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.

AI-Agents propose une architecture modulaire pour définir des agents pilotés par IA utilisant Python et des modèles OpenAI. Il intègre des outils plug-in – notamment la recherche web, des calculatrices, la recherche Wikipedia et des fonctions personnalisées – permettant aux agents d'effectuer un raisonnement complexe à plusieurs étapes. Des composants de mémoire intégrés permettent la conservation du contexte entre les sessions. Les développeurs peuvent cloner le dépôt, configurer des clés API et étendre ou échanger rapidement des outils. Avec des exemples clairs et une documentation, AI-Agents simplifie le flux de travail du concept au déploiement de solutions IA conversationnelles ou orientées tâche.

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.

Azure AI Foundry Agents Samples offre aux développeurs un ensemble riche de scénarios illustrant comment exploiter les SDK et services Azure AI Foundry. Il inclut des agents conversationnels avec mémoire à long terme, des agents planificateurs décomposant des tâches complexes, des agents avec outils appelant des API externes, et des agents multimodaux combinant texte, vision et parole. Chaque exemple est préconfiguré avec des configurations d'environnement, une orchestration LLM, une recherche vectorielle et une télémétrie pour accélérer la mise en prototype et le déploiement de solutions IA robustes sur Azure.

L'atelier Agents IA est un dépôt complet offrant des exemples pratiques et des modèles pour développer des agents IA avec Python. L'atelier inclut des notebooks Jupyter démontrant des frameworks d'agents, des intégrations d'outils (ex. recherche web, opérations sur fichiers, requêtes de bases de données), des mécanismes de mémoire et du raisonnement multi-étapes. Les utilisateurs apprennent à configurer des planificateurs d'agents personnalisés, définir des schémas d'outils et implémenter des flux de travail conversationnels en boucle. Chaque module propose des exercices sur la gestion des erreurs, l'optimisation des prompts et l'évaluation des sorties des agents. Le code supporte le appel de fonctions d'OpenAI et les connecteurs LangChain, permettant une extension fluide pour des tâches spécifiques au domaine. Idéal pour les développeurs souhaitant prototyper des assistants autonomes, des bots d'automatisation des tâches ou des agents de question-réponse, il offre une progression pas à pas du simple agent aux workflows avancés.

AIKitchen fournit un toolkit Python convivial pour permettre la composition d'agents IA sous forme de blocs modulaires. Au cœur, il propose des définitions de pipelines avec des étapes pour la prétraitement, l'appel LLM, l'exécution d'outils et la récupération de mémoire. Les intégrations avec des fournisseurs LLM populaires offrent de la flexibilité, tandis que les magasins de mémoire intégrés suivent le contexte de la conversation. Les développeurs peuvent intégrer des tâches personnalisées, exploiter la génération augmentée par récupération pour l'accès aux connaissances, et recueillir des métriques standardisées pour surveiller la performance. Le cadre comprend également des capacités d'orchestration de flux de travail, supportant des flux séquentiels et conditionnels entre plusieurs agents. Grâce à son architecture plugin, AIKitchen rationalise le développement de bout en bout d'agents – du prototypage à la mise en production de travailleurs numériques évolutifs.

AutoGen Hands-On fournit un environnement structuré pour apprendre l'utilisation du framework AutoGen à travers des exemples Python pratiques. Il guide les utilisateurs pour cloner le dépôt, installer les dépendances et configurer les clés API pour déployer des configurations multi-agents. Chaque script illustre des fonctionnalités clés telles que la définition des rôles des agents, la mémoire de session, le routage des messages et les modèles d'orchestration des tâches. Le code inclut la journalisation, la gestion des erreurs et des hooks extensibles permettant de personnaliser le comportement des agents et leur intégration avec des services externes. Les utilisateurs acquièrent une expérience pratique dans la création de flux de travail collaboratifs où plusieurs agents interagissent pour réaliser des tâches complexes, des chatbots de support client aux pipelines de traitement de données automatisés. Le tutoriel favorise les meilleures pratiques de coordination multi-agents et de développement d'IA évolutive.

CAMEL-AI est un framework basé sur Python permettant aux développeurs et chercheurs de construire, configurer et exécuter plusieurs agents IA autonomes alimentés par des LLMs. Il offre un support intégré pour la génération augmentée par récupération (RAG), l’utilisation d’outils externes, la communication entre agents, la gestion de la mémoire et de l’état, et la planification. Avec des composants modulaires et une intégration facile, les équipes peuvent prototyper des systèmes multi-agent complexes, automatiser des workflows et faire évoluer des expériences sur différents backends LLM.

