autogen4j est une bibliothèque Java légère conçue pour abstraire la complexité de la construction d'agents AI autonomes. Elle offre des modules principaux pour la planification, le stockage de la mémoire et l'exécution d'actions, permettant aux agents de décomposer des objectifs de haut niveau en sous-tâches séquentielles. Le framework s'intègre avec des fournisseurs de LLM (par exemple, OpenAI, Anthropic) et permet l'enregistrement d'outils personnalisés (clients HTTP, connecteurs de base de données, lecture/écriture de fichiers). Les développeurs définissent des agents via un DSL fluide ou des annotations, assemblant rapidement des pipelines pour l'enrichissement de données, la génération automatisée de rapports et les bots conversationnels. Un système de plugins extensible assure la flexibilité, permettant des comportements ajustés pour diverses applications.

CArtAgO (Common ARTifact Infrastructure for AGents Open environments) est un cadre léger et extensible pour implémenter des infrastructures environnementales dans des systèmes multi-agent. Il introduit le concept d’artefacts : entités de première classe représentant des ressources environnementales avec des opérations définies, des propriétés observables et des interfaces d’événements. Les développeurs définissent des types d’artefacts en Java, les enregistrent dans des classes d’environnement, et exposent des opérations et des événements pour la consommation par les agents. Les agents interagissent avec les artefacts en utilisant des actions standards (par ex., createArtifact, observe), reçoivent des notifications asynchrones de changements d’état, et se coordonnent via des ressources partagées. CArtAgO s’intègre facilement aux plateformes d’agents telles que Jason, JaCaMo, JADE, et Spring Agent, permettant le développement de systèmes hybrides. Le cadre offre une prise en charge intégrée pour la documentation des artefacts, le chargement dynamique et la surveillance à l’exécution, facilitant le prototypage rapide d’applications basées sur des agents complexes.

CUPCAKE AGI (Composable Utilitarian Pipeline for Creative, Knowledgeable, and Evolvable Autonomous General Intelligence) est un cadre Python flexible qui simplifie la construction d'agents autonomes en combinant modèles de langage, mémoire et outils externes. Il offre des modules principaux comprenant un planificateur d'objectifs, un exécuteur de modèles et un gestionnaire de mémoire pour conserver le contexte à travers les interactions. Les développeurs peuvent étendre la fonctionnalité via des plugins pour intégrer des API, bases de données ou kits d'outils personnalisés. CUPCAKE AGI supporte les workflows synchrones et asynchrones, ce qui le rend idéal pour la recherche, le prototypage et le déploiement d'agents en production dans diverses applications.

La Communication Émergente chez les Agents est un cadre PyTorch open-source conçu pour les chercheurs explorant comment les systèmes multi-agent développent leurs propres protocoles de communication. La bibliothèque offre des implémentations flexibles de tâches d'apprentissage par renforcement coopératif, y compris des jeux référentiels, des jeux combinatoires et des défis d'identification d'objets. Les utilisateurs définissent des architectures d'agents locuteurs et auditeurs, spécifient les propriétés des canaux de message comme la taille du vocabulaire et la longueur de la séquence, et sélectionnent des stratégies d'entraînement telles que les gradients de politique ou l'apprentissage supervisé. Le cadre comprend des scripts de bout en bout pour exécuter des expériences, analyser l'efficacité de communication et visualiser les langues émergentes. Sa conception modulaire facilite l'extension avec de nouveaux environnements de jeu ou des fonctions de perte personnalisées. Les chercheurs peuvent reproduire des études publiées, benchmarker de nouveaux algorithmes et explorer la compositionnalité et la sémantique des langues d'agents émergents.

