Vanilla Agents est un cadre léger basé sur PyTorch qui fournit des implémentations modulaires et extensibles d'agents d'apprentissage par renforcement de base. Il supporte des algorithmes comme DQN, Double DQN, PPO et A2C, avec des wrappers d'environnement adaptables compatibles avec OpenAI Gym. Les utilisateurs peuvent configurer les hyperparamètres, enregistrer les métriques d'entraînement, sauvegarder les points de contrôle et visualiser les courbes d'apprentissage. La base de code est organisée pour la clarté, ce qui le rend idéal pour le prototypage de recherche, un usage éducatif et la mise en référence de nouvelles idées en RL.

Agent Script fournit une couche de script déclarative sur de grands modèles linguistiques, vous permettant d'écrire des scripts YAML ou JSON qui définissent les flux de travail de l'agent, les appels d'outils et l'utilisation de mémoire. Vous pouvez connecter OpenAI, des LLM locaux ou d'autres fournisseurs, connecter des API externes en tant qu'outils, et configurer des backend de mémoire à long terme. Le framework gère la gestion du contexte, l'exécution asynchrone et la journalisation détaillée en standard. Avec un code minimal, vous pouvez prototyper des chatbots, des flux RPA, des agents d'extraction de données ou des boucles de contrôle personnalisées, facilitant la création, le test et le déploiement d'automatisations alimentées par l'IA.

Minimalist Agent fournit un cadre minimaliste pour construire des agents AI en Python. Il exploite les classes d'agents de LangChain et l'API d'OpenAI pour effectuer un raisonnement à plusieurs étapes, sélectionner dynamiquement des outils et exécuter des fonctions. Vous pouvez cloner le dépôt, configurer votre clé API OpenAI, définir des outils ou points de terminaison personnalisés, et exécuter le script CLI pour interagir avec l'agent. La conception met l'accent sur la clarté et l'extensibilité, rendant facile l'étude, la modification et l'extension des comportements principaux de l'agent pour l'expérimentation ou l'enseignement.

Embedded BDI fournit un moteur complet pour le cycle de vie BDI : il modélise les croyances d'un agent sur son environnement, gère l'évolution des désirs ou objectifs, choisit des intentions dans une bibliothèque de plans, et exécute des comportements en temps réel. Le cadre comprend des modules pour le stockage de la base de croyances, la définition de la bibliothèque de plans, le déclenchement d'événements et le contrôle de la concurrence, spécialement conçu pour les microcontrôleurs à mémoire limitée. Avec une API simple, les développeurs peuvent annoter les croyances, spécifier des désirs et implémenter des plans dans le code. Son ordonnanceur gère l'exécution prioritaire des intentions et s'intègre avec les interfaces matérielles pour capteurs, actionneurs et communication réseau, ce qui le rend idéal pour les appareils IoT autonomes, robots mobiles et contrôleurs industriels.

En pratique, LlamaSim vous permet de définir plusieurs agents alimentés par l’IA utilisant le modèle Llama, de configurer des scénarios d’interaction et de lancer des simulations contrôlées. Vous pouvez personnaliser la personnalité des agents, la logique de décision et les canaux de communication à l’aide d’APIs Python simples. Le cadre gère automatiquement la construction des prompts, l’analyse des réponses et le suivi de l’état de la conversation. Il enregistre toutes les interactions et fournit des métriques d’évaluation intégrées telles que la cohérence des réponses, le taux de réalisation des tâches et la latence. Avec son architecture plugin, vous pouvez intégrer des sources de données externes, ajouter des fonctions d’évaluation personnalisées ou étendre les capacités des agents. La légèreté du noyau de LlamaSim le rend adapté au développement local, aux pipelines CI ou aux déploiements dans le cloud, permettant une recherche reproductible et une validation rapide de prototypes.

MASlite offre une API claire pour créer des classes d'agents, enregistrer des comportements et gérer la messagerie basée sur des événements entre agents. Il inclut un ordonnanceur pour gérer les tâches des agents, une modélisation d'environnement pour simuler les interactions, et un système de plugins pour étendre les fonctionnalités principales. Les développeurs peuvent rapidement prototyper des scénarios multi-agents en Python en définissant des méthodes de cycle de vie des agents, en connectant des agents via des canaux et en exécutant des simulations en mode sans tête ou en intégrant des outils de visualisation.

SelfDrivingCarSimulator est un framework Python léger basé sur Pygame qui offre un environnement de conduite 2D pour entraîner des agents de véhicules autonomes à l'aide de l'apprentissage par renforcement. Il supporte des tracés personnalisables, des modèles de capteurs configurables (comme LiDAR et caméra), une visualisation en temps réel et un enregistrement des données pour l'analyse des performances. Les développeurs peuvent intégrer leurs algorithmes RL, ajuster les paramètres physiques, et surveiller des métriques telles que la vitesse, le taux de collision et les fonctions de récompense pour faire évoluer rapidement leurs projets de recherche et éducatifs.

DocumentAI-Backend est un framework backend léger qui automatise l'extraction de texte, de champs de formulaire et de données structurées à partir de documents. Il offre des points de terminaison API REST pour télécharger des PDFs ou des images, les traiter via Google Document AI avec fallback OCR, et renvoyer les résultats analysés en JSON. Construit avec Python, FastAPI et Docker, il permet une intégration rapide dans des systèmes existants, des déploiements évolutifs et une personnalisation via des pipelines et middleware configurables.