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.

Dial4JaCa est un plugin de bibliothèque Java pour la plateforme multi-agent JaCaMo qui intercepte les messages inter-agents, encode les intentions des agents et les routent via des backend LLM (OpenAI, modèles locaux). Il gère le contexte de dialogue, met à jour les bases de croyances et intègre la génération de réponse directement dans les cycles de raisonnement AgentSpeak(L). Les développeurs peuvent personnaliser les invites, définir des artefacts de dialogue et gérer des appels asynchrones, permettant aux agents d'interpréter les énoncés des utilisateurs, de coordonner des tâches et de récupérer des informations externes en langage naturel. Son design modulaire prend en charge la gestion des erreurs, la journalisation et la sélection de plusieurs LLM, idéal pour la recherche, l'éducation et le prototypage rapide de MAS conversationnels.

GPA-LM est un framework basé sur Python conçu pour simplifier la création et l'orchestration d'agents IA alimentés par de grands modèles linguistiques. Il comporte un planificateur qui décompose les instructions de haut niveau en sous-tâches, un exécuteur qui gère les appels d'outils et les interactions, et un module de mémoire qui conserve le contexte entre les sessions. L'architecture plugin permet aux développeurs d'ajouter des outils, API et logiques de décision personnalisés. Avec le support multi-agent, GPA-LM peut coordonner des rôles, répartir des tâches et agréger des résultats. Il s'intègre facilement à des LLM populaires comme OpenAI GPT et prend en charge le déploiement dans divers environnements. Le cadre accélère le développement d'agents autonomes pour la recherche, l'automatisation et la prototypie d'applications.

JADE est un framework de développement d'agents basé sur Java qui simplifie la création de systèmes multi-agents distribués. Il fournit une infrastructure conforme à FIPA incluant un environnement d'exécution, transport de messages, facilitateur de répertoire et gestion des agents. Les développeurs écrivent des classes d'agents en Java, les déploient dans des conteneurs et utilisent des outils graphiques comme RMA et Sniffer pour le débogage et la surveillance. JADE supporte la mobilité des agents, la planification de comportements et les opérations du cycle de vie, permettant des conceptions évolutives et modulaires pour la recherche, la coordination IoT, les simulations et l'automatisation d'entreprise.

JARVIS-1 offre une architecture modulaire combinant une interface en langage naturel, un module mémoire et un exécuteur de tâches basé sur des plugins. Bâti sur GPT-index, il sauvegarde les conversations, récupère le contexte et évolue avec les interactions de l’utilisateur. Les utilisateurs définissent des tâches via des prompts simples, tandis que JARVIS-1 orchestre la planification des travaux, l'exécution du code, la manipulation de fichiers et la navigation web. Son système de plugins permet des intégrations sur mesure pour les bases de données, e-mails, PDFs et services cloud. Déployable via Docker ou CLI sur Linux, macOS et Windows, JARVIS-1 garantit un fonctionnement hors ligne et un contrôle total des données, ce qui le rend idéal pour les développeurs, équipes DevOps et utilisateurs avancés recherchant une automatisation sécurisée et extensible.

JASA fournit un ensemble complet de bibliothèques Java pour construire et exécuter des simulations de systèmes multi-agents. Il supporte la gestion du cycle de vie des agents, la planification d'événements, la transmission asynchrone de messages et la modélisation d'environnements. Les développeurs peuvent étendre les classes principales pour implémenter des comportements personnalisés, intégrer des sources de données externes et visualiser les résultats de la simulation. La conception modulaire et la documentation API claire facilitent la création rapide de prototypes et la scalabilité, ce qui le rend adapté à la recherche académique, à l'enseignement et au développement de preuves de concept en modélisation basée sur les agents.

Julep AI est une plateforme open-source conçue pour aider les équipes de science des données à construire, itérer et déployer rapidement des workflows d'IA en plusieurs étapes. Avec Julep, vous pouvez créer des pipelines d'IA évolutifs, durables et de longue durée en utilisant des agents, des tâches et des outils. La configuration basée sur YAML de la plateforme simplifie les processus d'IA complexes et garantit des workflows prêts pour la production. Elle prend en charge le prototypage rapide, la conception modulaire et l'intégration transparente avec les systèmes existants, ce qui la rend idéale pour gérer des millions d'utilisateurs simultanés tout en offrant une visibilité complète sur les opérations d'IA.