Exo est un framework centré sur le développeur permettant la création d'agents pilotés par IA capables de communiquer avec les utilisateurs, d'invoquer des API externes et de préserver le contexte de conversation. Au cœur, Exo utilise des définitions TypeScript pour décrire des outils, des couches de mémoire et la gestion du dialogue. Les utilisateurs peuvent enregistrer des actions personnalisées pour des tâches telles que la récupération de données, la planification ou l'orchestration d'API. Le framework gère automatiquement des modèles de prompt, la gestion des messages et la gestion des erreurs. Le module de mémoire d'Exo peut stocker et rappeler des informations spécifiques à l'utilisateur à travers différentes sessions. Les développeurs déploient des agents dans des environnements Node.js ou sans serveur avec une configuration minimale. Exo prend aussi en charge des middlewares pour la journalisation, l'authentification et les métriques. Son architecture modulaire permet de réutiliser des composants dans plusieurs agents, accélérant le développement et réduisant la redondance.

LifelongAgentBench est conçu pour simuler des environnements d'apprentissage continu du monde réel, permettant aux développeurs de tester des agents IA sur une séquence de tâches évolutives. Le cadre offre une API plug-and-play pour définir de nouveaux scénarios, charger des jeux de données et configurer des politiques de gestion de mémoire. Des modules d'évaluation intégrés calculent des métriques telles que transfert en avant, transfert en arrière, taux d'oubli et performance cumulative. Les utilisateurs peuvent déployer des implémentations de base ou intégrer des agents propriétaires, facilitant une comparaison directe dans des conditions identiques. Les résultats sont exportés sous forme de rapports standardisés, avec des graphiques interactifs et des tableaux. L'architecture modulaire supporte des extensions avec des chargeurs de données, des métriques et des plugins de visualisation personnalisés, permettant aux chercheurs et ingénieurs d'adapter la plateforme à divers domaines d'application.

Le MCP Browser Agent est un cadre d'agent IA autonome basé sur le navigateur qui exploite de grands modèles linguistiques pour effectuer la navigation Web, le scraping de données, la synthèse de contenu, l'interaction avec les formulaires et des séquences de tâches automatisées. Construit comme une bibliothèque JavaScript légère, il s'intègre parfaitement aux API GPT d'OpenAI, permettant aux développeurs de définir programmétiquement des actions personnalisées, des magasins de mémoire et des chaînes de prompts. L'agent peut cliquer sur des liens, remplir des formulaires, extraire des données de tableau et résumer le contenu de la page à la demande. Il supporte l'exécution asynchrone, la gestion des erreurs et la persistance de session via le stockage du navigateur. Avec des interfaces personnalisables et des modules d'action extensibles, MCP Browser Agent simplifie la création d'assistants intelligents pour le navigateur afin d'augmenter la productivité, de rationaliser les flux de travail et de réduire les tâches manuelles de navigation dans diverses applications web.

Multi-Agent-LLM est conçu pour simplifier l'orchestration de plusieurs agents IA alimentés par de grands modèles de langage. Les utilisateurs peuvent définir des agents individuels avec des personas uniques, un stockage mémoire et l'intégration d'outils ou API externes. Un AgentManager central gère les boucles de communication, permettant aux agents d'échanger des messages dans un environnement partagé et de progresser collectivement vers des objectifs complexes. Le framework supporte la permutation des fournisseurs LLM (par ex., OpenAI, Hugging Face), des modèles de prompt flexibles, des historiques de conversation et des contextes d'outils étape par étape. Les développeurs bénéficient d'utilitaires intégrés pour la journalisation, la gestion des erreurs et le spawning dynamique d'agents, ce qui permet une automatisation évolutive des flux de travail multi-étapes, des tâches de recherche et des pipelines de décision.

Multi-Agent Coordination fournit une API légère pour définir des agents IA, les enregistrer auprès d’un coordinateur central et dispatcher des tâches pour la résolution collaborative de problèmes. Il gère le routage des messages, le contrôle de la concurrence et l’agrégation des résultats. Les développeurs peuvent intégrer des comportements d'agents personnalisés, étendre les canaux de communication et surveiller les interactions via la journalisation intégrée et les hooks. Ce framework simplifie le développement de flux de travail IA distribués, où chaque agent se spécialise dans une sous-tâche et le coordinateur assure une collaboration fluide.

