Agent-FLAN est conçu pour simplifier la création d'applications sophistiquées pilotées par des agents IA en segmentant les tâches en rôles de planification et d'exécution. Les utilisateurs définissent le comportement des agents et les workflows via des fichiers de configuration, en précisant les formats d'entrée, les interfaces d'outils et les protocoles de communication. L'agent de planification génère des plans de tâches de haut niveau, tandis que les agents d'exécution réalisent des actions spécifiques, telles que l'appel d'API, le traitement de données ou la génération de contenu avec de grands modèles linguistiques. L'architecture modulaire d'Agent-FLAN supporte des adaptateurs d'outils plug-and-play, des modèles de prompts personnalisés, et des tableaux de bord de surveillance en temps réel. Il s'intègre de façon transparente avec des fournisseurs LLM populaires tels qu'OpenAI, Anthropic et Hugging Face, permettant aux développeurs de prototyper, tester et déployer rapidement des workflows multi-agents pour des scénarios tels que assistants de recherche automatisés, pipelines de génération de contenu dynamique et automatisation des processus d'entreprise.

Agentfy offre une architecture modulaire pour construire des agents IA en combinant des LLM, des backends de mémoire et des intégrations d’outils dans une exécution cohésive. Les développeurs déclarent le comportement de l’agent à l’aide de classes Python, enregistrent des outils (API REST, bases de données, utilitaires) et choisissent des stockages mémoire (local, Redis, SQL). Le framework orchestre les invites, actions, appels d’outils et gestion du contexte pour automatiser les tâches. La CLI intégrée et le support Docker permettent un déploiement en un seul clic dans les environnements cloud, edge ou bureau.

AI Agent Example est un référentiel de démonstration pratique pour les développeurs et chercheurs souhaitant construire des agents intelligents alimentés par de grands modèles de langage (LLM). Le projet inclut un code d'exemple pour la planification d'agents, le stockage de mémoire et l'invocation d'outils, illustrant comment intégrer des API externes ou des fonctions personnalisées. Il propose une interface conversationnelle simple qui interprète les intentions de l'utilisateur, formule des plans d'action et exécute des tâches en appelant des outils prédéfinis. Les développeurs peuvent suivre des modèles clairs pour étendre l'agent avec de nouvelles capacités comme la planification d'événements, le scraping web ou le traitement automatisé de données. Offrant une architecture modulaire, ce modèle accélère l'expérimentation avec des workflows pilotés par l'IA et des assistants numériques personnalisés tout en donnant un aperçu de l'orchestration des agents et de la gestion d'état.

crewAI se compose d'une architecture modulaire où chaque agent IA se concentre sur une tâche spécifique : un agent récupère des données historiques et en temps réel du marché et du portefeuille, un autre applique des modèles quantitatifs et des algorithmes d'apprentissage automatique pour estimer des mesures de risque telles que la Value at Risk, la VaR conditionnelle (CVaR), les tests de stress et les analyses de scénarios, et un agent de reporting compile les résultats dans des formats PDF ou tableau de bord structurés. Les utilisateurs peuvent configurer des clés API pour les sources de données, ajuster les paramètres du modèle, et étendre ou remplacer les agents pour répondre à des stratégies d'investissement spécifiques ou à des exigences de conformité.

ExampleAgent est une boîte à outils axée sur le développement pour accélérer la création d'assistants pilotés par l'IA. Il s'intègre directement aux modèles GPT d'OpenAI pour gérer la compréhension et la génération du langage naturel et propose un système plug-in pour ajouter des outils ou API personnalisés. Le framework gère le contexte de conversation, la mémoire et la gestion des erreurs, permettant aux agents d'effectuer la récupération d'informations, l'automatisation des tâches et des workflows de prise de décision. Avec des modèles de code clairs, une documentation et des exemples, les équipes peuvent rapidement créer des agents spécifiques au domaine pour les chatbots, l'extraction de données, la planification, etc.

Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.

RAGFlow est un moteur de génération augmentée par récupération (RAG) puissant, conçu pour simplifier le développement et le déploiement d’agents IA. Il combine une compréhension approfondie des documents avec une recherche par similarité vectorielle pour ingérer, prétraiter et indexer des données non structurées provenant de PDFs, pages web et bases de données dans des bases de connaissances personnalisées. Les développeurs peuvent tirer parti de son SDK Python ou de son API RESTful pour récupérer le contexte pertinent et générer des réponses précises à l’aide de n’importe quel modèle LLM. RAGFlow prend en charge la création de flux de travail variés, tels que chatbots, résumeurs de documents et générateurs Text2SQL, permettant d’automatiser le support client, la recherche et la création de rapports. Son architecture modulaire et ses points d’extension permettent une intégration transparente avec les pipelines existants, assurant la scalabilité et minimisant les hallucinations dans les applications alimentées par l’IA.

LAuRA simplifie la création d'agents IA intelligents en offrant un pipeline structuré de planification, récupération, exécution et gestion de la mémoire. Les utilisateurs définissent des tâches complexes que le Planificateur de LAuRA décompose en étapes actionnables, le Récupérateur extrait des informations de bases de données vectorielles ou d'API, et l'Exécuteur invoque des services ou outils externes. Un système de mémoire intégré maintient le contexte à travers les interactions, permettant des conversations cohérentes et basées sur l’état. Avec des connecteurs extensibles pour LLM populaires et des magasins de vecteurs, LAuRA supporte le prototypage rapide et la montée en charge d'agents personnalisés pour des cas d'utilisation comme l’analyse de documents, la génération automatique de rapports, les assistants personnalisés et l'automatisation des processus métier. Sa conception open-source favorise la contribution de la communauté et une intégration flexible.

Local-Super-Agents offre une plateforme basée sur Python pour créer des agents AI autonomes qui fonctionnent entièrement en local. Le framework propose des composants modulaires, y compris des magasins de mémoire, des kits d'outils pour l'intégration API, des adaptateurs LLM et une orchestration d'agents. Les utilisateurs peuvent définir des agents de tâches personnalisés, chaîner des actions et simuler la collaboration multi-agent dans un environnement sandbox. Il abstrait la configuration complexe en proposant des utilitaires CLI, des modèles préconfigurés et des modules extensibles. Sans dépendances cloud, les développeurs gardent la confidentialité des données et le contrôle des ressources. Son système de plugins supporte l'intégration de scrapeurs web, de connecteurs de bases de données et de fonctions Python personnalisées, permettant des workflows comme la recherche autonome, l'extraction de données et l'automatisation locale.

ManasAI est un framework en Python qui permet la création d'agents IA autonomes avec un état intégré et des composants modulaires. Il offre des abstractions principales pour la raisonnement des agents, la mémoire à court et long terme, l'intégration d'outils et d'API externes, la gestion d'événements basée sur les messages et l'orchestration multi-agents. Les agents peuvent être configurés pour gérer le contexte, exécuter des tâches, gérer des tentatives et collecter des retours. Son architecture plug-in permet aux développeurs d'adapter les backend de mémoire, outils et orchestrateurs à des workflows spécifiques, ce qui le rend idéal pour le prototypage de chatbots, travailleurs numériques et pipelines automatisés nécessitant un contexte persistant et des interactions complexes.

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.

Super-Agent-Party permet aux développeurs de définir un objet Party où des agents IA individuels jouent des rôles distincts tels que la planification, la recherche, la rédaction et la révision. Chaque agent peut être configuré avec des invites personnalisées, des outils et des paramètres de modèle. Le framework gère l'acheminement des messages et le contexte partagé, permettant aux agents de collaborer en temps réel sur des sous-tâches. Il supporte l'intégration de plugins pour des services tiers, des stratégies d'orchestration flexibles et des routines de gestion des erreurs. Avec une API intuitive, les utilisateurs peuvent ajouter ou supprimer des agents dynamiquement, enchaîner des flux de travail et visualiser les interactions entre agents. Basé sur Node.js et compatible avec les principaux fournisseurs cloud, Super-Agent-Party simplifie le développement de systèmes multi-agent évolutifs et maintenables pour l'automatisation, la génération de contenu, l'analyse de données, et plus encore.

