CybMASDE permet aux chercheurs et développeurs de construire, configurer et exécuter des simulations multi-agent avec apprentissage par renforcement profond. Les utilisateurs peuvent élaborer des scénarios personnalisés, définir des rôles d'agents et des fonctions de récompense, et brancher des algorithmes RL standard ou personnalisés. Le cadre comprend des serveurs d'environnement, des interfaces d'agents en réseau, des collecteurs de données et des utilitaires de rendu. Il supporte l'entraînement parallèle, la surveillance en temps réel et la sauvegarde de modèles. L'architecture modulaire de CybMASDE permet une intégration transparente de nouveaux agents, espaces d'observation et stratégies d'entraînement, accélérant l'expérimentation dans la commande coopérative, le comportement en essaim, l'allocation des ressources et autres cas d'usage multi-agent.

DSpy Agents est une boîte à outils Python open source qui simplifie la création d'agents IA autonomes. Elle offre une architecture modulaire pour assembler des agents avec des outils personnalisables pour le web scraping, l'analyse de documents, les requêtes à des bases de données et l'intégration de modèles linguistiques (OpenAI, Hugging Face). Les développeurs peuvent orchestrer des flux de travail complexes en utilisant des modèles d'agents préconstruits ou en définissant des ensembles d'outils personnalisés pour automatiser des tâches telles que la synthèse de recherches, le support client et les pipelines de données. Avec la gestion intégrée de la mémoire, la journalisation, la génération augmentée par récupération, la collaboration multi-agents et une déploiement facile via la containerisation ou des environnements sans serveur, DSpy Agents accélère le développement d'applications pilotées par agents sans code boilerplate.

Esquilax est un framework léger en TypeScript conçu pour construire et orchestrer des workflows complexes d'agents d'IA. Il fournit une API claire permettant aux développeurs de définir déclarativement des agents, d'assigner des modules de mémoire et d'intégrer des actions plugins telles que des appels API ou des requêtes en base de données. Avec un support intégré pour la gestion du contexte et la coordination multi-agent, Esquilax simplifie la création de chatbots, d'assistants numériques et de processus automatisés. Son architecture basée sur des événements permet de chaîner ou de déclencher dynamiquement des tâches, tandis que les outils de journalisation et de débogage offrent une visibilité complète sur les interactions des agents. En abstraction du code répétitif, Esquilax aide les équipes à prototyper rapidement des applications IA évolutives.

Flock fournit un cadre modulaire convivial pour enchaîner plusieurs appels LLM, gérer la mémoire conversationnelle et intégrer des outils externes dans des agents autonomes. Avec le support de l'exécution asynchrone et des extensions de plugins, Flock permet un contrôle précis du comportement de l'agent, des déclencheurs et de la gestion du contexte. Il fonctionne parfaitement dans les environnements Node.js et navigateur, permettant aux équipes de prototyper rapidement des chatbots, des flux de traitement de données, des assistants virtuels et d'autres solutions d'automatisation basées sur l'IA.

Microsoft AutoGen a été conçu pour faciliter le développement complet d'agents IA autonomes en fournissant des composants modulaires pour la gestion de la mémoire, la planification des tâches, l'intégration d'outils et la communication. Les développeurs peuvent définir des outils personnalisés avec des schémas structurés et se connecter à des fournisseurs LLM majeurs comme OpenAI et Azure OpenAI. Le framework supporte l'orchestration d'un ou plusieurs agents, permettant des workflows collaboratifs où les agents coordonnent l'exécution de tâches complexes. Son architecture plug-and-play permet une extension facile avec de nouveaux magasins de mémoire, stratégies de planification et protocoles de communication. En abstraisant les détails d'intégration de bas niveau, AutoGen accélère la création de prototypes et le déploiement d'applications pilotées par IA dans des domaines tels que le support client, l'analyse de données et l'automatisation des processus.

InfantAgent offre une structure légère pour concevoir et déployer des agents intelligents en Python. Il s'intègre avec des LLM populaires (OpenAI, Hugging Face), supporte des modules de mémoire persistants et permet des chaînes d'outils personnalisés. Dès la sortie de la boîte, vous disposez d'une interface conversationnelle, d'une orchestration de tâches et d'une prise de décision basée sur des politiques. L'architecture plugin du cadre permet une extension facile pour des outils et APIs spécifiques au domaine, idéale pour le prototypage d'agents de recherche, l'automatisation des flux de travail ou l'intégration d'assistants IA dans des applications.

