Chat-With-Data est un outil en Python avec une interface web basée sur Streamlit, LangChain et l'API GPT d'OpenAI. Il analyse automatiquement des jeux de données tabulaires ou des schémas de bases de données et crée un agent AI qui comprend les requêtes en langage naturel. En coulisses, il divise de grandes tables, construit un index d'embeddings pour la recherche sémantique et formule des invites dynamiques pour générer des réponses contextuelles. Les utilisateurs peuvent poser des questions comme « Quelles sont les 5 principales régions de vente ce trimestre ? » ou « Montre-moi un diagramme à barres du chiffre d'affaires par catégorie », et recevoir des réponses ou des graphiques interactifs sans écrire de code SQL ou pandas. La plateforme fonctionne localement ou sur un serveur, garantissant la confidentialité des données et accélérant l'analyse exploratoire pour les utilisateurs techniques et non techniques.

ModelScope Agent offre un cadre modulaire basé sur Python pour orchestrer des agents IA autonomes. Il comprend une intégration de plugin pour des outils externes (API, bases de données, recherche), une mémoire de conversation pour la préservation du contexte et des chaînes d'agents personnalisables pour gérer des tâches complexes telles que la récupération de connaissances, le traitement de documents et le support à la décision. Les développeurs peuvent configurer les rôles, comportements et prompts des agents, ainsi que tirer parti de plusieurs backends LLM pour optimiser la performance et la fiabilité en production.

ClassiCore-Public fournit un environnement complet pour construire, optimiser et déployer des modèles de classification. Il dispose d'un créateur de pipelines intuitif qui gère l'ingestion de données brutes, le nettoyage et l'ingénierie des fonctionnalités. Le zoo de modèles intégré comprend des algorithmes tels que Forêts Aléatoires, SVMs et architectures de Deep Learning. L'optimisation automatisée des hyperparamètres utilise la recherche bayésienne pour trouver les réglages optimaux. Les modèles entraînés peuvent être déployés en tant qu'API RESTful ou microservices, avec des tableaux de bord de surveillance qui suivent les performances en temps réel. Les plugins extensibles permettent aux développeurs d'ajouter des prétraitements, visualisations ou de nouvelles cibles de déploiement, faisant de ClassiCore-Public une solution idéale pour les tâches de classification à l'échelle industrielle.

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.

Codeium est une boîte à outils pilotée par l'IA pour les développeurs qui améliore l'efficacité et la précision du codage grâce à des fonctionnalités telles que la complétion intelligente de code, la génération de snippets de code et les capacités de recherche contextuelle. En prenant en charge un large éventail de langages de programmation et en s'intégrant parfaitement aux environnements de développement intégrés (IDE) populaires, Codeium fournit une solution puissante pour rationaliser le processus de codage, augmentant ainsi la productivité et minimisant les erreurs.

CUPCAKE AGI (Composable Utilitarian Pipeline for Creative, Knowledgeable, and Evolvable Autonomous General Intelligence) est un cadre Python flexible qui simplifie la construction d'agents autonomes en combinant modèles de langage, mémoire et outils externes. Il offre des modules principaux comprenant un planificateur d'objectifs, un exécuteur de modèles et un gestionnaire de mémoire pour conserver le contexte à travers les interactions. Les développeurs peuvent étendre la fonctionnalité via des plugins pour intégrer des API, bases de données ou kits d'outils personnalisés. CUPCAKE AGI supporte les workflows synchrones et asynchrones, ce qui le rend idéal pour la recherche, le prototypage et le déploiement d'agents en production dans diverses applications.

defaultmodeAGENT est un cadre basé sur Python qui simplifie la création d'agents intelligents effectuant automatiquement des flux de travail multi-étapes. Il dispose d'une planification en mode par défaut — une stratégie adaptative pour décider quand explorer ou exploiter — ainsi qu'une intégration transparente d'outils et d'API personnalisés. Les agents conservent une mémoire conversationnelle, supportent l'invite dynamique et offrent des journaux pour le débogage. Basé sur l'API d'OpenAI, il permet un prototypage rapide d'assistants pour l'extraction de données, la recherche et l'automatisation des tâches.

