GoLC fournit aux développeurs une boîte à outils complète pour construire des chaînes de modèles linguistiques et des agents en Go. Elle comprend la gestion de chaînes, des modèles de requêtes personnalisables et une intégration transparente avec les principaux fournisseurs LLM. Grâce aux chargeurs de documents et aux magasins vectoriels, GoLC permet la récupération par embeddings, alimentant les flux de travaux RAG. Le cadre supporte des modules de mémoire à état pour le contexte conversationnel et une architecture légère d'agents pour orchestrer un raisonnement en plusieurs étapes et des invocations d'outils. Son design modulaire permet d'ajouter des outils, sources de données et gestionnaires de sortie personnalisés. Avec des performances natives Go et un minimum de dépendances, GoLC facilite le développement de pipelines IA, idéal pour créer des chatbots, assistants de connaissances, agents de raisonnement automatisé et services IA backend de classe production en Go.

Isek est une plateforme orientée développeur pour créer des agents IA avec une architecture modulaire. Elle propose un système de plugins pour les outils et sources de données, une mémoire intégrée pour la rétention du contexte et un moteur de planification pour coordonner les tâches en plusieurs étapes. Vous pouvez déployer des agents localement ou dans le cloud, intégrer n'importe quel backend LLM, et étendre la fonctionnalité via des modules communautaires ou personnalisés. Isek facilite la création de chatbots, d'assistants virtuels et de flux de travail automatisés grâce à des modèles, SDK et outils CLI pour un développement rapide.

LinkAgent fournit un micronoyau léger pour construire des agents d'IA avec des composants plug-in. Les utilisateurs peuvent enregistrer des backends de modèles de langage, des modules de récupération et des API externes en tant qu'outils, puis les assembler en workflows utilisant des planificateurs et routeurs intégrés. LinkAgent supporte des gestionnaires de mémoire pour la persistance du contexte, l'invocation dynamique d'outils et une logique de décision configurable pour un raisonnement complexe à plusieurs étapes. Avec peu de code, les équipes peuvent automatiser des tâches telles que le QA, l'extraction de données, l'orchestration de processus et la génération de rapports.

MASChat offre un cadre flexible pour orchestrer des conversations entre plusieurs agents IA alimentés par des modèles linguistiques. Les développeurs peuvent définir des agents avec des rôles spécifiques — comme chercheur, résumeur ou critique — et spécifier leurs invites, permissions et protocoles de communication. le gestionnaire central de MASChat gère le routage des messages, assure la conservation du contexte et enregistre les interactions pour la traçabilité. En coordonnant des agents spécialisés, MASChat décompose des tâches complexes — comme la recherche, la création de contenu ou l’analyse de données — en flux de travail parallèles, améliorant ainsi l’efficacité et la compréhension. Il s’intègre aux API GPT d’OpenAI ou aux LLM locaux et permet des extensions via des plugins pour des comportements personnalisés. MASChat est idéal pour le prototypage de stratégies multi-agent, la simulation d’environnements collaboratifs et l’exploration de comportements émergents dans les systèmes IA.

mcp-agent-graph fournit une couche d'orchestration basée sur un graphe pour les agents AI, permettant aux développeurs de cartographier des flux de travail complexes en plusieurs étapes sous forme de graphes dirigés. Chaque nœud du graphe correspond à une tâche ou fonction d'agent, capturant les entrées, sorties et dépendances. Les arêtes définissent le flux de données entre les agents, garantissant l'ordre d'exécution correct. Le moteur supporte des modes d'exécution séquentielle et parallèle, la résolution automatique des dépendances, et s'intègre avec des fonctions Python personnalisées ou des services externes. La visualisation intégrée permet aux utilisateurs d'inspecter la topologie du graphe et de déboguer les flux de travail. Ce framework rationalise le développement de systèmes modulaires et évolutifs multi-agents pour le traitement des données, les flux de travail langage naturel ou les pipelines de modèles AI combinés.

