur Java qui simplifie la création de systèmes multi-agents distribués. Il fournit une infrastructure conforme à FIPA incluant un environnement d'exécution, transport de messages, facilitateur de répertoire et gestion des agents. Les développeurs écrivent des classes d'agents en Java, les déploient dans des conteneurs et utilisent des outils graphiques comme RMA et Sniffer pour le débogage et la surveillance. JADE supporte la mobilité des agents, la planification de comportements et les opérations du cycle de vie, permettant des conceptions évolutives et modulaires pour la recherche, la coordination IoT, les simulations et l'automatisation d'entreprise.

Jason-RL ajoute une couche d'apprentissage par renforcement au cadre multi-agent Jason, permettant aux agents AgentSpeak BDI d'apprendre des politiques de sélection d'actions via le feedback de récompense. Elle met en œuvre les algorithmes Q-learning et SARSA, supporte la configuration des paramètres d'apprentissage (taux d'apprentissage, facteur d'actualisation, stratégie d'exploration) et enregistre les métriques d'entraînement. En définissant des fonctions de récompense dans les plans d'agents et en exécutant des simulations, les développeurs peuvent observer l'amélioration des prises de décision des agents au fil du temps, s'adaptant à des environnements changeants sans coder manuellement les politiques.

Layra est conçue pour simplifier le développement d'agents alimentés par LLM en fournissant une architecture modulaire qui s'intègre avec divers outils et stockages de mémoire. Elle comprend un planificateur qui divise les tâches en sous-objectifs, un module de mémoire pour stocker la conversation et le contexte, et un système de plugins pour connecter des APIs externes ou des fonctions personnalisées. Layra supporte aussi l'orchestration de plusieurs instances d'agents pour collaborer sur des workflows complexes, en permettant une exécution en parallèle et la délégation de tâches. Avec des abstractions claires pour les outils, la mémoire et la définition de politiques, les développeurs peuvent rapidement prototyper et déployer des agents intelligents pour le support client, l'analyse de données, RAG, et plus encore. Elle est indépendante du backend de modélisation, supportant OpenAI, Hugging Face et des LLM locaux.