FastAPI Agents offre une couche de service robuste pour le développement d'agents basés sur LLM en utilisant le framework web FastAPI. Il permet de définir le comportement des agents avec des chaînes LangChain, des outils et des systèmes de mémoire. Chaque agent peut être exposé comme un point de terminaison REST standard, supportant des requêtes asynchrones, des réponses en streaming et des charges utiles personnalisables. L'intégration avec des magasins de vecteurs permet la génération augmentée par récupération pour des applications axées sur la connaissance. Le framework comprend une journalisation intégrée, des hooks de surveillance et une prise en charge de Docker pour le déploiement en conteneur. Il est facile d'étendre les agents avec de nouveaux outils, middleware et authentification. FastAPI Agents accélère la mise sur le marché des solutions IA, en assurant la sécurité, la scalabilité et la maintenabilité des applications basées sur des agents en entreprise et en recherche.

AgentGateway fournit un environnement axé sur le développement pour la création d'applications IA multi-agents. Elle supporte l'orchestration distribuée d'agents, l'intégration de plugins et le contrôle d'accès sécurisé. Avec des connecteurs intégrés pour les bases de données vectorielles, les API REST/gRPC et des services courants comme Slack et Notion, les agents peuvent interroger des documents, exécuter une logique métier et générer des réponses de manière autonome. La plateforme inclut la surveillance, la journalisation et le contrôle d'accès basé sur les rôles, facilitant le déploiement de solutions IA évolutives et auditable dans les entreprises.

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.

AI-Agent-Framework offre une base complète pour créer des agents alimentés par l'IA en Python. Il comprend des modules pour gérer la mémoire des conversations, intégrer des outils externes et construire des modèles de prompts. Les développeurs peuvent se connecter à divers fournisseurs de LLM, doter les agents de plugins personnalisés et orchestrer plusieurs agents dans des workflows coordonnés. Des outils de journalisation et de surveillance intégrés aident à suivre la performance des agents et à déboguer leurs comportements. La conception extensible du framework permet l'ajout transparent de nouveaux connecteurs ou capacités spécifiques à un domaine, le rendant idéal pour le prototypage rapide, les projets de recherche et l'automatisation de niveau production.

AWS Bedrock Multi-Agent Blueprint offre un cadre modulaire pour implémenter une architecture multi-agent sur AWS Bedrock. Il inclut un exemple de code pour définir les rôles d'agents — planificateur, chercheur, exécuteur et évaluateur — qui collaborent via des files d'attente de messages partagées. Chaque agent peut invoquer différents modèles Bedrock avec des invites personnalisées et transmettre des sorties intermédiaires aux agents suivants. La journalisation intégrée avec CloudWatch, les modèles de gestion des erreurs et la prise en charge de l'exécution synchrone ou asynchrone illustrent comment gérer la sélection de modèles, les tâches par lots et l'orchestration de bout en bout. Les développeurs clonant le dépôt, configurent les rôles IAM AWS et les points de terminaison Bedrock, puis déploient via CloudFormation ou CDK. Le design open source encourage l'extension des rôles, la mise à l'échelle des agents par tâche, et l'intégration avec S3, Lambda et Step Functions.

Dive est un cadre open-source basé sur Python, conçu pour créer et exécuter des agents IA autonomes capables d'effectuer des tâches multi-étapes avec une intervention manuelle minimale. En définissant des profils d'agents dans des fichiers de configuration YAML simples, les développeurs peuvent spécifier des API, des outils et des modules de mémoire pour des tâches telles que la récupération de données, l'analyse et l'orchestration de pipelines. Dive gère le contexte, l'état et l'ingénierie des prompts, permettant des flux de travail flexibles avec gestion d'erreurs intégrée et journalisation. Son architecture modulaire supporte une large gamme de modèles linguistiques et de systèmes de récupération, facilitant la constitution d'agents pour l'automatisation du service client, la génération de contenu et les processus DevOps. Le cadre évolue de la prototype à la production, offrant des commandes CLI et des points de terminaison API pour une intégration transparente dans des systèmes existants.

GenAI Job Agents est un cadre open-source basé sur Python qui facilite la création et la gestion d'agents de travail alimentés par l'IA. Les développeurs peuvent définir des types de tâches personnalisés et des comportements d'agents à l'aide de fichiers de configuration simples ou de classes Python. Le système s'intègre parfaitement avec OpenAI pour le raisonnement basé sur LLM et avec LangChain pour la chaînage d'appels. Les tâches peuvent être mises en file d'attente, exécutées en parallèle et surveillées via des mécanismes de journalisation et de gestion des erreurs intégrés. Les agents peuvent gérer des entrées dynamiques, réessayer automatiquement en cas d'échec et produire des résultats structurés pour le traitement en aval. Avec une architecture modulaire, des plugins extensibles et des API claires, GenAI Job Agents permet aux équipes d'automatiser des tâches répétitives, d'orchestrer des flux de travail complexes et de faire évoluer les opérations pilotées par l'IA en environnement de production.

Au cœur, RxAgent-Zoo est un cadre RL réactif qui traite les événements de données provenant des environnements, des buffers de retransmission et des boucles d'entraînement comme des flux observables. Les utilisateurs peuvent enchaîner des opérateurs pour prétraiter les observations, mettre à jour les réseaux et journaliser les métriques de manière asynchrone. La bibliothèque offre une prise en charge des environnements parallèles, des planificateurs configurables et une intégration avec les benchmarks Gym et Atari populaires. Une API plug-and-play permet de remplacer facilement les composants d'agents, facilitant la recherche reproductible, l'expérimentation rapide et les flux de travail d'entraînement évolutifs.