WorFBench est un cadre complet open-source conçu pour évaluer les capacités des agents IA construits sur de grands modèles linguistiques. Il offre une large gamme de tâches — de la planification d’itinéraire à la génération de code — chacune avec des objectifs et des métriques d’évaluation clairement définis. Les utilisateurs peuvent configurer des stratégies d’agents personnalisées, intégrer des outils externes via des APIs standardisées et exécuter des évaluations automatisées enregistrant la performance en décomposition, profondeur de planification, précision de l’appel aux outils, et qualité du résultat final. Les tableaux de bord de visualisation intégrés permettent de suivre le parcours décisionnel de chaque agent, facilitant l’identification des forces et faiblesses. La conception modulaire de WorFBench permet une extension rapide avec de nouvelles tâches ou modèles, favorisant la recherche reproductible et les études comparatives.

SparkChat SDK est conçu pour simplifier la création d’interfaces de chat pilotées par l’IA dans les ecosystems logiciels existants. Il offre une architecture modulaire avec des widgets frontend prêts à l’emploi, des clients SDK pour JavaScript, iOS et Android, et des connecteurs backend flexibles vers des fournisseurs LLM populaires. Les développeurs peuvent définir les flux et intentions de conversation à l’aide de schémas JSON ou d’un éditeur de flux visuel, appliquer des modèles NLU personnalisés et intégrer des bases de données utilisateur pour des réponses personnalisées. La diffusion de messages en temps réel via WebSocket assure une faible latence, tandis que les filtres de modération configurables et le contrôle d’accès basé sur les rôles maintiennent la conformité et la sécurité. Avec un tableau de bord analytique intégré, ils peuvent suivre l’engagement des utilisateurs, la durée des sessions et les taux de fallback, afin d’optimiser les stratégies de dialogue. Le SDK peut évoluer horizontalement pour supporter des millions de conversations simultanées, facilitant le déploiement dans le support client, le commerce électronique, la technologie éducative et les applications d’assistants virtuels.

DreamGPT est une plateforme open-source polyvalente conçue pour simplifier le développement, la configuration et le déploiement d'agents IA alimentés par des modèles GPT. Elle fournit un SDK Python intuitif et une interface en ligne de commande pour créer de nouveaux agents, gérer l'historique des conversations avec des backends mémoire modulables, et intégrer des outils externes via un système de plugins standardisé. Les développeurs peuvent définir des flux de prompts personnalisés, se connecter à des API ou des bases de données pour une génération enrichie, et surveiller la performance des agents via une journalisation et une télémétrie intégrées. L'architecture modulaire supporte la montée en charge horizontale dans des environnements cloud et assure une gestion sécurisée des données utilisateur. Avec des modèles préconçus pour assistants, chatbots et travailleurs numériques, les équipes peuvent rapidement prototyper des agents IA spécialisés pour le service client, l'analyse de données, l'automatisation, et plus encore.

Haystack est conçu pour aider les développeurs à créer facilement des solutions de recherche personnalisées qui tirent parti des dernières avancées en matière d'apprentissage automatique. Avec ses composants tels que les magasins de documents, les récupérateurs et les lecteurs, Haystack peut se connecter à diverses sources de données et traiter efficacement les requêtes. Son architecture modulaire prend en charge des stratégies de recherche mixtes, y compris la recherche sémantique et la recherche traditionnelle basée sur des mots-clés, en faisant un outil polyvalent pour les entreprises cherchant à améliorer leurs capacités de recherche.