Langchainrb est une bibliothèque Ruby open-source conçue pour rationaliser le développement d'applications pilotées par l'IA en proposant un cadre modulaire pour les agents, les chaînes et les outils. Les développeurs peuvent définir des modèles d'invites, assembler des chaînes d'appels LLM, intégrer des composants de mémoire pour préserver le contexte et connecter des outils personnalisés tels que des chargeurs de documents ou des API de recherche. Il prend en charge la génération d'incorporations pour la recherche sémantique, la gestion des erreurs intégrée et une configuration flexible des modèles. Avec des abstractions d'agents, vous pouvez implémenter des assistants conversationnels qui décident quel outil ou chaîne invoquer en fonction de l'entrée de l'utilisateur. L'architecture extensible de Langchainrb permet des personnalisations faciles, permettant une prototypage rapide de chatbots, des pipelines de résumé automatisés, des systèmes QA et des automatisations de flux de travail complexes.

Langroid fournit un cadre d'agents complet qui permet aux développeurs de créer des applications sophistiquées alimentées par l'IA avec un minimum de surcharge. Il présente une conception modulaire permettant des personas d'agents personnalisés, une mémoire stateful pour la conservation du contexte et une intégration transparente avec de grands modèles linguistiques (LLMs) tels que OpenAI, Hugging Face et des points de terminaison privés. Les boîtes à outils de Langroid permettent aux agents d'exécuter du code, de récupérer des données de bases de données, d'appeler des API externes et de traiter des entrées multimodales comme du texte, des images et de l'audio. Son moteur d'orchestration gère les workflows asynchrones et les invocations d'outils, tandis que le système de plugins facilite l'extension des capacités des agents. En abstraisant les interactions complexes avec les LLM et la gestion de la mémoire, Langroid accélère le développement de chatbots, d'assistants virtuels et de solutions d'automatisation des tâches pour divers besoins industriels.

MIDCA est une architecture modulaire conçue pour supporter la boucle cognitive complète des agents intelligents. Elle traite les entrées sensorielles via un module de perception, interprète les données pour générer et prioriser des objectifs, utilise un planificateur pour créer des séquences d'actions, exécute des tâches, puis évalue les résultats par une couche métacognitive. La conception à double-cycles sépare les réponses réactives rapides du raisonnement délibératif plus lent, permettant aux agents de s'adapter dynamiquement. La cadre extensible et le code source ouvert font de MIDCA un outil idéal pour la recherche et le développement dans la prise de décision autonome, l'apprentissage et la réflexion sur soi en IA.

Multi-Agent ColComp est un cadre extensible et open-source pour orchestrer une équipe d’agents IA dans des tâches complexes. Les développeurs peuvent définir des rôles d’agents distincts, configurer des canaux de communication et partager des données contextuelles via un stockage mémoire unifié. La bibliothèque inclut des composants plug-and-play pour négociation, coordination et consensus. Des configurations d’exemples illustrent la génération de texte collaborative, la planification distribuée et la simulation multi-agent. Son architecture modulaire facilite les extensions, permettant aux équipes de prototyper et d’évaluer rapidement des stratégies multi-agent en environnement de recherche ou de production.

multiagent-env est une bibliothèque Python open-source conçue pour simplifier la création et l’évaluation d’environnements d’apprentissage par renforcement multi-agent. Les utilisateurs peuvent définir des scénarios cooperatifs et adverses en spécifiant le nombre d’agents, les espaces d’action et d’observation, les fonctions de récompense et la dynamique de l’environnement. Elle supporte la visualisation en temps réel, un rendu configurable et une intégration facile avec des frameworks RL basés sur Python tels que Stable Baselines et RLlib. La conception modulaire permet de prototyper rapidement de nouveaux scénarios et de comparer aisément les algorithmes multi-agent.