OpenMAS est conçu pour faciliter le développement et l'évaluation d'agents d'IA décentralisés et de stratégies de coordination multi-agents. Il dispose d'une architecture modulaire permettant aux utilisateurs de définir des comportements d'agents personnalisés, des modèles d'environnement dynamiques et des protocoles de messagerie inter-agents. Le cadre prend en charge la simulation basée sur la physique, l'exécution événementielle et l'intégration de plugins pour les algorithmes d'IA. Les utilisateurs peuvent configurer des scénarios via YAML ou Python, visualiser les interactions des agents et collecter des métriques de performance via des outils d'analyse intégrés. OpenMAS rationalise la prototypage dans des domaines tels que l'intelligence en essaim, la robotique coopérative et la prise de décision distribuée.

RepoAgent est un cadre d'IA qui transforme n'importe quel dépôt de code en une base de connaissances interactive. Il indexe les fichiers sources, fonctions, classes et documentations dans un magasin vectoriel, permettant une récupération rapide et des réponses contextuelles. Les développeurs peuvent poser des questions en langage naturel sur la fonctionnalité, l'architecture ou les dépendances du code. Il prend en charge la résumé automatique du code, la génération de documentation et la création de cas de test en intégrant des grands modèles linguistiques. RepoAgent analyse également les issues, pull requests et l'historique des commits pour fournir des insights sur la qualité du code et les bugs potentiels. Son design modulaire permet de personnaliser les pipelines de récupération, la sélection des modèles et le formatage des sorties. En s'intégrant directement dans les pipelines CI/CD ou IDE, RepoAgent accélère le développement, réduit le temps d'intégration et augmente la productivité de l'équipe.

Le apprentissage automatique autodidacte simple offre aux développeurs une approche extrêmement simple pour créer et entraîner des agents d'apprentissage par renforcement en Python. Le framework abstrait les composants clés du RL, tels que les wrappers d'environnement, les modules de politique et les buffers d'expérience, en interfaces concises. Les utilisateurs peuvent rapidement initialiser les environnements, définir des politiques personnalisées avec des backends familiers comme PyTorch ou TensorFlow, et exécuter des boucles d’entraînement avec journalisation et sauvegarde intégrées. La bibliothèque supporte les algorithmes on-policy et off-policy, permettant une expérimentation flexible avec Q-learning, les gradients de politique et les méthodes acteur-critique. En réduisant le code boilerplate, le apprentissage automatique autodidacte simple permet aux praticiens, éducateurs et chercheurs de prototype des algorithmes, tester des hypothèses et visualiser la performance de l'agent avec une configuration minimale. Sa conception modulaire facilite également l'intégration avec les stacks ML existants et les environnements personnalisés.

ToolAgents est un cadre modulaire open-source pour agents IA qui intègre de grands modèles de langage avec des outils externes pour automatiser des workflows complexes. Les développeurs enregistrent des outils via un registre centralisé, en définissant des points de terminaison pour des tâches telles que les appels API, les requêtes de base de données, l'exécution de code et l'analyse de documents. Les agents peuvent planifier des opérations en plusieurs étapes, invoquant ou enchaînant dynamiquement des outils en fonction des sorties de LLM. Le cadre prend en charge l'exécution séquentielle et parallèle des tâches, la gestion des erreurs et des plug-ins extensibles pour des intégrations d'outils personnalisés. Avec des API basées sur Python, ToolAgents simplifie la création, le test et le déploiement d'agents intelligents qui récupèrent des données, génèrent du contenu, exécutent des scripts et traitent des documents, permettant un prototypage rapide et une automatisation évolutive dans l'analyse, la recherche et les opérations commerciales.

