MAGI (Modular AI Generative Intelligence) est un cadre open-source conçu pour simplifier la création et la gestion d'agents IA. Il offre une architecture de plugins pour l'intégration d'outils personnalisés, des modules de mémoire persistante, la planification par chaînes de pensée, et l'orchestration en temps réel de flux de travail en plusieurs étapes. Les développeurs peuvent enregistrer des APIs externes ou des scripts locaux en tant qu'outils d'agent, configurer des backends de mémoire, et définir des politiques de tâches. La conception extensible de MAGI supporte à la fois les tâches synchrones et asynchrones, ce qui le rend idéal pour les chatbots, les pipelines d'automatisation, et les prototypes de recherche.

Matcha Agent fournit une base flexible pour la création d'agents autonomes en Python. Les développeurs peuvent configurer des agents avec des ensembles d'outils personnalisés (APIs, scripts, bases de données), gérer la mémoire conversationnelle et orchestrer des flux de travail multi-étapes sur différents LLM (OpenAI, modèles locaux, etc.). Son architecture basée sur des plugins permet une extension, un débogage et une surveillance aisés du comportement de l'agent. Que ce soit pour automatiser des tâches de recherche, d'analyse de données ou de support client, Matcha Agent simplifie le développement et le déploiement complet des agents.

MindForge est un cadre d’orchestration robuste conçu pour construire et déployer des agents pilotés par IA avec un minimum de code boilerplate. Il offre une architecture modulaire comprenant un planificateur de tâches, un moteur de raisonnement, un gestionnaire de mémoire et une couche d’exécution d’outils. En exploitant les LLM, les agents peuvent analyser l'entrée utilisateur, élaborer des plans et invoquer des outils externes — comme des APIs de scraping web, des bases de données ou des scripts personnalisés — pour accomplir des tâches complexes. Les composants de mémoire stockent le contexte conversationnel, permettant des interactions multi-tours, tandis que le moteur de décision sélectionne dynamiquement des actions selon des politiques définies. Avec le support de plugins et des pipelines personnalisables, les développeurs peuvent étendre la fonctionnalité pour inclure des outils spécifiques, des intégrations tierces et des bases de connaissances spécifiques au domaine. MindForge simplifie le développement d’agents IA, favorisant le prototypage rapide et le déploiement scalable en production.

OmniMind0 est un cadre d’IA basé sur des agents complet, écrit en Python, permettant la création et l’orchestration de plusieurs agents autonomes. Chaque agent peut être configuré pour gérer des tâches spécifiques — comme la récupération de données, la synthèse ou la prise de décision — tout en partageant l’état via des backends de mémoire modulables comme Redis ou des fichiers JSON. L’architecture de plugins intégrée vous permet d’étendre la fonctionnalité avec des APIs externes ou des commandes personnalisées. Il prend en charge les modèles OpenAI, Azure et Hugging Face, et offre des déploiements via CLI, serveur API REST ou Docker pour une intégration flexible dans vos flux de travail.

OpenAgent offre un cadre complet pour développer des agents IA autonomes capables de comprendre des tâches, planifier des actions multi-étapes et interagir avec des services externes. En intégrant des LLM comme OpenAI et Anthropic, il permet un raisonnement en langage naturel et une prise de décision. La plateforme dispose d’un système d’outils plugin pour exécuter des requêtes HTTP, opérations sur fichiers et fonctions Python personnalisées. Les modules de gestion mémoire permettent aux agents de stocker et récupérer des informations contextuelles entre sessions. Les développeurs peuvent étendre la fonctionnalité via des plugins, configurer le streaming en temps réel des réponses et utiliser des outils de journalisation et d’évaluation intégrés pour surveiller les performances de l’agent. OpenAgent simplifie l’orchestration de workflows complexes, accélère le prototypage d’assistants intelligents, et garantit une architecture modulaire pour des applications IA évolutives.

Playbooks AI est un framework pour développeurs permettant de construire des agents IA via un DSL déclaratif de playbooks. Il permet l'intégration avec divers LLM, outils personnalisés et magasins de mémoire. Avec une CLI et une interface web, les utilisateurs peuvent définir le comportement de l'agent, orchestrer des workflows multi-étapes et surveiller l'exécution. Les fonctionnalités incluent le routage d'outils, la mémoire à état, le contrôle de version, l'analytique et la collaboration multi-agent, rendant la création de prototypes et le déploiement d'assistants IA prêts pour la production plus faciles.

rag-services est une plateforme extensible qui décompose les pipelines RAG en microservices discrets. Elle offre un service de stockage de documents, un service d'indexation vectorielle, un service d'embedding, plusieurs services d'inférence LLM et un orchestrateur pour coordonner les flux de travail. Chaque composant expose des API REST, vous permettant de mélanger et d'associer bases de données et fournisseurs de modèles. Avec la prise en charge de Docker et Docker Compose, vous pouvez déployer localement ou dans des clusters Kubernetes. Le cadre permet des solutions RAG évolutives et tolérantes aux pannes pour chatbots, bases de connaissances et Q&A automatiques.

