LangGraph-MAS4SE est conçu comme un écosystème collaboratif d'agents intelligents, chacun spécialisé dans des phases distinctes de l'ingénierie logicielle. Au cœur, un bus de messages basé sur un graphe orchestre les flux de travail, permettant aux agents de publier et de s'abonner à des nœuds de données spécifiques à une tâche. Par exemple, un agent de synthèse de code génère des brouillons initiaux, qui sont ensuite transmis à un agent d'analyse statique pour les vérifications de qualité. Un agent de documentation produit des guides utilisateur basés sur des modules analysés, tandis qu'un agent de test génère automatiquement des tests unitaires. Le système supporte des interfaces de plugins pour le développement d'agents personnalisés, permettant aux équipes d'intégrer une logique spécifique au domaine. En abstraisant la gestion complexe des dépendances et en utilisant le raisonnement piloté par LLM, LangGraph-MAS4SE accélère les cycles de développement, réduit la surcharge manuelle et assure une cohérence du code dans de grands projets.

L’interface LangServe Assistant UI est une application frontale modulaire construite avec React et TypeScript qui communique parfaitement avec le backend LangServe pour offrir une expérience IA conversationnelle complète. Elle fournit des fenêtres de chat personnalisables, un streaming en temps réel des messages, des invites contextuelles, une orchestration multi-agent et des hooks pour API externes. L’UI supporte le theming, la localisation, la gestion des sessions et des hooks d’événements pour capturer les interactions utilisateur. Elle peut être intégrée dans des applications Web existantes ou déployée comme une SPA autonome, permettant un déploiement rapide de bots de service client, d’assistants de génération de contenu et d’agents de connaissances interactifs. Son architecture extensible garantit une personnalisation et une maintenance faciles.

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.

Le système Legal MultiAgent est une plateforme open-source basée sur Python, qui orchestre plusieurs agents IA spécialisés pour les flux de travail juridiques. Chaque agent gère des tâches discrètes telles que l’analyse de documents, la rédaction de contrats, la récupération de citations, la vérification de conformité et les questions-réponses. Les agents communiquent via un orchestrateur central, permettant un traitement en parallèle et une analyse collaborative. En intégrant des API LLM populaires et en permettant le développement de modules personnalisés, il rationalise la recherche juridique, automatise les tâches répétitives et garantit une cohérence dans les résultats. Son architecture modulaire facilite l’extension, permettant aux organisations d’adapter les agents à des juridictions, domaines de pratique ou cadres réglementaires spécifiques pour une automatisation juridique évolutive et précise.

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.

LM-Kit est une suite complète de kits d'outils C# conçue pour intégrer des solutions avancées d'agents IA dans les applications .NET. Il permet aux développeurs de créer des agents IA personnalisés, de développer de nouveaux agents et d'orchestrer des systèmes multi-agents. Avec des capacités telles que l'analyse de texte, la traduction, la génération de texte, l'optimisation de modèle, et plus encore, LM-Kit prend en charge une inférence efficace sur dispositif, la sécurité des données et la réduction de la latence. De plus, il est conçu pour améliorer les performances des modèles IA tout en garantissant une intégration fluide à travers différentes plateformes et configurations matérielles.

ManasAI est un framework en Python qui permet la création d'agents IA autonomes avec un état intégré et des composants modulaires. Il offre des abstractions principales pour la raisonnement des agents, la mémoire à court et long terme, l'intégration d'outils et d'API externes, la gestion d'événements basée sur les messages et l'orchestration multi-agents. Les agents peuvent être configurés pour gérer le contexte, exécuter des tâches, gérer des tentatives et collecter des retours. Son architecture plug-in permet aux développeurs d'adapter les backend de mémoire, outils et orchestrateurs à des workflows spécifiques, ce qui le rend idéal pour le prototypage de chatbots, travailleurs numériques et pipelines automatisés nécessitant un contexte persistant et des interactions complexes.

Intelligence permet aux développeurs de assembler des agents IA en composant des composants qui gèrent une mémoire avec état, intègrent des modèles linguistiques tels qu'OpenAI GPT, et se connectent à des outils externes (API, bases de données, bases de connaissances). Il dispose d'un système de plugins pour des fonctionnalités personnalisées, de modules d'observabilité pour tracer les décisions et métriques, et d'outils d'orchestration pour coordonner plusieurs agents. Les développeurs l'installent via pip, définissent des agents en Python avec des classes simples, et configurent des backends de mémoire (en mémoire, Redis ou stock de vecteurs). Son serveur API REST facilite le déploiement, tandis que les outils CLI aident au débogage. Intelligence rationalise les tests, la gestion des versions et la montée en charge des agents, le rendant adapté pour les chatbots, le support client, la récupération de données, le traitement de documents et les workflows automatisés.

