Minerva est un framework d'agents IA extensible conçu pour automatiser des flux de travail complexes en utilisant de grands modèles de langage. Les développeurs peuvent intégrer des outils externes — tels que la recherche web, les API ou les processeurs de fichiers — définir des stratégies de planification personnalisées et gérer la mémoire conversationnelle ou persistante. Minerva supporte l'exécution synchrone et asynchrone de tâches, la journalisation configurable et une architecture de plugins, facilitant le prototypage, le test et le déploiement d'agents intelligents capables de raisonner, planifier et utiliser des outils dans des scénarios réels.

Rawr Agent est un cadre Python modulaire et open-source qui permet aux développeurs de construire des agents AI autonomes en orchestrant des flux de travail complexes d’interactions LLM. En utilisant LangChain en arrière-plan, Rawr Agent vous permet de définir des séquences de tâches via des configurations YAML ou du code Python, en intégrant des outils tels que les API web, les requêtes de bases de données et les scripts personnalisés. Il comprend des composants de mémoire pour stocker l’historique des conversations et les embeddings vectoriels, des mécanismes de mise en cache pour optimiser les appels répétés, ainsi que des journaux de bord et une gestion robuste des erreurs pour surveiller le comportement de l’agent. Son architecture extensible permet d’ajouter des outils et des connecteurs personnalisés, rendant l’outil adapté pour des tâches telles que la recherche automatisée, l’analyse de données, la génération de rapports et les chatbots interactifs. Avec sa API simple, les équipes peuvent rapidement prototyper et déployer des agents intelligents pour diverses applications.

AI Agent Playground offre un environnement modulaire pour que les développeurs et chercheurs construisent des agents avancés alimentés par IA capables de raisonner, planifier et exécuter des tâches de manière autonome. En tirant parti de systèmes de mémoire modulaires, d'interfaces d'outils personnalisables et d'une architecture de plugins extensible, les utilisateurs peuvent définir des agents qui interagissent avec des services web, des bases de données et des API personnalisées. Le framework propose des modèles préconstruits pour des rôles courants comme la récupération d'informations, l'analyse de données et les tests automatisés, tout en permettant une personnalisation approfondie de la logique de décision. Les utilisateurs peuvent suivre les flux de travail des agents via une interface en ligne de commande, s'intégrer aux pipelines CI/CD et déployer sur toute plateforme supportant Python. Son caractère open-source favorise la collaboration communautaire, stimulant l'innovation rapide dans les capacités des agents autonomes.

BambooAI combine un ensemble de bibliothèques Python modulaires, utilitaires et modèles conçus pour simplifier la création et le déploiement d'agents IA autonomes. Au cœur, BambooAI fournit des architectures de mémoire flexibles—bases de données vectorielles, caches éphémères—et des mécanismes de récupération configurables pour les flux RAG. Les développeurs peuvent facilement intégrer des outils tels que la recherche web, les recherches Wikipedia, les opérations sur fichiers, les requêtes de bases de données et l'exécution de code Python. Le framework supporte les principales API LLM (OpenAI, Anthropic) ainsi que l'hébergement de modèles locaux. Les agents peuvent être orchestrés via une CLI simple, un service RESTful ou intégrés dans des applications. Les fonctionnalités de journalisation, de surveillance et de récupération d'erreurs garantissent la fiabilité en production. Les extensions communautaires et systèmes de plugins rendent BambooAI extensible pour des domaines et flux de travail personnalisés.

Multi-Agent-RAG offre un cadre modulaire pour construire des applications de génération augmentée par récupération (RAG) en orchestrant plusieurs agents d'IA spécialisés. Les développeurs configurent des agents individuels : un agent de récupération connecte des magasins vectoriels pour extraire des documents pertinents ; un agent de raisonnement effectue une analyse en chaîne de pensée ; et un agent de génération synthétise les réponses finales en utilisant de grands modèles de langage. Le framework supporte des extensions via plugins, des prompts configurables, et une journalisation complète, permettant une intégration transparente avec des API LLM populaires et des bases de données vectorielles pour améliorer la précision RAG, la scalabilité, et l'efficacité du développement.