L'agent MLE est un cadre d'agent polyvalent basé sur l'IA qui simplifie et accélère les opérations d'apprentissage automatique en tirant parti de modèles linguistiques avancés. Il interprète des requêtes utilisateur de haut niveau pour exécuter des tâches ML complexes telles que le suivi automatique des expériences avec l'intégration de MLflow, la surveillance en temps réel des performances des modèles, la détection de dérive des données et la vérification de la santé des pipelines. Les utilisateurs peuvent interagir avec l'agent via une interface conversationnelle pour obtenir des métriques d'expériences, diagnostiquer des échecs d'entraînement ou planifier des retrainements. L'agent MLE s'intègre de façon transparente avec des plateformes d'orchestration populaires comme Kubeflow et Airflow, permettant des déclencheurs automatiques de workflows et des notifications. Sa architecture modulaire de plugins permet de personnaliser les connecteurs de données, les tableaux de bord de visualisation et les canaux d'alerte, le rendant adaptable aux flux de travail variés des équipes ML.

Rigging est un cadre axé sur le développement qui facilite la création et l'orchestration d'agents IA. Il fournit l'enregistrement d'outils et de fonctions, la gestion du contexte et de la mémoire, le chaînage de flux de travail, des événements de rappel et la journalisation. Les développeurs peuvent intégrer plusieurs fournisseurs LLM, définir des plugins personnalisés et assembler des pipelines à plusieurs étapes. Le SDK TypeScript sécurisé de Rigging garantit modularité et réutilisabilité, accélérant le développement d'agents IA pour les chatbots, le traitement des données et la génération de contenu.

En substance, SpongeCake est une couche d'abstraction de haut niveau sur Langchain conçue pour accélérer le développement d'agents IA. Elle offre un support intégré pour enregistrer des outils — comme la recherche web, les connecteurs de bases de données ou les APIs personnalisées — gérer des modèles de prompts et persister la mémoire de conversation. Avec des configurations basées sur le code ou YAML, les équipes peuvent définir de manière déclarative le comportement des agents, chaîner des flux de travail multi-étapes et permettre une sélection dynamique des outils. La CLI incluse facilite les tests locaux, le débogage et le déploiement, faisant de SpongeCake un choix idéal pour construire des chatbots, des automatisateurs de tâches et des assistants spécifiques au domaine, le tout sans répétition de boilerplate.

SquadflowAI Studio permet aux utilisateurs de composer visuellement des agents AI en définissant des rôles, des tâches et des communications entre agents. Les agents peuvent être enchaînés pour gérer des processus complexes à plusieurs étapes—interroger des bases de données ou des API, effectuer des actions et transmettre du contexte entre eux. La plateforme prend en charge les extensions via plugins, le débogage en temps réel et les logs étape par étape. Les développeurs configurent les invites, gèrent l'état de la mémoire et définissent la logique conditionnelle sans code boilerplate. Les modèles d'OpenAI, Anthropic et locaux sont supportés. Les équipes peuvent déployer des workflows via des endpoints REST ou WebSocket, surveiller les métriques de performance et ajuster les comportements des agents via un tableau de bord centralisé.

TypeAI Core offre un cadre complet pour créer des agents pilotés par IA qui exploitent de grands modèles linguistiques. Il inclut des utilitaires de modèles de prompts, une mémoire conversationnelle avec stockage vectoriel, une intégration transparente d'outils externes (API, bases de données, runners de code) et un support pour des agents imbriqués ou collaboratifs. Les développeurs peuvent définir des fonctions personnalisées, gérer l'état des sessions et orchestrer des flux de travail via une API TypeScript intuitive. En abstraisant les interactions complexes avec les LLM, TypeAI Core accélère le développement d'une IA conversationnelle contextuelle et multi-tours avec un minimum de boilerplate.

Le SDK A2A est une boîte à outils pour les développeurs afin de construire, chaîner et gérer des agents IA en Python. Il fournit des API pour définir le comportement des agents via des invites ou du code, connecter les agents dans des pipelines ou workflows, et permettre la transmission de messages asynchrones. Les intégrations avec OpenAI, Llama, Redis et les services REST permettent aux agents de récupérer des données, d'appeler des fonctions et de stocker des états. Une interface utilisateur intégrée permet de surveiller l'activité des agents, tandis que la conception modulaire garantit la possibilité d'étendre ou de remplacer des composants pour répondre à des cas d'utilisation personnalisés.

