Continuum est un framework Python open-source qui permet aux développeurs de construire des agents intelligents en définissant des tâches, des outils et de la mémoire de manière modulaire. Les agents construits avec Continuum suivent une boucle plan-exécuter-observer, permettant d’intercaler le raisonnement LLM avec des appels API externes ou des scripts. Son architecture modulaire supporte plusieurs magasins de mémoire (par ex., Redis, SQLite), des bibliothèques d'outils personnalisés et une exécution asynchrone. Axé sur la flexibilité, les utilisateurs peuvent rédiger des politiques d'agents personnalisées, intégrer des services tiers comme des bases de données ou des webhooks, et déployer des agents dans divers environnements. L'orchestration basée sur les événements de Continuum enregistre les actions des agents, facilitant le débogage et l’optimisation des performances. Qu'il s'agisse d'automatiser l’ingestion de données, de construire des assistants conversationnels ou d'orchestrer des pipelines DevOps, Continuum fournit une base évolutive pour des flux de travail d'agents IA de niveau production.

Cyrano est un framework open-source et une CLI en Python pour créer des agents IA orchestrant de grands modèles linguistiques et des outils externes via des invites en langage naturel. Les utilisateurs peuvent définir des outils personnalisés (fonctions), configurer la mémoire et les limites de tokens, et gérer les callbacks. Cyrano gère l'analyse des réponses JSON des LLMs et exécute en séquence les outils spécifiés. Il met l'accent sur la simplicité, la modularité et zéro dépendance externe, permettant aux développeurs de prototyper rapidement des chatbots, de construire des workflows automatisés et d'intégrer rapidement des capacités IA dans des applications.

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.

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.

Les exemples du SDK Python de Restack offrent un ensemble complet de projets de démonstration illustrant comment exploiter la plateforme Restack pour construire des agents IA. Incluent des modèles pour chatbots, agents d'analyse de documents et flux de travail d'automatisation des tâches. Les exemples couvrent la configuration de l'API, l'intégration d'outils (par ex., recherche web, stockage de mémoire), l'orchestration d'agents, la gestion des erreurs et les scénarios de déploiement. Les développeurs peuvent cloner le dépôt, configurer leurs clés API et étendre les agents d'exemple pour répondre à des cas d'utilisation personnalisés.

FAgent offre une architecture modulaire pour construire des agents IA, notamment des abstractions d'environnements, des interfaces de politiques et des connecteurs d'outils. Il prend en charge l'intégration avec des services LLM populaires, implémente la gestion de la mémoire pour la conservation du contexte et fournit une couche d'observabilité pour la journalisation et la surveillance des actions des agents. Les développeurs peuvent définir des outils et des actions personnalisés, orchestrer des flux de travail en plusieurs étapes et exécuter des évaluations basées sur des simulations. FAgent comprend également des plugins pour la collecte de données, les métriques de performance et les tests automatisés, ce qui le rend adapté à la recherche, à la réalisation de prototypes et aux déploiements en production d'agents autonomes dans diverses domaines.

Flock fournit un cadre modulaire convivial pour enchaîner plusieurs appels LLM, gérer la mémoire conversationnelle et intégrer des outils externes dans des agents autonomes. Avec le support de l'exécution asynchrone et des extensions de plugins, Flock permet un contrôle précis du comportement de l'agent, des déclencheurs et de la gestion du contexte. Il fonctionne parfaitement dans les environnements Node.js et navigateur, permettant aux équipes de prototyper rapidement des chatbots, des flux de traitement de données, des assistants virtuels et d'autres solutions d'automatisation basées sur l'IA.

GenAI Agents SDK est une bibliothèque Python open-source conçue pour aider les développeurs à créer des agents d'IA auto-dirigés utilisant de grands modèles de langage. Elle offre un modèle de base pour l'agent avec des modules plug-in pour le stockage de mémoire, les interfaces d'outils, les stratégies de planification et les boucles d'exécution. Vous pouvez configurer les agents pour appeler des API externes, lire/écrire des fichiers, effectuer des recherches ou interagir avec des bases de données. Sa conception modulaire garantit une personnalisation facile, une prototypage rapide et une intégration transparente de nouvelles capacités, permettant la création d'applications d'IA dynamiques et autonomes capables de raisonner, planifier et agir dans des scénarios réels.

Les agents IA alimentés par LLM sont conçus pour rationaliser la création d'agents autonomes en orchestrant de grands modèles de langage et des outils externes via une architecture modulaire. Les développeurs peuvent définir des outils personnalisés avec des interfaces standardisées, configurer des backend mémoire pour conserver l'état, et mettre en place des chaînes de raisonnement à plusieurs étapes utilisant des invites LLM pour planifier et exécuter des tâches. Le module AgentExecutor gère l'invocation des outils, la gestion des erreurs et les flux de travail asynchrones, tandis que des modèles d'exemples illustrent des scénarios réels comme l'extraction de données, le support client et la planification, accélérant ainsi le développement. En abstraisant les appels API, l'ingénierie des prompts et la gestion d'état, le framework réduit le code boilerplate et accélère l'expérimentation, idéal pour les équipes créant des solutions d'automatisation intelligentes personnalisées en Python.

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.

Melissa offre une architecture légère et extensible pour construire des agents pilotés par l’IA sans nécessiter beaucoup de code boilerplate. Au cœur, le framework exploite un système basé sur des plugins où les développeurs peuvent enregistrer des actions personnalisées, des connecteurs de données et des modules de mémoire. Le sous-système de mémoire permet la préservation du contexte à travers les interactions, améliorant la continuité conversationnelle. Des adaptateurs d’intégration permettent aux agents de récupérer et traiter des informations via APIs, bases de données ou fichiers locaux. En combinant une API simple, des outils CLI et des interfaces standardisées, Melissa facilite des tâches telles que l’automatisation des demandes clients, la génération de rapports dynamiques ou l’orchestration de flux de travail multi-étapes. Le cadre est indépendant du langage, adapté aux projets centrés sur Python et peut être déployé sur Linux, macOS ou dans des environnements Docker.