Le cadre Controllable RAG offre une approche modulaire pour construire des systèmes de génération augmentée par récupération. Il permet de configurer et de chaîner les composants de récupération, les modules de mémoire et les stratégies de génération. Les développeurs peuvent brancher différents LLM, bases de données vectorielles et contrôleurs de politique pour ajuster la façon dont les documents sont récupérés et traités avant la génération. Basé sur Python, il comprend des utilitaires pour l'indexation, les requêtes, le suivi de l'historique de conversation et les flux de contrôle basés sur des actions, ce qui le rend idéal pour les chatbots, les assistants de connaissance et les outils de recherche.

CrewAI-Learning est une bibliothèque open-source conçue pour simplifier les projets d'apprentissage par renforcement multi-agent. Elle offre des structures d'environnements, des définitions modulaires d'agents, des fonctions de récompense personnalisables, et une suite d'algorithmes intégrés comme DQN, PPO, et A3C adaptés aux tâches collaboratives. Les utilisateurs peuvent définir des scénarios, gérer les boucles de formation, enregistrer les métriques et visualiser les résultats. Le framework supporte la configuration dynamique des équipes d'agents et les stratégies de partage de récompense, rendant facile le prototypage, l'évaluation et l'optimisation de solutions IA coopératives dans divers domaines.

LangGraph Learn combine une interface de programmation visuelle avec un SDK Python sous-jacent pour aider les utilisateurs à construire des flux de travail complexes d'agents IA sous forme de graphes dirigés. Chaque nœud représente une composante fonctionnelle comme des modèles d'invite, des appels de modèles, une logique conditionnelle ou un traitement de données. Les utilisateurs peuvent connecter des nœuds pour définir l'ordre d'exécution, configurer les propriétés des nœuds via l'interface graphique, et exécuter le pipeline étape par étape ou en entier. Des panneaux de journalisation et de débogage en temps réel affichent les sorties intermédiaires, tandis que des modèles intégrés accélèrent des schémas courants tels que la question-réponse, la synthèse, ou la récupération de connaissances. Les graphes peuvent être exportés en tant que scripts Python autonomes pour déploiement en production. LangGraph Learn est idéal pour l'éducation, le prototypage rapide et le développement collaboratif d'agents IA sans code avancé.

En pratique, LlamaSim vous permet de définir plusieurs agents alimentés par l’IA utilisant le modèle Llama, de configurer des scénarios d’interaction et de lancer des simulations contrôlées. Vous pouvez personnaliser la personnalité des agents, la logique de décision et les canaux de communication à l’aide d’APIs Python simples. Le cadre gère automatiquement la construction des prompts, l’analyse des réponses et le suivi de l’état de la conversation. Il enregistre toutes les interactions et fournit des métriques d’évaluation intégrées telles que la cohérence des réponses, le taux de réalisation des tâches et la latence. Avec son architecture plugin, vous pouvez intégrer des sources de données externes, ajouter des fonctions d’évaluation personnalisées ou étendre les capacités des agents. La légèreté du noyau de LlamaSim le rend adapté au développement local, aux pipelines CI ou aux déploiements dans le cloud, permettant une recherche reproductible et une validation rapide de prototypes.

MAGI (Modular AI Generative Intelligence) est un cadre open-source conçu pour simplifier la création et la gestion d'agents IA. Il offre une architecture de plugins pour l'intégration d'outils personnalisés, des modules de mémoire persistante, la planification par chaînes de pensée, et l'orchestration en temps réel de flux de travail en plusieurs étapes. Les développeurs peuvent enregistrer des APIs externes ou des scripts locaux en tant qu'outils d'agent, configurer des backends de mémoire, et définir des politiques de tâches. La conception extensible de MAGI supporte à la fois les tâches synchrones et asynchrones, ce qui le rend idéal pour les chatbots, les pipelines d'automatisation, et les prototypes de recherche.

MineLand fournit un environnement sandbox 3D flexible inspiré de Minecraft pour former des agents d'apprentissage par renforcement. Il dispose d’API compatibles Gym pour une intégration transparente avec des bibliothèques RL existantes telles que Stable Baselines, RLlib, et des implémentations personnalisées. Les utilisateurs ont accès à une bibliothèque de tâches, notamment collecte de ressources, navigation et défis de construction, chacun avec une difficulté et une structure de récompense configurables. Le rendu en temps réel, les scénarios multi-agent et les modes sans interface graphique permettent un entraînement évolutif et des benchmarks. Les développeurs peuvent concevoir de nouvelles cartes, définir des fonctions de récompense personnalisées, et ajouter des capteurs ou contrôles supplémentaires. La base de code open-source de MineLand favorise la recherche reproductible, le développement collaboratif, et le prototypage rapide d’agents IA dans des mondes virtuels complexes.