Venus est une bibliothèque Python open-source qui permet aux développeurs de concevoir, configurer et exécuter facilement des agents IA intelligents. Elle fournit une gestion intégrée des conversations, des options de stockage de mémoire persistante et un système de plugins flexible pour intégrer des outils et API externes. Les utilisateurs peuvent définir des workflows personnalisés, chaîner plusieurs appels LLM et incorporer des interfaces d'appel de fonction pour effectuer des tâches telles que la récupération de données, le web scraping ou les requêtes de base de données. Venus supporte une exécution synchrone et asynchrone, la journalisation, la gestion des erreurs et la surveillance des activités des agents. En abstraisant les interactions API de bas niveau, Venus permet un prototypage rapide et un déploiement de chatbots, assistants virtuels et workflows automatisés, tout en conservant un contrôle total sur le comportement des agents et l'utilisation des ressources.

Advanced_RAG offre un pipeline modulaire pour les tâches de génération augmentée par récupération, comprenant des chargeurs de documents, des constructeurs d'index vectoriels et des gestionnaires de chaînes. Les utilisateurs peuvent configurer différentes bases de données vectorielles (FAISS, Pinecone), personnaliser les stratégies de récupération (recherche par similarité, recherche hybride), et intégrer n'importe quel LLM pour générer des réponses contextuelles. Il prend également en charge des métriques d’évaluation et la journalisation pour le tuning des performances, et est conçu pour la scalabilité et la extensibilité en environnement de production.

Agentin est une bibliothèque Python open-source conçue pour aider les développeurs à créer des agents intelligents capables de planifier, agir et apprendre. Elle fournit des abstractions pour la gestion de la mémoire conversationnelle, l'intégration d'outils ou d'API externes et l'orchestration de plusieurs agents en flux de travail parallèles ou hiérarchiques. Avec des modules de planification configurables et un support pour les wrappers d'outils personnalisés, Agentin permet un prototypage rapide d'agents autonomes de traitement de données, de bots de service client ou d'assistants de recherche. Le framework offre également des hooks extensibles pour la journalisation et la surveillance, facilitant le suivi des décisions des agents et la résolution de problèmes dans les interactions complexes multi-étapes.

Agentic AI Workflow est une bibliothèque Python extensible conçue pour orchestrer plusieurs agents IA pour une automatisation complexe de tâches. Elle comprend un agent de planification pour décomposer les objectifs en étapes concrètes, des agents d’exécution pour réaliser ces étapes via des LLM connectés, et un agent de réflexion pour examiner les résultats et affiner les stratégies. Les développeurs peuvent personnaliser les modèles de prompts, les modules de mémoire et les intégrations de connecteurs pour tout grand modèle de langage. Le framework fournit des composants réutilisables, une journalisation et des métriques de performance pour faciliter la création d’assistants de recherche autonomes, de pipelines de contenu et de flux de traitement de données.

AgentX offre une architecture extensible pour construire des agents pilotés par IA qui exploitent de grands modèles de langage, des intégrations d'outils et d'API, et des modules de mémoire pour effectuer des tâches complexes de manière autonome. Il dispose d'un système de plugins pour des outils personnalisés, du support pour la récupération basée sur des vecteurs, le raisonnement en chaîne de pensée et des journaux d'exécution détaillés. Les utilisateurs définissent des agents via des fichiers de configuration flexibles ou du code, en spécifiant des outils, des backends de mémoire comme Chroma DB et des pipelines de raisonnement. AgentX gère le contexte sur plusieurs sessions, permet la génération augmentée par récupération et facilite les conversations à plusieurs tours. Ses composants modulaires permettent aux développeurs d'orchestrer des flux de travail, de personnaliser les comportements des agents et d'intégrer des services externes pour l'automatisation, l'assistance à la recherche, le support client et l'analyse de données.

