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.

Le MCP Browser Agent est un cadre d'agent IA autonome basé sur le navigateur qui exploite de grands modèles linguistiques pour effectuer la navigation Web, le scraping de données, la synthèse de contenu, l'interaction avec les formulaires et des séquences de tâches automatisées. Construit comme une bibliothèque JavaScript légère, il s'intègre parfaitement aux API GPT d'OpenAI, permettant aux développeurs de définir programmétiquement des actions personnalisées, des magasins de mémoire et des chaînes de prompts. L'agent peut cliquer sur des liens, remplir des formulaires, extraire des données de tableau et résumer le contenu de la page à la demande. Il supporte l'exécution asynchrone, la gestion des erreurs et la persistance de session via le stockage du navigateur. Avec des interfaces personnalisables et des modules d'action extensibles, MCP Browser Agent simplifie la création d'assistants intelligents pour le navigateur afin d'augmenter la productivité, de rationaliser les flux de travail et de réduire les tâches manuelles de navigation dans diverses applications web.

Agent-Go fournit un cadre modulaire pour construire des agents IA autonomes en Go. Il intègre des fournisseurs LLM (tels qu'OpenAI), des magasins de mémoire vectorielle pour la conservation du contexte à long terme, et un moteur de planification flexible qui décompose les demandes utilisateur en étapes exécutables. Les développeurs définissent et enregistrent des outils personnalisés (API, bases de données ou commandes shell) que les agents peuvent invoquer. Un gestionnaire de conversation suit l'historique du dialogue, tandis qu'un planificateur configurable orchestre les appels d'outils et les interactions LLM. Cela permet aux équipes de prototyper rapidement des assistants alimentés par l'IA, des flux de travail automatisés et des robots à visée task-oriented dans un environnement Go prêt pour la production.

AI-Agents offre une plateforme flexible et modulaire pour créer des agents autonomes pilotés par l'IA. Les développeurs peuvent définir des objectifs d'agents, chaîner des tâches et incorporer des modules de mémoire pour stocker et récupérer des informations contextuelles entre les sessions. Le framework supporte l'intégration avec les principaux LLM via des clés API, permettant aux agents de générer, évaluer et réviser des sorties. La prise en charge d'outils et de plugins personnalisables permet aux agents d'interagir avec des services externes tels que le web scraping, les requêtes de bases de données et les outils de rapport. À travers des abstractions claires pour la planification, l'exécution et les boucles de feedback, AI-Agents accélère la phase de prototypage et le déploiement de flux de travail automatisés intelligents.

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.