Just Chat offre une interface de chat complète et auto-hébergée pour interagir avec de grands modèles de langage. En entrant des clés API pour des fournisseurs comme OpenAI, Anthropic ou Hugging Face, les utilisateurs peuvent démarrer des conversations multi-tours avec support mémoire. La plateforme permet des pièces jointes, permettant aux utilisateurs de télécharger des documents pour des questions-réponses contextuelles. L'intégration de plugins permet des appels d'outils externes tels que la recherche web, les calculs ou les requêtes de bases de données. Les développeurs peuvent concevoir des modèles d'invites personnalisés, contrôler les messages système et basculer entre les modèles de manière transparente. L'interface est construite avec React et Node.js, offrant une expérience web réactive sur desktop et mobile. Grâce à son système modulaire de plugins, les utilisateurs peuvent ajouter ou supprimer facilement des fonctionnalités, adaptant Just Chat aux bots de support client, assistants de recherche, générateurs de contenu ou tuteurs éducatifs.

LangChain est un cadre Python open-source conçu pour accélérer le développement d'applications alimentées par l'IA. Il offre des abstractions pour enchaîner plusieurs appels à des modèles linguistiques (chaînes), construire des agents qui interagissent avec des outils externes, et gérer la mémoire des conversations. Les développeurs peuvent définir des invites, des parseurs de sortie et exécuter des workflows de bout en bout. Les intégrations incluent des magasins vectoriels, des bases de données, des APIs et des plateformes d'hébergement pour permettre des chatbots prêts pour la production, l’analyse de documents, des assistants de code, et des pipelines AI personnalisés.

Le chatbot LangChain RAG Agent établit un pipeline qui ingère des documents, les convertit en embeddings avec des modèles OpenAI, et les stocke dans une base de données vectorielle FAISS. Lorsqu’une requête utilisateur arrive, la chaîne de récupération LangChain extrait les passages pertinents, et l’exécuteur d’agent coordonne entre les outils de récupération et de génération pour produire des réponses riches en contexte. Cette architecture modulaire supporte des modèles de prompt personnalisés, plusieurs fournisseurs LLM, et des magasins de vecteurs configurables, idéal pour construire des chatbots basés sur la connaissance.

RAGFlow est un moteur de génération augmentée par récupération (RAG) puissant, conçu pour simplifier le développement et le déploiement d’agents IA. Il combine une compréhension approfondie des documents avec une recherche par similarité vectorielle pour ingérer, prétraiter et indexer des données non structurées provenant de PDFs, pages web et bases de données dans des bases de connaissances personnalisées. Les développeurs peuvent tirer parti de son SDK Python ou de son API RESTful pour récupérer le contexte pertinent et générer des réponses précises à l’aide de n’importe quel modèle LLM. RAGFlow prend en charge la création de flux de travail variés, tels que chatbots, résumeurs de documents et générateurs Text2SQL, permettant d’automatiser le support client, la recherche et la création de rapports. Son architecture modulaire et ses points d’extension permettent une intégration transparente avec les pipelines existants, assurant la scalabilité et minimisant les hallucinations dans les applications alimentées par l’IA.

Knowledge-Discovery-Agents fournit un ensemble modulaire d'agents d'IA préconstruits et personnalisables conçus pour extraire des insights structurés à partir de PDFs, CSV, sites web et autres sources. Il s'intègre avec LangChain pour gérer l'utilisation des outils, supporte le chaînage de tâches telles que le web scraping, la génération d'inclusions, la recherche sémantique et la création de graphes de connaissances. Les utilisateurs peuvent définir des flux de travail d'agents, incorporer de nouveaux chargeurs de données et déployer des bots QA ou des pipelines analytiques. Avec peu de code, il accélère le prototypage, l'exploration des données et la génération automatisée de rapports dans la recherche et l'entreprise.

L'API LangGraphJS fournit une interface programmatique pour concevoir des flux de travail d'agents IA en utilisant des graphes dirigés. Chaque nœud du graphique représente un appel LLM, une logique de décision ou une transformation de données. Les développeurs peuvent enchaîner des nœuds, gérer la logique de branchement et gérer l'exécution asynchrone de manière transparente. Avec des définitions TypeScript et des intégrations intégrées pour des fournisseurs LLM populaires, cela facilite le développement d'agents conversationnels, de pipelines d'extraction de données et de processus complexes multi-étapes sans code boilerplate.