NavGround Learning fournit une boîte à outils complète pour le développement et la benchmarking d'agents d'apprentissage par renforcement dans les tâches de navigation. Elle supporte la simulation multi-agent, la modélisation des collisions ainsi que des capteurs et actionneurs personnalisables. Les utilisateurs peuvent choisir parmi des modèles de politiques prédéfinis ou implémenter leurs propres architectures, s'entraîner avec des algorithmes RL de pointe et visualiser les métriques de performance. Son intégration avec OpenAI Gym et Stable Baselines3 facilite la gestion des expériences, tandis que ses outils de journalisation et de visualisation intégrés permettent une analyse approfondie du comportement des agents et de la dynamique d'apprentissage.

Odyssey offre une architecture flexible pour la création de systèmes multi-agent collaboratifs. Il comprend des composants centraux tels que le Task Manager pour définir et répartir les sous-tâches, modules de mémoire pour stocker le contexte et l'historique des conversations, contrôleurs d'agents pour la coordination des agents alimentés par LLM, et gestionnaires d'outils pour l'intégration d'API externes ou de fonctions personnalisées. Les développeurs peuvent configurer des workflows via des fichiers YAML, sélectionner des noyaux LLM préconstruits (par ex. GPT-4, modèles locaux), et étendre le framework avec de nouveaux outils ou backends de mémoire. Odyssey journalise les interactions, supporte l'exécution asynchrone des tâches et permet des boucles de raffinage itératif, le rendant idéal pour la recherche, le prototypage et les applications multi-agent prêtes pour la production.

Notte est un cadre Python axé sur les développeurs, conçu pour orchestrer des agents IA alimentés par de grands modèles linguistiques. Il fournit des modules de mémoire intégrés pour stocker et récupérer le contexte de conversation, une intégration flexible d'outils pour les API externes ou les fonctions personnalisées, et un moteur de planification qui séquence les tâches. Avec Notte, vous pouvez rapidement prototyper des assistants conversationnels, des bots d'analyse de données ou des flux de travail automatisés, tout en profitant de l'extensibilité open-source et du support multiplateforme.

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.

MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

ASP-DALI fournit une plateforme unifiée pour définir et exécuter des agents intelligents basés sur la logique. Les développeurs écrivent des règles ASP pour représenter la connaissance et les objectifs de l’agent, tandis que les constructions DALI définissent les réactions aux événements et l’exécution des actions. À l’exécution, un solveur ASP calcule des ensembles de réponses qui guident la prise de décision de l’agent, lui permettant de planifier, de réagir aux événements entrants et d’ajuster ses croyances de manière dynamique. Le cadre supporte des bases de connaissances modulaires, facilitant les mises à jour incrémentielles et la séparation claire entre règles déclaratives et comportements réactifs. ASP-DALI est implémenté en Prolog avec des interfaces vers des solveurs ASP populaires, simplifiant l’intégration et le déploiement en recherche et prototypes.

bedrock-agent est un cadre d'IA polyvalent qui s'intègre à la suite de grands modèles de langage d'AWS Bedrock pour orchestrer des flux de travail complexes et axés sur des tâches. Il propose une architecture de plugins pour enregistrer des outils personnalisés, des modules de mémoire pour la persistance du contexte et un mécanisme de raisonnement en chaîne pour une réflexion améliorée. Grâce à une API Python simple et une interface en ligne de commande, il permet aux développeurs de définir des agents pouvant appeler des services externes, traiter des documents, générer du code ou interagir avec les utilisateurs via chat. Les agents peuvent être configurés pour sélectionner automatiquement les outils pertinents en fonction des prompts utilisateur et maintenir un état de conversation entre les sessions. Ce cadre est open-source, extensible et optimisé pour un prototypage rapide et le déploiement d'assistants IA sur des environnements locaux ou AWS cloud.

Hyperbolic Time Chamber fournit un environnement flexible pour construire des agents IA en proposant des composants pour la gestion de la mémoire, l'orchestration de la fenêtre contextuelle, la chaînée de prompts, l'intégration d'outils et le contrôle d'exécution. Les développeurs définissent le comportement des agents via des blocs modulaires, configurent des mémoires personnalisées (courte et longue durée) et connectent des API externes ou des outils locaux. Le framework inclut le support asynchrone, la journalisation et des utilitaires de débogage, permettant une itération rapide et un déploiement d'agents conversationnels ou axés sur les tâches sophistiqués dans des projets Python.