MARFT est un LLM basé sur Python, permettant des expériences reproductibles et la prototypage rapide de systèmes IA collaboratifs.

MASlite offre une API claire pour créer des classes d'agents, enregistrer des comportements et gérer la messagerie basée sur des événements entre agents. Il inclut un ordonnanceur pour gérer les tâches des agents, une modélisation d'environnement pour simuler les interactions, et un système de plugins pour étendre les fonctionnalités principales. Les développeurs peuvent rapidement prototyper des scénarios multi-agents en Python en définissant des méthodes de cycle de vie des agents, en connectant des agents via des canaux et en exécutant des simulations en mode sans tête ou en intégrant des outils de visualisation.

Maxun.dev est un cadre d'IA sans code ou à faible code qui permet aux développeurs et aux entreprises de créer des agents intelligents adaptés à des tâches spécifiques. Les utilisateurs peuvent définir des flux de travail d'agents via une interface visuelle, intégrer des sources de données et des API externes, et configurer des modules de mémoire pour une compréhension contextuelle. La plateforme supporte l'orchestration multi-agents, la surveillance en temps réel et l'analyse des performances pour optimiser le comportement des agents. Avec des outils de collaboration intégrés, le contrôle de version et le déploiement en un clic, Maxun.dev simplifie tout le cycle de vie, du prototype à la production, en accélérant l'automatisation alimentée par IA dans le support client, la gestion documentaire et les processus métier.

MCP Crew AI est un cadre axé sur les développeurs qui simplifie la création et la coordination d'agents IA basés sur GPT dans des équipes collaboratives. En définissant des rôles d'agents gestionnaire, travailleur et moniteur, il automatise la délégation, l'exécution et la supervision des tâches. Le package offre une prise en charge intégrée de l'API OpenAI, une architecture modulaire pour les plugins d'agents personnalisés et une CLI pour exécuter et surveiller votre équipe. MCP Crew AI accélère le développement de systèmes multi-agents, facilitant la création de flux de travail évolutifs, transparents et maintenables basés sur l'IA.

mini-AlphaStar démystifie l'architecture complexe d'AlphaStar en proposant un cadre PyTorch accessible et Open Source pour le développement d'IA dans StarCraft II. Il comprend des encodeurs de caractéristiques spatiales pour les entrées écran et minimap, un traitement des caractéristiques non spatiales, des modules de mémoire LSTM, et des réseaux de politique et de valeur séparés pour la sélection d'actions et l'évaluation d'état. En utilisant l'apprentissage par imitation pour démarrer et l'apprentissage par renforcement avec auto-jeu pour l'affinage, il supporte les wrappers d'environnement compatibles avec pysc2, la journalisation via TensorBoard et des hyperparamètres configurables. Les chercheurs et étudiants peuvent générer des jeux de données à partir de parties humaines, entraîner des modèles sur des scénarios personnalisés, évaluer la performance des agents et visualiser les courbes d'apprentissage. La base de code modulaire facilite l'expérimentation avec différentes variantes de réseaux, programmes d'entraînement et configurations multi-agents. Conçu pour l'éducation et le prototypage, et non pour le déploiement en production.

Le générateur de blogs SEO multi-agent est un cadre basé sur Python qui coordonne des agents d'IA spécialisés pour produire des articles de blog optimisés pour le SEO. Il commence par une analyse de mots-clés, utilisant un agent SEO pour découvrir des termes à fort impact. Ensuite, un agent de structure organise le post, en créant des titres et sous-sujets. Un agent de contenu rédige ensuite des paragraphes engageants et naturels. Enfin, un agent d'optimisation ajuste les mots-clés, les descriptions meta et propose des liens internes. Les développeurs peuvent personnaliser les modèles de prompts, ajuster les rôles des agents, et s'intégrer avec les clés API OpenAI. Cette architecture modulaire permet un développement automatisé de blogs de bout en bout, garantissant un contenu cohérent, compatible SEO et de haute qualité à grande échelle.

