LazyLLM propose des API externes ou des utilitaires personnalisés. Les agents exécutent des tâches définies via des flux de travail séquentiels ou à embranchements, prenant en charge une opération synchrone ou asynchrone. LazyLLM offre également des outils intégrés de journalisation, de test et des points d'extension pour personnaliser les prompts ou les stratégies de récupération. En gérant l'orchestration sous-jacente des appels LLM, la gestion de la mémoire et l'exécution des outils, LazyLLM permet une prototypification rapide et le déploiement d'assistants intelligents, de chatbots, et de scripts d'automatisation avec peu de code standard.

MADDPG-Keras offre un cadre complet pour la recherche en apprentissage par renforcement multi-agent en implémentant l'algorithme MADDPG dans Keras. Il supporte les espaces d'actions continues, plusieurs agents et les environnements standard d'OpenAI Gym. Les chercheurs et développeurs peuvent configurer les architectures de réseaux neuronaux, les hyperparamètres d'entraînement et les fonctions de récompense, puis lancer des expériences avec des journaux intégrés et un enregistrement des modèles pour accélérer l'apprentissage des politiques multi-agent.

pyafai est une bibliothèque Python open source conçue pour aider les développeurs à architecturer, configurer et exécuter des agents IA autonomes. Elle offre des modules plug-in pour la gestion de la mémoire pour conserver le contexte, l'intégration d'outils pour les appels API externes, des observateurs pour la surveillance de l'environnement, des planificateurs pour la prise de décision, et un orchestrateur pour gérer les boucles d'agents. Les fonctionnalités de journalisation et de surveillance offrent une visibilité sur les performances et le comportement des agents. pyafai prend en charge les principaux fournisseurs LLM, permet la création de modules personnalisés, et réduit le code boilerplate pour permettre aux équipes de prototyper rapidement des assistants virtuels, des robots de recherche et des workflows d'automatisation avec un contrôle complet sur chaque composant.

agent-steps est un cadre d'orchestration d'étapes Python conçu pour rationaliser le développement d'agents IA en décomposant des tâches complexes en étapes discrètes et réutilisables. Chaque étape encapsule une action spécifique — comme l'appel à un modèle linguistique, la transformation de données ou des appels API externes — et peut transmettre le contexte aux étapes suivantes. La bibliothèque supporte une exécution synchrone et asynchrone, permettant des pipelines évolutifs. Les outils de journalisation et de débogage intégrés offrent une transparence sur l'exécution des étapes, tandis que son architecture modulaire favorise la maintenabilité. Les utilisateurs peuvent définir des types d'étapes personnalisés, les enchainer dans des workflows et les intégrer facilement dans des applications Python existantes. agent-steps est adapté pour créer des chatbots, des pipelines de données automatisés, des systèmes d'aide à la décision et d'autres solutions IA multi-étapes.

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.

Kaizen est un cadre d'agents AI avancé conçu pour simplifier la création et la gestion d'agents autonomes alimentés par LLM. Il offre une architecture modulaire pour définir des flux de travail à plusieurs étapes, intégrer des outils externes via des API, et stocker le contexte dans des tampons mémoire pour maintenir des conversations avec état. Le constructeur de pipelines de Kaizen permet d'enchaîner des prompts, d'exécuter du code et d'interroger des bases de données dans une seule exécution orchestrée. Des tableaux de bord de journalisation et de surveillance intégrés offrent des aperçus en temps réel des performances des agents et de l'utilisation des ressources. Les développeurs peuvent déployer des agents sur des environnements cloud ou sur site avec support pour l'auto-scaling. En abstraisant les interactions avec LLM et les préoccupations opérationnelles, Kaizen permet aux équipes de prototyper rapidement, tester et scaler l'automatisation IA dans des domaines comme le support client, la recherche et DevOps.

LLMFlow offre un moyen déclaratif de concevoir, tester et déployer des flux de travail complexes de modèles linguistiques. Les développeurs créent des Nœuds qui représentent des invites ou des actions, puis les enchaînent dans des Flux pouvant se ramifier selon des conditions ou des résultats d'outils externes. La gestion de la mémoire intégrée suit le contexte entre les étapes, tandis que les adaptateurs permettent une intégration transparente avec OpenAI, Hugging Face, et d'autres. La fonctionnalité peut être étendue via des plugins pour des outils ou sources de données personnalisés. Exécutez les Flux localement, dans des conteneurs ou en tant que fonctions serverless. Cas d'utilisation : création d'agents conversationnels, génération automatique de rapports, pipelines d'extraction de données — tous avec une exécution transparente et un journalisation.

Ce cadre fournit une architecture basée sur un serveur prenant en charge des serveurs MCP (Multi-Channel Processing) multiples pour gérer des conversations simultanées, maintenir le contexte entre les sessions et intégrer des services externes via des plugins. Les développeurs peuvent configurer des connecteurs pour les plates-formes de messagerie, définir des appels de fonctions personnalisés et faire évoluer les instances via Docker ou des hôtes natifs. Il inclut la journalisation, la gestion des erreurs et un pipeline modulaire pour étendre les capacités sans modifier le code principal.