L'Agno AI Agent est conçu pour aider les développeurs à construire rapidement des agents autonomes alimentés par de grands modèles de langage. Il fournit un registre d'outils modulaire, une gestion de la mémoire, des boucles de planification et d'exécution, ainsi qu'une intégration transparente avec des API externes (telles que la recherche web, les systèmes de fichiers et les bases de données). Les utilisateurs peuvent définir des interfaces d'outils personnalisés, configurer des personnalités d'agents et orchestrer des workflows complexes et multi-étapes. Les agents peuvent planifier des tâches, appeler des outils dynamiquement et apprendre des interactions précédentes pour améliorer la performance au fil du temps.

autogen4j est une bibliothèque Java légère conçue pour abstraire la complexité de la construction d'agents AI autonomes. Elle offre des modules principaux pour la planification, le stockage de la mémoire et l'exécution d'actions, permettant aux agents de décomposer des objectifs de haut niveau en sous-tâches séquentielles. Le framework s'intègre avec des fournisseurs de LLM (par exemple, OpenAI, Anthropic) et permet l'enregistrement d'outils personnalisés (clients HTTP, connecteurs de base de données, lecture/écriture de fichiers). Les développeurs définissent des agents via un DSL fluide ou des annotations, assemblant rapidement des pipelines pour l'enrichissement de données, la génération automatisée de rapports et les bots conversationnels. Un système de plugins extensible assure la flexibilité, permettant des comportements ajustés pour diverses applications.

Cara est un système IA conçu pour le secteur de l'assurance, offrant une architecture modulaire qui permet aux principales agences d'assurance et courtiers. Il aide à accélérer les ventes tout en automatisant divers services, fonctionnant efficacement comme une main-d'œuvre numérique disponible 24/7. Cela permet aux agences de rationaliser leurs opérations, d'améliorer le service client et, en fin de compte, de stimuler la croissance sur un marché hautement concurrentiel.

CArtAgO (Common ARTifact Infrastructure for AGents Open environments) est un cadre léger et extensible pour implémenter des infrastructures environnementales dans des systèmes multi-agent. Il introduit le concept d’artefacts : entités de première classe représentant des ressources environnementales avec des opérations définies, des propriétés observables et des interfaces d’événements. Les développeurs définissent des types d’artefacts en Java, les enregistrent dans des classes d’environnement, et exposent des opérations et des événements pour la consommation par les agents. Les agents interagissent avec les artefacts en utilisant des actions standards (par ex., createArtifact, observe), reçoivent des notifications asynchrones de changements d’état, et se coordonnent via des ressources partagées. CArtAgO s’intègre facilement aux plateformes d’agents telles que Jason, JaCaMo, JADE, et Spring Agent, permettant le développement de systèmes hybrides. Le cadre offre une prise en charge intégrée pour la documentation des artefacts, le chargement dynamique et la surveillance à l’exécution, facilitant le prototypage rapide d’applications basées sur des agents complexes.

Fast-LLM-Agent-MCP est un cadre Python léger open-source pour construire des agents IA combinant gestion de mémoire, raisonnement en chaîne et planification multi-étapes. Les développeurs peuvent l'intégrer avec OpenAI, Azure OpenAI, Llama local et d'autres modèles pour maintenir le contexte de conversation, générer des traces de raisonnement structurées et décomposer des tâches complexes en sous-tâches exécutables. Son design modulaire permet l'intégration d'outils personnalisés et de stockages de mémoire, idéal pour des applications telles que les assistants virtuels, les systèmes d'aide à la décision et les bots de support client automatisés.

Deep Study AI Agent utilise les modèles GPT d'OpenAI pour traiter le texte ou les documents fournis par l'utilisateur, extraire les concepts clés et générer des aides à l'étude. Les utilisateurs téléchargent des notes de cours, des PDFs ou des fichiers texte, et l'agent produit des résumés concis, des séries de cartes mémoire, des quiz à choix multiple et des exercices ciblés. Il offre également des réglages de difficulté configurables et des indices contextuels. La conception modulaire permet des extensions pour de nouveaux types de contenu et modèles de prompt, rendant l'outil flexible pour diverses matières académiques et flux de travail d'auto-apprentissage.