CamelAGI est un cadre open-source conçu pour simplifier la création d'agents IA autonomes. Il dispose d'une architecture de plugins pour des outils personnalisés, d'une intégration de mémoire à long terme pour la persistance du contexte, et du support pour plusieurs grands modèles linguistiques tels que GPT-4 et Llama 2. Grâce à des modules de planification et d'exécution explicites, les agents peuvent décomposer des tâches, appeler des API externes et s'adapter au fil du temps. La extensibilité et l'approche communautaire rendent CamelAGI adapté pour des prototypes de recherche, des systèmes de production et des projets éducatifs.

kilobees est une plateforme d'orchestration multi-agent complète construite en Python, qui simplifie le développement de flux de travail IA complexes. Les développeurs peuvent définir des agents individuels avec des rôles spécialisés, tels que l'extraction de données, le traitement du langage naturel, l'intégration d'API ou la logique de décision. kilobees gère automatiquement la messagerie inter-agent, les files d’attente de tâches, la récupération d’erreur et l’équilibrage de charge à travers des threads d'exécution ou des nœuds distribués. Son architecture plugin supporte des modèles de prompts personnalisés, des tableaux de bord de surveillance de la performance et des intégrations avec des services externes tels que bases de données, API web ou fonctions cloud. En abstraisant les défis communs de la coordination multi-agent, kilobees accélère le prototypage, les tests et le déploiement de systèmes IA sophistiqués nécessitant interactions collaboratives, exécution parallèle et extensibilité modulaire.

Self Machines est une plateforme à la pointe de la technologie conçue pour construire, déployer et gérer des applications d'intelligence artificielle (IA). Axée sur l'automatisation, elle permet aux utilisateurs de créer des solutions d'IA pouvant être intégrées de manière transparente dans leur infrastructure existante. La plateforme offre une variété d'outils et de fonctionnalités conçus pour faciliter l'ensemble du cycle de vie de l'IA, du développement et de la formation au déploiement et à la surveillance.

AgentSmith est un cadre modulaire d’orchestration d’agents en Python, permettant aux développeurs de définir, configurer et exécuter plusieurs agents IA en collaboration. Chaque agent peut se voir attribuer des rôles spécialisés — chercheur, planificateur, codeur ou réviseur — et communiquer via un bus de messages interne. AgentSmith supporte la gestion de mémoire via des magasins vectoriels comme FAISS ou Pinecone, la décomposition des tâches en sous-tâches et la supervision automatisée pour assurer l’atteinte des objectifs. Les agents et les pipelines sont configurés via des fichiers YAML lisibles par l’humain, et le framework s’intègre facilement avec les API OpenAI et des modèles LLM personnalisés. Il inclut la journalisation, la surveillance et la gestion des erreurs intégrées, ce qui en fait un outil idéal pour automatiser le développement logiciel, l’analyse de données et les systèmes de support à la décision.

DEf-MARL (Cadre d'exécution décentralisé pour l'apprentissage par renforcement multi-agents) fournit une infrastructure robuste pour exécuter et former des agents coopératifs sans contrôleurs centralisés. Il exploite des protocoles de communication peer-to-peer pour partager les politiques et observations entre agents, permettant une coordination par interactions locales. Le cadre s'intègre parfaitement avec des outils RL courants tels que PyTorch et TensorFlow, offrant des wrappers d'environnement personnalisables, la collecte distribuée de rollouts et des modules de synchronisation de gradients. Les utilisateurs peuvent définir des espaces d'observation, des fonctions de récompense et des topologies de communication spécifiques à chaque agent. DEf-MARL supporte l'ajout et la suppression dynamiques d'agents en cours d'exécution, une exécution tolérante aux fautes en répliquant des états critiques sur les nœuds, et une planification de communication adaptative pour équilibrer exploration et exploitation. Il accélère la formation par la parallélisation des simulations d'environnements et la réduction des goulets d'étranglement centraux, ce qui le rend adapté à la recherche MARL à grande échelle et aux simulations industrielles.