LLM State Machine est un framework Python open-source conçu pour construire des agents IA utilisant des machines à états explicites. Les développeurs définissent des états comme des étapes discrètes—chacune invoquant un grand modèle linguistique ou une logique personnalisée—et des transitions basées sur des sorties. Cette approche offre clarté, maintenabilité et une gestion robuste des erreurs pour des workflows multi-étapes alimentés par LLM, tels que le traitement de documents, les bots conversationnels ou les pipelines d'automatisation.

Java Action Interpolate est une bibliothèque Java spécialisée conçue pour s'intégrer au framework multi-agent LightJason. Elle fournit une gamme d'algorithmes d'interpolation, y compris linéaire, polynomial et spline, permettant aux agents de passer fluidement entre états et actions. Le module offre des paramètres d'interpolation configurables, s'intègre dans le cycle de vie des actions de LightJason, et supporte des types de données personnalisés. En incorporant Java Action Interpolate, les développeurs peuvent éliminer les sauts de comportement brutaux, améliorer la fidélité de la simulation, et simplifier la mise en œuvre de mouvements agents fluides et de comportements décisifs dans des environnements distribués ou simulés.

L'outil Agent Transparency offre un cadre complet pour l'instrumentation des agents d'IA avec des fonctionnalités de transparence. Il fournit des interfaces d'enregistrement pour enregistrer les transitions d'état et les décisions, des modules pour calculer des métriques clés de transparence (par exemple, scores de confiance, filiation des décisions), et des tableaux de bord de visualisation pour explorer le comportement de l'agent dans le temps. En s'intégrant parfaitement aux frameworks d'agents populaires, il génère des logs structurés de transparence, supporte l'export en formats JSON ou CSV, et inclut des utilitaires pour tracer des courbes de transparence pour des audits et des analyses de performance. Cette boîte à outils permet aux équipes d'identifier des biais, de déboguer des workflows et de démontrer des pratiques responsables d'IA.