GRASP propose un pipeline structuré pour construire des agents IA dans des environnements TypeScript ou JavaScript. Au cœur, les développeurs définissent des agents en enregistrant un ensemble d'outils—fonctions ou connecteurs API externes—et en spécifiant des modèles de prompts qui guident le comportement de l'agent. Des modules de mémoire intégrés permettent aux agents de stocker et de récupérer des informations contextuelles, permettant des conversations multi-tours avec un état persistant. La composante de planification orchestre la sélection et l'exécution des outils en fonction de l'entrée utilisateur, tandis que la couche d'exécution gère les appels API et le traitement des résultats. Le système de plugins de GRASP supporte des extensions personnalisées, permettant des fonctionnalités telles que la génération augmentée par récupération (RAG), la planification de tâches et la journalisation. Sa conception modulaire permet aux équipes de choisir uniquement les composants dont elles ont besoin, facilitant l'intégration avec des systèmes et services existants pour les chatbots, assistants virtuels et workflows automatisés.

OpenAgents Builder offre un environnement visuel sans code où les utilisateurs peuvent assembler des flux de travail d'agents d'IA en faisant glisser et déposer des composants représentant des appels LLM, des branches logiques et des actions API. La plateforme supporte des intégrations avec des principaux modèles de langage tels que OpenAI GPT et Claude d'Anthropic, et permet des connecteurs API personnalisés pour des systèmes d'entreprise comme CRM ou bases de données. Les agents peuvent maintenir le contexte conversationnel entre les sessions grâce à des modules de mémoire. Des modèles prêts pour le support client, la qualification de leads et la récupération de bases de connaissances accélèrent la création. Une fois configurés, les agents sont testés directement dans l'interface, puis déployés via un code embed, un widget ou des intégrations avec Slack et Microsoft Teams. Des tableaux de bord analytiques en temps réel suivent les interactions, les modèles d'utilisation et les métriques de performance pour affiner continuellement le comportement et la précision de l'agent.

Le projet Alice est un agent IA avancé axé sur le traitement du langage naturel, permettant aux utilisateurs d'avoir des dialogues interactifs. Il comprend le contexte, rendant les conversations plus intuitives tout en aidant à la gestion des tâches, aux recherches d'informations et aux recommandations personnalisées. Ses capacités incluent la gestion des plannings, la fourniture de rappels et des conseils basés sur les demandes des utilisateurs, agissant ainsi comme un assistant virtuel adapté aux besoins individuels.

Layra est conçue pour simplifier le développement d'agents alimentés par LLM en fournissant une architecture modulaire qui s'intègre avec divers outils et stockages de mémoire. Elle comprend un planificateur qui divise les tâches en sous-objectifs, un module de mémoire pour stocker la conversation et le contexte, et un système de plugins pour connecter des APIs externes ou des fonctions personnalisées. Layra supporte aussi l'orchestration de plusieurs instances d'agents pour collaborer sur des workflows complexes, en permettant une exécution en parallèle et la délégation de tâches. Avec des abstractions claires pour les outils, la mémoire et la définition de politiques, les développeurs peuvent rapidement prototyper et déployer des agents intelligents pour le support client, l'analyse de données, RAG, et plus encore. Elle est indépendante du backend de modélisation, supportant OpenAI, Hugging Face et des LLM locaux.

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.