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.

Le dépôt fournit un tutoriel étape par étape et une implémentation de référence pour créer un agent AI basé sur ReAct utilisant DeepSeek pour la récupération vectorielle en haute dimension. Il couvre la configuration de l'environnement, l'installation des dépendances, et la configuration des magasins de vecteurs pour des données personnalisées. L'agent utilise le motif ReAct pour combiner les traces de raisonnement avec des recherches de connaissances externes, résultant en des réponses transparentes et explicables. Les utilisateurs peuvent étendre le système en intégrant des chargeurs de documents supplémentaires, en ajustant les modèles de prompts, ou en échangeant les bases de données vectorielles. Ce cadre flexible permet aux développeurs et chercheurs de prototyper rapidement des agents conversationnels puissants, capables de raisonner, de récupérer et d'interagir sans effort avec diverses sources de connaissances en quelques lignes de code Python.

AI Agents offre un kit d'outils structuré pour que les développeurs construisent des agents autonomes utilisant de grands modèles de langage. Il comprend des modules pour l'intégration d'API externes, la gestion de la mémoire conversationnelle ou à long terme, l'orchestration de workflows multi-étapes, et la chaîne d'appels LLM. Le framework propose des modèles pour les types d'agents courants—récupération de données, questions-réponses et automatisation des tâches—tout en permettant la personnalisation des invites, des définitions d'outils et des stratégies de mémoire. Avec support asynchrone, architecture plugin et conception modulaire, AI Agents permet des applications évolutives, maintenables et extensibles.

AgentForge fournit un environnement structuré pour définir, combiner et orchestrer des compétences IA individuelles en agents autonomes cohésifs. Il supporte la mémoire de conversation pour la rétention de contexte, l'intégration de plugins pour services externes, la communication multi-agent, la planification des tâches et la gestion des erreurs. Les développeurs peuvent configurer des gestionnaires de compétences personnalisés, utiliser des modules intégrés pour la compréhension du langage naturel et s'intégrer avec des LLM populaires comme la série GPT d'OpenAI. La conception modulaire d'AgentForge accélère les cycles de développement, facilite les tests et simplifie le déploiement de chatbots, d'assistants virtuels, d'agents d'analyse de données et de robots d'automatisation spécifiques à un domaine.

Fast-LLM-Agent-MCP est un cadre Python léger open-source pour construire des agents IA combinant gestion de mémoire, raisonnement en chaîne et planification multi-étapes. Les développeurs peuvent l'intégrer avec OpenAI, Azure OpenAI, Llama local et d'autres modèles pour maintenir le contexte de conversation, générer des traces de raisonnement structurées et décomposer des tâches complexes en sous-tâches exécutables. Son design modulaire permet l'intégration d'outils personnalisés et de stockages de mémoire, idéal pour des applications telles que les assistants virtuels, les systèmes d'aide à la décision et les bots de support client automatisés.

GPA-LM est un framework basé sur Python conçu pour simplifier la création et l'orchestration d'agents IA alimentés par de grands modèles linguistiques. Il comporte un planificateur qui décompose les instructions de haut niveau en sous-tâches, un exécuteur qui gère les appels d'outils et les interactions, et un module de mémoire qui conserve le contexte entre les sessions. L'architecture plugin permet aux développeurs d'ajouter des outils, API et logiques de décision personnalisés. Avec le support multi-agent, GPA-LM peut coordonner des rôles, répartir des tâches et agréger des résultats. Il s'intègre facilement à des LLM populaires comme OpenAI GPT et prend en charge le déploiement dans divers environnements. Le cadre accélère le développement d'agents autonomes pour la recherche, l'automatisation et la prototypie d'applications.

JARVIS-1 offre une architecture modulaire combinant une interface en langage naturel, un module mémoire et un exécuteur de tâches basé sur des plugins. Bâti sur GPT-index, il sauvegarde les conversations, récupère le contexte et évolue avec les interactions de l’utilisateur. Les utilisateurs définissent des tâches via des prompts simples, tandis que JARVIS-1 orchestre la planification des travaux, l'exécution du code, la manipulation de fichiers et la navigation web. Son système de plugins permet des intégrations sur mesure pour les bases de données, e-mails, PDFs et services cloud. Déployable via Docker ou CLI sur Linux, macOS et Windows, JARVIS-1 garantit un fonctionnement hors ligne et un contrôle total des données, ce qui le rend idéal pour les développeurs, équipes DevOps et utilisateurs avancés recherchant une automatisation sécurisée et extensible.

multiagent-env est une bibliothèque Python open-source conçue pour simplifier la création et l’évaluation d’environnements d’apprentissage par renforcement multi-agent. Les utilisateurs peuvent définir des scénarios cooperatifs et adverses en spécifiant le nombre d’agents, les espaces d’action et d’observation, les fonctions de récompense et la dynamique de l’environnement. Elle supporte la visualisation en temps réel, un rendu configurable et une intégration facile avec des frameworks RL basés sur Python tels que Stable Baselines et RLlib. La conception modulaire permet de prototyper rapidement de nouveaux scénarios et de comparer aisément les algorithmes multi-agent.

Vagent.io fournit une interface intuitive pour interagir avec des Agentes AI personnalisés utilisant des commandes vocales. Au lieu de taper, les utilisateurs peuvent facilement communiquer avec leurs Agentes AI par la parole naturelle. La plateforme s'intègre avec des webhooks simples et utilise OpenAI pour une reconnaissance vocale de haute qualité et un support pour plus de 60 langues. La confidentialité des données est priorisée, aucune inscription n'est requise et toutes les données sont stockées sur l'appareil de l'utilisateur. Vagent.io est très polyvalent, permettant aux utilisateurs de se connecter à diverses plateformes back-end et de créer des systèmes modulaires à plusieurs agents pour des tâches plus complexes.

TreeInstruct fournit un cadre pour construire des pipelines de prompts hiérarchiques basés sur des arbres de décision pour de grands modèles linguistiques. Les utilisateurs peuvent définir des nœuds représentant des prompts ou des appels de fonction, établir des branches conditionnelles en fonction des sorties du modèle, et exécuter l'arbre pour guider des workflows complexes. Il prend en charge l'intégration avec OpenAI et d'autres fournisseurs de LLM, offrant la journalisation, la gestion des erreurs et des paramètres de nœuds personnalisables pour assurer transparence et flexibilité dans les interactions à plusieurs tours.