La bibliothèque de fulfillment Dialogflow Python est un cadre open-source qui gère les requêtes HTTP de Dialogflow, mappe les intentions aux fonctions gestionnaires Python, gère les sessions et les contextes de sortie, et construit des réponses structurées, y compris du texte, des cartes, des puces de suggestion et des charges utiles personnalisées. Elle abstrait la structure JSON de l’API webhook de Dialogflow en classes et méthodes Python pratiques, accélérant la création de backends conversationnels et réduisant le code répétitif lors de l’intégration avec des bases de données, des CRM ou des API externes.

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.

DSpy Agents est une boîte à outils Python open source qui simplifie la création d'agents IA autonomes. Elle offre une architecture modulaire pour assembler des agents avec des outils personnalisables pour le web scraping, l'analyse de documents, les requêtes à des bases de données et l'intégration de modèles linguistiques (OpenAI, Hugging Face). Les développeurs peuvent orchestrer des flux de travail complexes en utilisant des modèles d'agents préconstruits ou en définissant des ensembles d'outils personnalisés pour automatiser des tâches telles que la synthèse de recherches, le support client et les pipelines de données. Avec la gestion intégrée de la mémoire, la journalisation, la génération augmentée par récupération, la collaboration multi-agents et une déploiement facile via la containerisation ou des environnements sans serveur, DSpy Agents accélère le développement d'applications pilotées par agents sans code boilerplate.

Embabel Agent offre une approche structurée pour construire des agents IA dans les environnements Node.js et navigateur. Les développeurs définissent des outils—comme des récupérateurs HTTP, connecteurs de bases de données ou fonctions personnalisées—et configurent le comportement de l'agent via des JSON ou des classes JavaScript simples. Le framework maintient l’historique des conversations, route les requêtes vers l’outil approprié, et supporte les extensions de plugins. Embabel Agent est idéal pour créer des chatbots aux capacités dynamiques, des assistants automatisés qui interagissent avec plusieurs API, et des prototypes de recherche nécessitant une orchestration en temps réel des appels IA.

Embedded BDI fournit un moteur complet pour le cycle de vie BDI : il modélise les croyances d'un agent sur son environnement, gère l'évolution des désirs ou objectifs, choisit des intentions dans une bibliothèque de plans, et exécute des comportements en temps réel. Le cadre comprend des modules pour le stockage de la base de croyances, la définition de la bibliothèque de plans, le déclenchement d'événements et le contrôle de la concurrence, spécialement conçu pour les microcontrôleurs à mémoire limitée. Avec une API simple, les développeurs peuvent annoter les croyances, spécifier des désirs et implémenter des plans dans le code. Son ordonnanceur gère l'exécution prioritaire des intentions et s'intègre avec les interfaces matérielles pour capteurs, actionneurs et communication réseau, ce qui le rend idéal pour les appareils IoT autonomes, robots mobiles et contrôleurs industriels.

Embedditor est un outil de pointe open-source conçu comme un équivalent efficace de MS Word pour l'intégration de vecteurs. Il offre une interface conviviale pour éditer les intégrations de vecteurs LLM, permettant aux utilisateurs de télécharger, de fusionner, de diviser et d'éditer le contenu dans divers formats de fichiers. L'objectif est d'optimiser les capacités de recherche de vecteurs, assurant de meilleures performances et des résultats de recherche plus précis. Cet outil offre une flexibilité et un contrôle considérables sur les processus d'intégration, en faisant un ajout précieux à tout flux de travail de recherche de vecteurs et de modèles linguistiques.

Flock fournit un cadre modulaire convivial pour enchaîner plusieurs appels LLM, gérer la mémoire conversationnelle et intégrer des outils externes dans des agents autonomes. Avec le support de l'exécution asynchrone et des extensions de plugins, Flock permet un contrôle précis du comportement de l'agent, des déclencheurs et de la gestion du contexte. Il fonctionne parfaitement dans les environnements Node.js et navigateur, permettant aux équipes de prototyper rapidement des chatbots, des flux de traitement de données, des assistants virtuels et d'autres solutions d'automatisation basées sur l'IA.

FMAS (Flexible Multi-Agent System) est une bibliothèque Python open-source pour construire, exécuter et visualiser des simulations multi-agents. Vous pouvez définir des agents avec une logique de décision personnalisée, configurer un modèle d'environnement, mettre en place des canaux de messagerie pour la communication et exécuter des simulations évolutives. FMAS fournit des hooks pour surveiller l'état des agents, déboguer les interactions et exporter les résultats. Son architecture modulaire supporte des plugins pour la visualisation, la collecte de métriques et l'intégration avec des sources de données externes, le rendant idéal pour la recherche, l'éducation et les prototypes réels de systèmes autonomes.

