Bot-With-Plan offre un modèle Python modulaire pour construire des agents IA qui génèrent d'abord un plan détaillé avant l'exécution. Il utilise GPT d'OpenAI pour analyser les instructions utilisateur, décomposer les tâches en étapes séquentielles, valider le plan, puis exécuter chaque étape via des outils externes comme la recherche web ou des calculatrices. Le cadre inclut la gestion des prompts, le parsing des plans, l'orchestration de l'exécution et la gestion des erreurs. En séparant les phases de planification et d'exécution, il offre une meilleure supervision, un débogage plus simple et une structure claire pour l’extension avec de nouveaux outils ou capacités.

Au cœur, DAGent représente les workflows d'agents comme un graphe acyclique dirigé de nœuds, où chaque nœud peut encapsuler un appel LLM, une fonction personnalisée ou un outil externe. Les développeurs définissent explicitement les dépendances des tâches, permettant l'exécution parallèle et la logique conditionnelle, tandis que le framework gère la planification, le passage des données et la récupération d'erreurs. DAGent fournit également des outils de visualisation intégrés pour inspecter la structure et le flux d'exécution du DAG, améliorant le débogage et la traçabilité. Avec des types de nœuds extensibles, le support de plugins, et une intégration transparente avec des fournisseurs LLM populaires, DAGent permet aux équipes de créer des applications d'IA complexes et multi-étapes telles que pipelines de données, agents conversationnels, et assistants de recherche automatisés avec un minimum de code boilerplate. La focalisation sur la modularité et la transparence rend cet outil idéal pour l'orchestration évolutive des agents dans les environnements expérimentaux et de production.

Team of AI Agents offre une architecture modulaire pour construire et déployer des systèmes multi-agents. Chaque agent opère avec des rôles distincts, utilisant une mémoire globale et des contextes locaux pour la conservation des connaissances. Le cadre supporte la messagerie asynchrone, l'utilisation d'outils via des adaptateurs et la réaffectation dynamique des tâches en fonction des résultats des agents. Les développeurs configurent les agents via des scripts Python ou YAML, permettant la spécialisation thématique, la hiérarchie des objectifs et la gestion des priorités. Il comprend des métriques intégrées pour l’évaluation des performances et le débogage, facilitant des itérations rapides. Grâce à une architecture de plugins extensible, les utilisateurs peuvent intégrer des modèles NLP personnalisés, des bases de données ou des API externes. Team of AI Agents accélère les workflows complexes en exploitant l'intelligence collective d'agents spécialisés, idéal pour la recherche, l'automatisation et la simulation.

AgentInteraction est un framework Python orienté développeur conçu pour simuler, coordonner et évaluer les interactions multi-agents en utilisant de grands modèles linguistiques. Il permet aux utilisateurs de définir des rôles d'agents distincts, de contrôler le flux de conversation via un gestionnaire central et d’intégrer tout fournisseur LLM via une API cohérente. Avec des fonctionnalités comme le routage des messages, la gestion du contexte et l’analyse des performances, AgentInteraction simplifie l’expérimentation avec des architectures d’agents collaboratifs ou compétitifs, facilitant le prototypage de scénarios complexes et la mesure du taux de réussite.

Les Agents Économiques Autonomes (AEA) de Fetch.ai sont un cadre polyvalent qui permet aux développeurs de concevoir, mettre en œuvre et orchestrer des agents logiciels autonomes capables d'interagir entre eux, avec des environnements externes et des registres numériques. Exploitant une architecture basée sur des plugins, AEA fournit des modules préconstruits pour les protocoles de communication, les API de registre cryptographique, l'identité décentralisée et les compétences de prise de décision personnalisables. Les agents peuvent découvrir et effectuer des transactions dans des marchés décentralisés, réaliser des comportements guidés par des objectifs et s'adapter via des flux de données en temps réel. Le cadre prend en charge des outils de simulation pour tester et déboguer des scénarios multi-agents, ainsi que leur déploiement sur des blockchains en direct ou des réseaux peer-to-peer. Avec une interopérabilité intégrée et une messagerie agent-à-agent, AEA simplifie le développement d'applications économiques autonomes complexes telles que le commerce d'énergie, l'optimisation de la chaîne d'approvisionnement et la coordination intelligente de l'IoT.

CereBro propose une architecture modulaire pour créer des agents IA capables de décomposer les tâches de manière autonome, de maintenir une mémoire persistante et d'utiliser des outils de manière dynamique. Il comprend un noyau Brain pour gérer pensées, actions et mémoire, supporte des plugins personnalisés pour des API externes et offre une interface CLI pour l'orchestration. Les utilisateurs peuvent définir des objectifs d'agent, configurer des stratégies de raisonnement et intégrer des fonctions telles que la recherche Web, la manipulation de fichiers ou des outils spécifiques au domaine pour exécuter les tâches de bout en bout sans intervention manuelle.

Copilot Studio est une plateforme et un cadre IA permettant une création rapide de copilotes spécifiques à un domaine. Grâce à son interface glisser-déposer, les utilisateurs conçoivent des modèles de prompts, configurent des intégrations d'outils (par ex., APIs, bases de données), gèrent la sélection de modèles et orchestrent le déploiement. Il prend en charge le contrôle de version, les consoles de test et le routage multi-modèle, en abstraisant la complexité de l'infrastructure. Les équipes peuvent prototyper, itérer et lancer des agents intelligents pour le service client, l'assistance aux développeurs ou la productivité personnelle en quelques minutes.

Les exemples du SDK Python de Restack offrent un ensemble complet de projets de démonstration illustrant comment exploiter la plateforme Restack pour construire des agents IA. Incluent des modèles pour chatbots, agents d'analyse de documents et flux de travail d'automatisation des tâches. Les exemples couvrent la configuration de l'API, l'intégration d'outils (par ex., recherche web, stockage de mémoire), l'orchestration d'agents, la gestion des erreurs et les scénarios de déploiement. Les développeurs peuvent cloner le dépôt, configurer leurs clés API et étendre les agents d'exemple pour répondre à des cas d'utilisation personnalisés.

ggfai fournit une interface unifiée pour définir des objectifs, gérer le raisonnement à plusieurs étapes et maintenir le contexte de conversation avec des modules de mémoire. Il prend en charge des intégrations d'outils personnalisables pour appeler des services ou APIs externes, des flux d'exécution asynchrones et des abstractions sur les modèles GPT d'OpenAI. L'architecture de plugins du cadre vous permet d'échanger des backends de mémoire, des magasins de connaissances et des modèles d'action, simplifiant l'orchestration d'agents dans des tâches telles que le support client, la récupération de données ou les assistants personnels.