Multi Agent Simulation offre une API flexible pour définir des classes d'agents avec des capteurs, actionneurs et logiques de décision personnalisés. Les utilisateurs configurent des environnements avec des obstacles, des ressources et des protocoles de communication, puis exécutent des boucles de simulation en étapes ou en temps réel. La journalisation intégrée, la planification d'événements et l'intégration avec Matplotlib aident à suivre les états des agents et à visualiser les résultats. La conception modulaire permet une extension facile avec de nouveaux comportements, environnements et optimisations de performance, ce qui en fait une solution idéale pour la recherche académique, l'éducation et le prototypage de scénarios multi-agents.

L'analyse boursière multi-agent est un framework open-source déployant plusieurs agents IA spécialisés—DataCollector, SentimentAnalyst, Predictor et Reporter—pour rationaliser la recherche boursière de bout en bout. L'agent DataCollector récupère les prix en temps réel et les actualités financières. L'agent SentimentAnalyst traite les articles de presse pour jauger le sentiment du marché. Le Predictor utilise des modèles d'apprentissage automatique pour prévoir les mouvements futurs des actions. Enfin, le Reporter construit des résumés détaillés et des visualisations. Son architecture modulaire facilite la personnalisation pour différents actifs, modèles et formats de rapport.

Le Framework du Système Multi-Agent offre une structure modulaire pour construire et orchestrer plusieurs agents IA au sein d'applications Python. Il inclut un gestionnaire d'agents pour créer et superviser les agents, une colonne vertébrale de communication supportant divers protocoles (par exemple, passage de messages, diffusion d'événements), ainsi que des magasins de mémoire personnalisables pour la conservation des connaissances à long terme. Les développeurs peuvent définir des rôles d'agents distincts, attribuer des tâches spécialisées, et configurer des stratégies de coopération telles que la recherche de consensus ou le vote. Le cadre s'intègre parfaitement avec des modèles IA externes et des bases de connaissances, permettant aux agents de raisonner, apprendre, et s'adapter. Idéal pour les simulations distribuées, les grappes d'agents conversationnels, et les pipelines de décision automatisés, le système accélère la résolution de problèmes complexes en exploitant l'autonomie parallèle.

Le projet utilise le cadre JADE (Java Agent DEvelopment) pour construire un environnement multi-agent. Il définit des agents qui s'enregistrent auprès du AMS et du DF de la plateforme, échangent des messages ACL et exécutent des comportements tels que cycliques, à une seule étape et FSM. Les scénarios exemples incluent des négociations acheteur-vendeur, des protocoles de contrat en réseau et l'attribution de tâches. Un conteneur GUI pour agents aide à surveiller l'état d'exécution des agents et le flux de messages.

Multi-Agent Systems fournit une boîte à outils complète pour créer, contrôler et observer les interactions entre agents autonomes. Les développeurs peuvent définir des classes d'agents avec une logique décisionnelle personnalisée, configurer des environnements complexes avec des ressources et des règles configurables, et mettre en œuvre des canaux de communication pour l'échange d'informations. Le framework prend en charge la planification synchrone et asynchrone, les comportements basés sur des événements, et intègre la journalisation pour les métriques de performance. Les utilisateurs peuvent étendre les modules de base ou intégrer des modèles d'IA externes pour améliorer l'intelligence des agents. Les outils de visualisation offrent une représentation en temps réel ou après exécution, pour analyser les comportements émergents et optimiser les paramètres du système. De la recherche académique aux prototypes d’applications distribuées, Multi-Agent Systems simplifie les simulations multi-agents de bout en bout.

L'environnement multi-agent pour drones est un package Python proposant une simulation multi-agent configurable pour les nuées de UAV, basé sur OpenAI Gym et PyBullet. Les utilisateurs définissent plusieurs agents drones avec des modèles cinématiques et dynamiques pour explorer des tâches coopératives telles que le vol en formation, le suivi de cibles et l’évitement d’obstacles. L’environnement supporte la configuration modulaire des tâches, une détection de collision réaliste et l’émulation des capteurs, tout en permettant des fonctions de récompense personnalisées et des politiques décentralisées. Les développeurs peuvent intégrer leurs propres algorithmes d'apprentissage par renforcement, évaluer les performances sous divers scénarios et visualiser en temps réel les trajectoires et métriques des agents. Son design open-source encourage la contribution communautaire, le rendant idéal pour la recherche, l'enseignement et le prototypage de solutions avancées de contrôle multi-agent.