A2A4J est un cadre Java léger conçu pour construire des agents IA autonomes. Il offre des abstractions pour les agents, outils, mémoires et planificateurs, supportant l'exécution asynchrone des tâches et une intégration transparente avec OpenAI et d'autres API LLM. Sa conception modulaire vous permet de définir des outils et des magasins de mémoire personnalisés, d'orchestrer des workflows multi-étapes et de gérer des boucles de décision. Avec la gestion des erreurs intégrée, la journalisation et l'extensibilité, A2A4J accélère le développement d'applications Java intelligentes et de microservices.

Le dépôt Agent Supervisor Example démontre comment orchestrer plusieurs agents AI autonomes dans un flux de travail coordonné. Écrit en Python, il définit une classe Supervisor pour dispatcher des tâches, surveiller le statut des agents, gérer les échecs et agréger les réponses. Vous pouvez étendre les classes d'agents de base, brancher différentes API de modèles et configurer les politiques de planification. Il enregistre les activités pour l'audit, supporte l'exécution parallèle et offre une conception modulaire pour une personnalisation facile et une intégration dans de plus grands systèmes d'IA.

Agentic Framework est un framework polyvalent et open-source conçu pour simplifier la création d'agents IA autonomes exploitant de grands modèles linguistiques et MongoDB. Il fournit des composants modulaires pour gérer la mémoire de l'agent, définir des ensembles d'outils, orchestrer des workflows multi-étapes et templatiser des prompts. Le magasin de mémoire intégré, basé sur MongoDB, permet aux agents de préserver un contexte persistant entre les sessions, tandis que des interfaces d'outils modulables permettent une interaction fluide avec des API externes et des sources de données. Basé sur Node.js, le framework inclut la journalisation, des hooks de surveillance et des exemples de déploiement pour prototyper et faire évoluer rapidement des agents intelligents. Avec une configuration personnalisable, les développeurs peuvent adapter les agents à des tâches telles que la récupération de connaissances, le support client automatisé, l'analyse de données et l'automatisation des processus, réduisant ainsi la charge de développement et accélérant la mise en production.

AgentUniverse fournit un SDK Python unifié pour concevoir, orchestrer et exécuter des agents IA autonomes. Les développeurs peuvent définir le comportement des agents, intégrer des outils ou API externes, gérer la mémoire de conversation et séquencer des tâches multi-étapes. Supportant LangChain, des plugins d'outils personnalisés, et des environnements d'exécution configurables, il accélère le développement et le déploiement des agents. La surveillance et la journalisation intégrées offrent des insights en temps réel, tandis que son architecture modulaire permet une extension facile avec de nouvelles capacités ou modèles IA.

Le module Terraform AI Agent fournit une configuration Terraform réutilisable qui automatise le provisioning complet d'un backend d'agent IA. Il crée un VPC AWS, des rôles IAM avec des politiques de moindre privilège, des fonctions Lambda reliées aux API OpenAI ou personnalisées, des interfaces REST API Gateway, et des Step Functions optionnels pour l'orchestration de workflows. Les utilisateurs peuvent personnaliser les variables d'environnement, les paramètres de mise à l'échelle, la journalisation et la surveillance. Le module abstrait la complexité de la configuration cloud en entrées simples, permettant un déploiement rapide, cohérent et sécurisé d'agents conversationnels IA, d'automatisations de tâches ou de bots de traitement de données en quelques minutes.

Aladin propose une architecture modulaire permettant aux développeurs de définir des agents autonomes propulsés par de grands modèles de langage (LLMs). Chaque agent peut charger des backends mémoire (ex. SQLite, en mémoire), utiliser des modèles de prompts dynamiques et intégrer des plugins personnalisés pour des appels API externes ou l'exécution de commandes locales. Il possède un planificateur de tâches qui décompose des objectifs de haut niveau en actions séquencées, les exécutant dans l'ordre et les réitérant basés sur le feedback de l'LLM. La configuration est gérée via des fichiers YAML et des variables d'environnement, l'adaptant à divers cas d'usage. Les utilisateurs peuvent déployer Aladin via Docker Compose ou pip. Les interfaces CLI et HTTP basées sur FastAPI permettent de lancer des agents, surveiller leur exécution et inspecter l'état de la mémoire, facilitant l'intégration avec des pipelines CI/CD, interfaces de chat ou dashboards personnalisés.

autogen_multiagent offre une manière structurée d'instancier, configurer et coordonner plusieurs agents IA en Python. Il propose la création dynamique d'agents, des canaux de messagerie entre agents, la planification de tâches, des boucles d'exécution et des utilitaires de surveillance. En s'intégrant parfaitement avec l'API OpenAI, il permet d'assigner des rôles spécialisés—comme planificateur, exécutant, résumé—à chaque agent et d'orchestrer leurs interactions. Ce framework est idéal pour des scénarios nécessitant des workflows IA modulaires et évolutifs, tels que l'analyse automatisée de documents, l'orchestration du support client, et la génération de code multi-étapes.