MixAgent fournit une architecture plug-and-play qui permet aux développeurs de définir des invites, de connecter plusieurs backends LLM et d'incorporer des outils externes (API, bases de données ou code). Il orchestre les boucles de planification et d'exécution, gère la mémoire de l'agent pour des interactions à état, et journalise le raisonnement en chaîne. Les utilisateurs peuvent rapidement prototyper des assistants, des récupérateurs de données ou des robots d'automatisation sans construire de couches d'orchestration à partir de zéro, ce qui accélère le déploiement d'agents AI.

OmniMind0 est un cadre d’IA basé sur des agents complet, écrit en Python, permettant la création et l’orchestration de plusieurs agents autonomes. Chaque agent peut être configuré pour gérer des tâches spécifiques — comme la récupération de données, la synthèse ou la prise de décision — tout en partageant l’état via des backends de mémoire modulables comme Redis ou des fichiers JSON. L’architecture de plugins intégrée vous permet d’étendre la fonctionnalité avec des APIs externes ou des commandes personnalisées. Il prend en charge les modèles OpenAI, Azure et Hugging Face, et offre des déploiements via CLI, serveur API REST ou Docker pour une intégration flexible dans vos flux de travail.

OpenAI Agents offre un environnement modulaire pour définir, exécuter et gérer des agents IA autonomes basés sur les modèles de langage OpenAI. Les développeurs peuvent configurer des agents avec des magasins de mémoire, enregistrer des outils ou plugins personnalisés, orchestrer la collaboration multi-agent et surveiller l'exécution via une journalisation intégrée. Le cadre gère les appels API, la gestion du contexte et la planification asynchrone des tâches, permettant un prototypage rapide de workflows complexes pilotés par l'IA et d'applications telles que l'extraction de données, l'automatisation du support client, la génération de code et l'assistance à la recherche.

Taiga est un framework d'agent IA open-source basé sur Python conçu pour simplifier la création, l'orchestration et le déploiement d'agents autonomes utilisant de grands modèles de langage (LLM). Le framework comprend un système de plugins flexible pour l'intégration d'outils personnalisés et d'APIs externes, un module de mémoire configurable pour gérer le contexte conversationnel à court et long terme, et un mécanisme de chaînage de tâches pour séquencer des flux de travail à plusieurs étapes. Taiga offre également une journalisation intégrée, des métriques et une gestion des erreurs pour une utilisation en production. Les développeurs peuvent rapidement créer des agents avec des modèles, étendre la fonctionnalité via SDK, et déployer sur différentes plateformes. En abstraisant la complexité de l'orchestration, Taiga permet aux équipes de se concentrer sur la création d'assistants intelligents capables de rechercher, planifier et exécuter des actions sans intervention manuelle.

With AI Agents est un framework axé sur le code en TypeScript qui vous aide à définir et orchestrer plusieurs agents IA, chacun avec des rôles distincts tels que planificateur, exécutant et mémoire. Il fournit une gestion de mémoire intégrée pour persister le contexte, un sous-système d'appel de fonctions pour intégrer des API externes, et une interface CLI pour des sessions interactives. En combinant les agents en pipelines ou hiérarchies, vous pouvez automatiser des tâches complexes — comme des pipelines d'analyse de données ou des flux de support client — tout en garantissant modularité, évolutivité et personnalisation facile.

Agent2Agent offre une interface web unifiée et une API pour définir, configurer et orchestrer des équipes d'agents IA. Chaque agent peut se voir attribuer des rôles uniques tels que chercheur, analyste ou résumé, et communiquent via des canaux intégrés pour partager des données et déléguer des sous-tâches. La plateforme supporte les appels de fonctions, le stockage de mémoire et les intégrations webhook pour des services externes. Les administrateurs peuvent surveiller la progression du flux de travail, inspecter les journaux d'agents et ajuster dynamiquement les paramètres pour une exécution efficace, parallèle et une automatisation avancée des workflows.

Le framework UnitMesh offre un environnement flexible et modulaire pour définir, gérer et exécuter des chaînes d'agents IA. Il permet une intégration transparente avec OpenAI, Anthropic et des modèles personnalisés, supporte les SDKs Python et Node.js, et fournit des magasins de mémoire intégrés, des connecteurs d'outils et une architecture de plugins. Les développeurs peuvent orchestrer des workflows parallèles ou séquentiels, suivre les logs d'exécution et étendre la fonctionnalité via des modules personnalisés. Son architecture basée sur des événements garantit haute performance et scalabilité en déploiement cloud ou sur site.

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.

Drive Flow est un framework flexible qui permet aux développeurs de concevoir des workflows basés sur l'IA en définissant une séquence d'étapes. Chaque étape peut invoquer de grands modèles de langage, exécuter des fonctions personnalisées ou interagir avec la mémoire persistante stockée dans MemoDB. Le framework supporte des logiques de branchement complexes, des boucles, une exécution parallèle de tâches et une gestion dynamique des entrées. Écrit en TypeScript, il utilise un DSL déclaratif pour spécifier les flux, permettant une séparation claire de la logique d'orchestration. Drive Flow offre également une gestion des erreurs intégrée, des stratégies de retries, la traçabilité du contexte d'exécution et un logging étendu. Les cas d'utilisation principaux incluent les assistants IA, le traitement automatisé de documents, l'automatisation du support client et les systèmes de décision multi-étapes. En abstraisant l'orchestration, Drive Flow accélère le développement et simplifie la maintenance des applications IA.