Overeasy est un framework open-source basé sur Python pour orchestrer des agents IA alimentés par LLM dans diverses disciplines. Il fournit une architecture modulaire pour définir des agents, configurer des stockages de mémoire et intégrer des outils externes tels que APIs, bases de connaissances et bases de données. Les développeurs peuvent se connecter à OpenAI, Azure ou à des points de terminaison LLM auto-hébergés et concevoir des workflows dynamiques impliquant un ou plusieurs agents. Le moteur d'orchestration d'Overeasy gère la délégation des tâches, la prise de décisions et les stratégies de secours, permettant la création de travailleurs numériques robustes pour la recherche, le support client, l'analyse de données, la planification, etc. Une documentation complète et des projets d'exemple accélèrent le déploiement sur Linux, macOS et Windows.

Practical AI Agents offre aux développeurs un cadre complet et des exemples prêts à l'emploi pour construire des agents autonomes alimentés par de grands modèles linguistiques. Il montre comment intégrer des outils API (par ex., navigateurs Web, bases de données, fonctions personnalisées), implémenter une mémoire de style RAG, gérer le contexte des conversations et effectuer une planification dynamique. Les exemples peuvent être adaptés pour des chatbots, des assistants d'analyse de données, des scripts d'automatisation de tâches ou des outils de recherche. Le dépôt comprend des notebooks, des fichiers Docker et des fichiers de configuration pour simplifier la configuration et le déploiement dans différents environnements.

Whiz est conçu pour fournir une base robuste pour le développement d'agents intelligents capables d'effectuer des workflows conversationnels et orientés tâches complexes. Avec Whiz, les développeurs définissent des "outils" — des fonctions Python ou des API externes — que l'agent peut invoquer lors du traitement des requêtes utilisateur. Un module de mémoire intégré capture et récupère le contexte de conversation, permettant des interactions multi-tours cohérentes. Un moteur de planification dynamique décompose les objectifs en étapes réalisables, tandis qu'une interface flexible permet d'injecter des politiques personnalisées, des registres d'outils et des backends de mémoire. Whiz supporte la recherche sémantique basée sur des embeddings pour extraire des documents pertinents, la journalisation pour la traçabilité et l'exécution asynchrone pour la montée en charge. Entièrement open-source, Whiz peut être déployé partout où Python s'exécute, permettant une création rapide de prototypes de bots d'assistance client, d'assistants d'analyse de données ou d'agents spécialisés, avec peu de boilerplate.

Aurora fournit une architecture modulaire pour construire des agents IA génératifs capables de traiter de manière autonome des tâches complexes via une planification et une exécution itératives. Elle se compose d'un composant Planificateur qui décompose des objectifs élevés en étapes exploitables, d'un Exécuteur qui invoque ces étapes avec de grands modèles linguistiques, et d'une couche d'intégration d'outils pour connecter des API, des bases de données ou des fonctions personnalisées. Aurora inclut également une gestion de la mémoire pour la rétention du contexte et des capacités de re-planification dynamique pour s'adapter aux nouvelles informations. Avec des invites personnalisables et des modules plug-and-play, les développeurs peuvent rapidement prototyper des agents IA pour des tâches telles que la génération de contenu, la recherche, le support client ou l'automatisation des processus, tout en conservant un contrôle total sur les flux de travail et la logique de décision.

Lagent est un cadre axé sur les développeurs, qui permet la création d'agents intelligents sur la base de grands modèles linguistiques. Il propose des modules de planification dynamique qui divisent les tâches en sous-objectifs, des systèmes de mémoire pour maintenir le contexte sur de longues sessions et des interfaces d’intégration d’outils pour les appels API ou l’accès à des services externes. Avec des pipelines personnalisables, les utilisateurs définissent le comportement de l’agent, les stratégies de prompt, la gestion des erreurs et l’analyse des sorties. Les outils de journalisation et de débogage de Lagent aident à surveiller les étapes de décision, tandis que son architecture évolutive supporte les déploiements locaux, cloud ou en entreprise. Il accélère la création d’assistants autonomes, d’analyses de données et d’automatisations de flux de travail.

RotimeApp offre une solution de planification flexible qui s'ajuste dynamiquement à vos heures de réveil réelles. Que vous soyez un lève-tôt ou un oiseau de nuit, RotimeApp vous aide à aligner sans effort vos routines quotidiennes avec vos schémas de sommeil naturels. Cela garantit que vous restez sur la bonne voie avec vos tâches et rendez-vous sans le stress des horaires fixes. RotimeApp propose des fonctionnalités telles que des rappels de tâches, des notifications d'ajustement et une optimisation des routines, ce qui en fait l'outil parfait pour quiconque souhaitant gérer son temps plus efficacement.

AgentSpeak est une implémentation open-source en Java du langage de programmation AgentSpeak(L), conçue pour faciliter la création et la gestion d'agents autonomes BDI (Croyance-Désir-Intention). Il possède un environnement d'exécution qui analyse le code AgentSpeak(L), maintient les bases de croyances des agents, déclenche des événements et sélectionne puis exécute des plans en fonction des croyances et objectifs actuels. L'interpréteur supporte l'exécution concurrente des agents, les mises à jour dynamiques de plans et des sémantiques personnalisables. Avec une architecture modulaire, les programmeurs peuvent étendre des composants centraux tels que la sélection de plans et la révision des croyances. AgentSpeak permet aux chercheurs et à l'industrie de prototyper, simuler et déployer des agents intelligents dans des simulations, des systèmes IoT et des scénarios multi-agents.

ASP-DALI fournit une plateforme unifiée pour définir et exécuter des agents intelligents basés sur la logique. Les développeurs écrivent des règles ASP pour représenter la connaissance et les objectifs de l’agent, tandis que les constructions DALI définissent les réactions aux événements et l’exécution des actions. À l’exécution, un solveur ASP calcule des ensembles de réponses qui guident la prise de décision de l’agent, lui permettant de planifier, de réagir aux événements entrants et d’ajuster ses croyances de manière dynamique. Le cadre supporte des bases de connaissances modulaires, facilitant les mises à jour incrémentielles et la séparation claire entre règles déclaratives et comportements réactifs. ASP-DALI est implémenté en Prolog avec des interfaces vers des solveurs ASP populaires, simplifiant l’intégration et le déploiement en recherche et prototypes.