FreeAct utilise une architecture modulaire pour simplifier la création d'agents IA. Les développeurs définissent des objectifs de haut niveau et configurent le module de planification pour générer des plans étape par étape. La composante de raisonnement évalue la faisabilité du plan, tandis que le moteur d'exécution orchestre les appels API, les requêtes à la base de données et les interactions avec des outils externes. La gestion de mémoire suit le contexte de la conversation et les données historiques, permettant aux agents de prendre des décisions éclairées. Un registre d'environnement simplifie l'intégration d'outils et de services personnalisés, permettant une adaptation dynamique. FreeAct supporte plusieurs backends LLM et peut être déployé sur des serveurs locaux ou sur des environnements cloud. Son caractère open-source et sa conception extensible facilitent la prototypage rapide d'agents intelligents pour la recherche et les cas d'utilisation en production.

Functionary fournit une méthode déclarative pour enregistrer des outils personnalisés — des fonctions JavaScript encapsulant des appels API, des requêtes de bases de données ou de la logique métier. Il encapsule une interaction avec un modèle de langage large (LLM) pour analyser les prompts utilisateur, déterminer quels outils exécuter, et analyser les sorties des outils pour produire des réponses conversationnelles. Le framework supporte la mémoire, la gestion des erreurs, et la jonction d’actions, offrant des hooks pour le pré- et post-traitement. Les développeurs peuvent rapidement déployer des agents capables d’orchestration dynamique de fonctions sans boilerplate, améliorant ainsi le contrôle sur les workflows pilotés par l’IA.

Geers AI Lang Graph fournit une couche d'abstraction basée sur un graphe pour construire des agents IA qui coordonnent plusieurs appels LLM et gèrent des connaissances structurées. En définissant des nœuds et des arêtes représentant des prompts, des données et de la mémoire, les développeurs peuvent créer des flux de travail dynamiques, suivre le contexte à travers les interactions et visualiser les flux d'exécution. Le framework supporte des intégrations de plugins pour divers fournisseurs LLM, la templatisation de prompt personnalisée et des graphes exportables. Il simplifie la conception itérative d'agents, améliore la rétention du contexte et accélère le prototypage d'assistants conversationnels, bots d'aide à la décision et pipelines de recherche.

GenAI Job Agents est un cadre open-source basé sur Python qui facilite la création et la gestion d'agents de travail alimentés par l'IA. Les développeurs peuvent définir des types de tâches personnalisés et des comportements d'agents à l'aide de fichiers de configuration simples ou de classes Python. Le système s'intègre parfaitement avec OpenAI pour le raisonnement basé sur LLM et avec LangChain pour la chaînage d'appels. Les tâches peuvent être mises en file d'attente, exécutées en parallèle et surveillées via des mécanismes de journalisation et de gestion des erreurs intégrés. Les agents peuvent gérer des entrées dynamiques, réessayer automatiquement en cas d'échec et produire des résultats structurés pour le traitement en aval. Avec une architecture modulaire, des plugins extensibles et des API claires, GenAI Job Agents permet aux équipes d'automatiser des tâches répétitives, d'orchestrer des flux de travail complexes et de faire évoluer les opérations pilotées par l'IA en environnement de production.

GenerativeAgentsCN est une adaptation open-source en chinois du cadre Stanford des agents génératifs, conçu pour simuler des personnages numériques réalistes. En combinant de grands modèles linguistiques avec un module de mémoire à long terme, des routines de réflexion et une logique de planification, il orchestre des agents qui perçoivent le contexte, rapellent des interactions passées et décident autonomement des prochaines actions. La boîte à outils fournit des notebooks Jupyter prêts à l’emploi, des composants Python modulaires et une documentation complète en chinois pour guider les utilisateurs dans la configuration des environnements, la définition des caractéristiques de l’agent et la personnalisation des paramètres de mémoire. Utilisez-la pour explorer le comportement de PNJ piloté par IA, prototyper des bots de service client ou réaliser des recherches académiques sur la cognition des agents. Avec des API flexibles, les développeurs peuvent étendre les algorithmes de mémoire, intégrer leurs propres LLM et visualiser les interactions des agents en temps réel.