Multi-Agent Visual Tracking implémente un système de suivi distribué composé d'agents intelligents qui communiquent pour améliorer la précision et la robustesse du suivi d'objets vidéo. Les agents exécutent des réseaux neuronaux convolutifs pour la détection, partagent leurs observations pour gérer les occlusions et ajustent les paramètres de suivi via l'apprentissage par renforcement. Compatible avec des jeux de données vidéo populaires, il supporte aussi bien la formation que l'inférence en temps réel. Les utilisateurs peuvent l'intégrer facilement dans des pipelines existants et étendre les comportements des agents pour des applications personnalisées.

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.

OpenAgent offre un cadre complet pour développer des agents IA autonomes capables de comprendre des tâches, planifier des actions multi-étapes et interagir avec des services externes. En intégrant des LLM comme OpenAI et Anthropic, il permet un raisonnement en langage naturel et une prise de décision. La plateforme dispose d’un système d’outils plugin pour exécuter des requêtes HTTP, opérations sur fichiers et fonctions Python personnalisées. Les modules de gestion mémoire permettent aux agents de stocker et récupérer des informations contextuelles entre sessions. Les développeurs peuvent étendre la fonctionnalité via des plugins, configurer le streaming en temps réel des réponses et utiliser des outils de journalisation et d’évaluation intégrés pour surveiller les performances de l’agent. OpenAgent simplifie l’orchestration de workflows complexes, accélère le prototypage d’assistants intelligents, et garantit une architecture modulaire pour des applications IA évolutives.

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.

simple_rl est une bibliothèque Python minimaliste conçue pour rationaliser la recherche et l'éducation en apprentissage par renforcement. Elle offre une API cohérente pour définir des environnements et des agents, avec un support intégré pour les paradigmes RL courants comme Q-learning, Monte Carlo et les algorithmes de programmation dynamique tels que l'itération de valeur et de politique. Le cadre comprend des environnements d'exemple tels que GridWorld, MountainCar et Multi-Armed Bandits, facilitant l'expérimentation pratique. Les utilisateurs peuvent étendre les classes de base pour implémenter des environnements ou agents personnalisés, tandis que des fonctions utilitaires gèrent la journalisation, le suivi des performances et l'évaluation des politiques. La légèreté de simple_rl et la clarté du code en font un outil idéal pour le prototypage rapide, l'enseignement des fondamentaux du RL, et le benchmarking de nouveaux algorithmes dans un environnement reproductible et facile à comprendre.

L'agent Base OnChain est un cadre open-source conçu pour déployer des agents IA autonomes sur des blockchains similaires à Ethereum. Il se connecte aux nœuds blockchain via Web3 et utilise les modèles GPT d'OpenAI pour interpréter des événements on-chain tels que des transferts de jetons ou des logs spécifiques au protocole. L'agent peut traiter des prompts en langage naturel ou des stratégies prédéfinies pour décider quand exécuter des transactions, appeler des fonctions de contrats intelligents ou répondre aux propositions de gouvernance. Les développeurs peuvent étendre des modules pour des écouteurs d'événements personnalisés, intégrer des flux de données off-chain et gérer les clés privées en toute sécurité. Cette solution permet des opérations DeFi automatisées telles que la fourniture de liquidités, le trading d'arbitrage et la rééquilibration de portefeuille avec une intervention manuelle minimale.

Au cœur, DAGent représente les workflows d'agents comme un graphe acyclique dirigé de nœuds, où chaque nœud peut encapsuler un appel LLM, une fonction personnalisée ou un outil externe. Les développeurs définissent explicitement les dépendances des tâches, permettant l'exécution parallèle et la logique conditionnelle, tandis que le framework gère la planification, le passage des données et la récupération d'erreurs. DAGent fournit également des outils de visualisation intégrés pour inspecter la structure et le flux d'exécution du DAG, améliorant le débogage et la traçabilité. Avec des types de nœuds extensibles, le support de plugins, et une intégration transparente avec des fournisseurs LLM populaires, DAGent permet aux équipes de créer des applications d'IA complexes et multi-étapes telles que pipelines de données, agents conversationnels, et assistants de recherche automatisés avec un minimum de code boilerplate. La focalisation sur la modularité et la transparence rend cet outil idéal pour l'orchestration évolutive des agents dans les environnements expérimentaux et de production.