Multi-Agent-AI-Dynamic-Interaction offre un environnement flexible pour concevoir, configurer et exécuter des systèmes composés de multiples agents IA autonomes. Chaque agent peut se voir attribuer des rôles, objectifs et protocoles de communication spécifiques. Le framework gère le passage des messages, le contexte de conversation ainsi que les interactions séquentielles ou parallèles. Il supporte l’intégration avec OpenAI GPT, d’autres API LLM et des modules personnalisés. Les utilisateurs définissent des scénarios via YAML ou scripts Python, en spécifiant les détails des agents, les étapes du flux de travail et les critères d’arrêt. Le système enregistre toutes les interactions pour le débogage et l’analyse, permettant un contrôle précis du comportement des agents pour des expériences en collaboration, négociation, prise de décision et résolution de problèmes complexes.

MADDPG évolutif est un cadre orienté recherche pour l'apprentissage par renforcement multi-agent, offrant une implémentation évolutive de l'algorithme MADDPG. Il comprend des critiques centralisés lors de l'entraînement et des acteurs indépendants à l'exécution pour la stabilité et l'efficacité. La bibliothèque comprend des scripts Python pour définir des environnements personnalisés, configurer des architectures réseau et ajuster des hyperparamètres. Les utilisateurs peuvent entraîner plusieurs agents en parallèle, surveiller les métriques et visualiser les courbes d'apprentissage. Il s'intègre à des environnements similaires à OpenAI Gym et supporte l'accélération GPU via TensorFlow. Grâce à ses composants modulaires, MADDPG évolutif permet une expérimentation flexible sur des tâches multi-agents coopératives, compétitives ou mixtes, facilitant la prototypage rapide et le benchmarking.

Shepherding est un cadre de simulation open-source conçu pour les chercheurs et développeurs en apprentissage par renforcement afin d'étudier et d'implémenter des tâches de bergerie multi-agents. Il fournit un environnement compatible Gym où les agents peuvent apprendre à effectuer des comportements tels que faire le tour, collecter et disperser des groupes cibles dans des espaces continus ou discrets. Le cadre comprend des fonctions modulaires pour le façonnage de récompenses, la paramétrisation de l'environnement et des utilitaires de journalisation pour surveiller les performances d'entraînement. Les utilisateurs peuvent définir des obstacles, des populations d'agents dynamiques et des politiques personnalisées en utilisant TensorFlow ou PyTorch. Les scripts de visualisation génèrent des tracés de trajectoires et des enregistrements vidéo des interactions des agents. La conception modulaire de Shepherding permet une intégration transparente avec les bibliothèques RL existantes, facilitant la reproductibilité des expériences, le benchmarking de stratégies de coordination innovantes et le prototypage rapide de solutions de bergerie basées sur l'IA.

Strands Agents propose une architecture modulaire pour créer des agents intelligents combinant raisonnement en langage naturel, mémoire à long terme et appels API/outils externes. Il permet aux développeurs de configurer le planificateur, l'exécuteur et les composants de mémoire, d'intégrer n'importe quel LLM (par exemple, OpenAI, Hugging Face), de définir des schémas d'action personnalisés et de gérer l'état entre les tâches. Avec une journalisation intégrée, la gestion des erreurs et un registre d'outils extensible, il accélère le prototypage et le déploiement d'agents capables de faire de la recherche, analyser des données, contrôler des appareils ou servir d'assistants numériques. En abstraisant les modèles courants d'agents, il réduit la quantité de code répétitif et encourage les meilleures pratiques pour une automatisation fiable et maintenable par IA.

Le SDK JavaScript Azure AI Agents est un cadre client et un référentiel de code d'exemples permettant aux développeurs de créer, personnaliser et orchestrer des agents IA à l'aide d'Azure OpenAI et d'autres services cognitifs. Il offre un support pour le chat multi-tours, la génération augmentée par récupération, l'appel de fonctions et l'intégration avec des outils et API externes. Les développeurs peuvent gérer les flux de travail des agents, gérer la mémoire et étendre les capacités via des plugins. Les modèles d'exemples incluent des bots de FAQ de base de connaissances, des exécuteurs de tâches autonomes et des assistants conversationnels, facilitant la prototypage et le déploiement de solutions intelligentes.

ChainLite rationalise la création d’agents IA en abstraisant la complexité de l’orchestration LLM en modules de chaînes réutilisables. À l’aide de décorateurs Python simples et de fichiers de configuration, les développeurs définissent les comportements des agents, les interfaces d’outils et les structures de mémoire. Le framework s’intègre aux fournisseurs LLM populaires (OpenAI, Cohere, Hugging Face) et aux sources de données externes (API, bases de données), permettant aux agents de récupérer des informations en temps réel. Avec une interface utilisateur basée sur le navigateur intégrée, alimentée par Streamlit, les utilisateurs peuvent inspecter l’historique des conversations au niveau des jetons, déboguer les invites et visualiser les graphes d’exécution de la chaîne. ChainLite prend en charge plusieurs cibles de déploiement, du développement local à la production en conteneurs, permettant une collaboration fluide entre data scientists, ingénieurs et équipes produit.