Amon est une plateforme et un cadre pour créer des agents AI autonomes qui exécutent des tâches multi-étapes sans intervention humaine. Les utilisateurs définissent les comportements des agents, les sources de données et les intégrations via des fichiers de configuration simples ou une interface intuitive. Le runtime d’Amon gère les cycles de vie des agents, la gestion des erreurs et la logique de réessai. Il supporte la surveillance en temps réel, la journalisation et la mise à l’échelle dans des environnements cloud ou sur site, ce qui le rend idéal pour automatiser le support client, le traitement de données, la revue de code, et plus encore.

Agenite est un framework d’agents IA centré sur Python, conçu pour simplifier la création, l’orchestration et la gestion d’agents autonomes. Il offre des composants modulaires tels que des magasins de mémoire, des planificateurs de tâches et des canaux de communication événementielle, permettant aux développeurs de construire des agents capables d’interactions avec état, de raisonnement multi-étapes et de flux de travail asynchrones. La plateforme fournit des adaptateurs pour la connexion à des API externes, bases de données et files d’attente de messages, tandis que son architecture modulaire prend en charge des modules personnalisés pour le traitement du langage naturel, la récupération de données et la prise de décision. Avec des backends de stockage intégrés pour Redis, SQL et caches en mémoire, Agenite assure un état persistant de l’agent et permet des déploiements évolutifs. Elle inclut également une interface de ligne de commande et un serveur JSON-RPC pour le contrôle à distance, facilitant l’intégration dans des pipelines CI/CD et des tableaux de bord de surveillance en temps réel.

AWS Bedrock Multi-Agent Blueprint offre un cadre modulaire pour implémenter une architecture multi-agent sur AWS Bedrock. Il inclut un exemple de code pour définir les rôles d'agents — planificateur, chercheur, exécuteur et évaluateur — qui collaborent via des files d'attente de messages partagées. Chaque agent peut invoquer différents modèles Bedrock avec des invites personnalisées et transmettre des sorties intermédiaires aux agents suivants. La journalisation intégrée avec CloudWatch, les modèles de gestion des erreurs et la prise en charge de l'exécution synchrone ou asynchrone illustrent comment gérer la sélection de modèles, les tâches par lots et l'orchestration de bout en bout. Les développeurs clonant le dépôt, configurent les rôles IAM AWS et les points de terminaison Bedrock, puis déploient via CloudFormation ou CDK. Le design open source encourage l'extension des rôles, la mise à l'échelle des agents par tâche, et l'intégration avec S3, Lambda et Step Functions.

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.

LLMFlow offre un moyen déclaratif de concevoir, tester et déployer des flux de travail complexes de modèles linguistiques. Les développeurs créent des Nœuds qui représentent des invites ou des actions, puis les enchaînent dans des Flux pouvant se ramifier selon des conditions ou des résultats d'outils externes. La gestion de la mémoire intégrée suit le contexte entre les étapes, tandis que les adaptateurs permettent une intégration transparente avec OpenAI, Hugging Face, et d'autres. La fonctionnalité peut être étendue via des plugins pour des outils ou sources de données personnalisés. Exécutez les Flux localement, dans des conteneurs ou en tant que fonctions serverless. Cas d'utilisation : création d'agents conversationnels, génération automatique de rapports, pipelines d'extraction de données — tous avec une exécution transparente et un journalisation.