Devon fournit une suite complète d'outils pour définir, orchestrer et exécuter des agents autonomes au sein d'applications Python. Les utilisateurs peuvent définir des objectifs pour l'agent, spécifier des tâches appelables et chaîner des actions en fonction de conditions. Grâce à une intégration transparente avec des modèles linguistiques tels que GPT et des bases de données vectorielles locales, les agents ingèrent et interprètent les entrées utilisateur, récupèrent des connaissances contextuelles et génèrent des plans. Le framework supporte la mémoire à long terme via des backends de stockage modulaires, permettant aux agents de se souvenir des interactions passées. Des composants de surveillance et de journalisation intégrés permettent un suivi en temps réel des performances de l'agent, tandis qu'une CLI et un SDK facilitent le développement et le déploiement rapides. Convient pour automatiser le support client, les pipelines d'analyse de données et les opérations métier routinières, Devon accélère la création de travailleurs numériques évolutifs.

Promptix Python est un framework open-source pour construire des agents IA autonomes en Python. Avec une installation simple via pip, vous pouvez instancier des agents alimentés par n'importe quel LLM majeur, enregistrer des outils spécifiques au domaine, configurer des stockages de données en mémoire ou persistants, et orchestrer des boucles de décision à plusieurs étapes. Le SDK supporte le streaming en temps réel de sorties token, des gestionnaires de rappels pour la journalisation ou le traitement personnalisé, ainsi que des modules de mémoire intégrés pour conserver le contexte au-delà des interactions. Les développeurs peuvent exploiter cette bibliothèque pour prototyper des assistants chatbot, des automatisations, des pipelines de données ou des agents de recherche en quelques minutes. Son design modulaire permet d'échanger des modèles, d'ajouter des outils personnalisés et d'étendre les backends mémoire, offrant une flexibilité pour diverses applications d'agents IA.

Venus est une bibliothèque Python open-source qui permet aux développeurs de concevoir, configurer et exécuter facilement des agents IA intelligents. Elle fournit une gestion intégrée des conversations, des options de stockage de mémoire persistante et un système de plugins flexible pour intégrer des outils et API externes. Les utilisateurs peuvent définir des workflows personnalisés, chaîner plusieurs appels LLM et incorporer des interfaces d'appel de fonction pour effectuer des tâches telles que la récupération de données, le web scraping ou les requêtes de base de données. Venus supporte une exécution synchrone et asynchrone, la journalisation, la gestion des erreurs et la surveillance des activités des agents. En abstraisant les interactions API de bas niveau, Venus permet un prototypage rapide et un déploiement de chatbots, assistants virtuels et workflows automatisés, tout en conservant un contrôle total sur le comportement des agents et l'utilisation des ressources.

A-Mem est conçu pour s'intégrer parfaitement aux frameworks d'IA basés sur Python, offrant trois modules de mémoire distincts : mémoire épisodique pour le contexte de chaque épisode, mémoire à court terme pour les actions passées immédiates et mémoire à long terme pour une accumulation de connaissances dans le temps. Les développeurs peuvent personnaliser la capacité de mémoire, les politiques de conservation et les backends de sérialisation tels que la mémoire en mémoire ou Redis. La bibliothèque inclut des algorithmes d'indexation efficaces pour récupérer les mémoires pertinentes basées sur la similarité et les fenêtres de contexte. En insérant les gestionnaires de mémoire d'A-Mem dans la boucle perception-action de l'agent, les utilisateurs peuvent stocker des observations, des actions et des résultats, puis interroger les expériences passées pour éclairer les décisions actuelles. Cette conception modulaire facilite l’expérimentation rapide en apprentissage par renforcement, IA conversationnelle, navigation robotique et autres tâches pilotées par un agent nécessitant une conscience du contexte et un raisonnement temporel.