LAuRA simplifie la création d'agents IA intelligents en offrant un pipeline structuré de planification, récupération, exécution et gestion de la mémoire. Les utilisateurs définissent des tâches complexes que le Planificateur de LAuRA décompose en étapes actionnables, le Récupérateur extrait des informations de bases de données vectorielles ou d'API, et l'Exécuteur invoque des services ou outils externes. Un système de mémoire intégré maintient le contexte à travers les interactions, permettant des conversations cohérentes et basées sur l’état. Avec des connecteurs extensibles pour LLM populaires et des magasins de vecteurs, LAuRA supporte le prototypage rapide et la montée en charge d'agents personnalisés pour des cas d'utilisation comme l’analyse de documents, la génération automatique de rapports, les assistants personnalisés et l'automatisation des processus métier. Sa conception open-source favorise la contribution de la communauté et une intégration flexible.

Leap AI est une plateforme et un cadre open-source conçus pour simplifier la création d’agents pilotés par IA dans divers domaines. Avec son architecture modulaire, les développeurs peuvent assembler des composants pour l’intégration API, les chatbots conversationnels, la composition musicale et l’aide intelligente à la programmation. Grâce à des connecteurs prédéfinis, les agents Leap AI peuvent appeler des services REST externes, traiter et répondre aux entrées utilisateur, générer des morceaux de musique originaux, et suggérer des extraits de code en temps réel. Basé sur des bibliothèques populaires d’apprentissage automatique, il supporte l’intégration de modèles personnalisés, la journalisation et la surveillance. Les utilisateurs peuvent définir le comportement des agents via des fichiers de configuration ou étendre la fonctionnalité avec des plugins JavaScript ou Python. Le déploiement est facilité via des conteneurs Docker, des fonctions serverless ou des services cloud. Leap AI accélère le prototypage et la production d’agents IA pour divers cas d’usage.

LeanAgent est un cadre basé sur Python conçu pour rationaliser la création d'agents IA autonomes. Il offre des modules de planification intégrés exploitant de grands modèles linguistiques pour la prise de décision, une couche d'intégration d'outils extensible pour appeler des API externes ou des scripts personnalisés, et un système de gestion de mémoire qui conserve le contexte entre les interactions. Les développeurs peuvent configurer des flux de travail d'agents, intégrer des outils personnalisés, itérer rapidement avec des utilitaires de débogage, et déployer des agents prêts pour la production dans divers domaines.

Le système Linguistic Agent est un cadre Open-Source Python conçu pour construire des agents intelligents qui exploitent les modèles de langage pour planifier et exécuter des tâches. Il inclut des composants pour la gestion de la mémoire, le registre d'outils, le planificateur et l'exécuteur, permettant aux agents de maintenir le contexte, d'appeler des API externes, d'effectuer des recherches sur le web et d'automatiser les flux de travail. Configurable via YAML, il prend en charge plusieurs fournisseurs de LLM, permettant un prototypage rapide de chatbots, résumeurs de contenu, et assistants autonomes. Les développeurs peuvent étendre la fonctionnalité en créant des outils et des backends de mémoire personnalisés, déployant des agents localement ou sur des serveurs.

Le système RAG piloté par LLM est un framework destiné aux développeurs pour la construction de pipelines RAG. Il fournit des modules pour l’intégration de collections de documents, l’indexation via FAISS, Pinecone ou Weaviate, et la récupération de contexte pertinent en temps réel. Le système utilise des wrappers LangChain pour orchestrer les appels LLM, supporte les modèles de prompt, la diffusion de réponses, et les adaptateurs multi-vecteurs. Il simplifie le déploiement de RAG de bout en bout pour des bases de connaissances, avec une personnalisation à chaque étape — de la configuration du modèle d’intégration à la conception du prompt et au post-traitement des résultats.

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.

LLM State Machine est un framework Python open-source conçu pour construire des agents IA utilisant des machines à états explicites. Les développeurs définissent des états comme des étapes discrètes—chacune invoquant un grand modèle linguistique ou une logique personnalisée—et des transitions basées sur des sorties. Cette approche offre clarté, maintenabilité et une gestion robuste des erreurs pour des workflows multi-étapes alimentés par LLM, tels que le traitement de documents, les bots conversationnels ou les pipelines d'automatisation.

MARO (Multi-Agent Resource Optimization) est un cadre basé sur Python conçu pour soutenir le développement et l'évaluation d'agents d'apprentissage par renforcement multi-agent dans des scénarios de chaîne d'approvisionnement, de logistique et de gestion des ressources. Il inclut des modèles pour la gestion des inventaires, la planification des camions, le cross-docking, la location de conteneurs, et plus encore. MARO offre une API d'agent unifiée, des trackers intégrés pour la journalisation des expériences, des capacités de simulation parallèle pour des entraînements à grande échelle et des outils de visualisation pour l'analyse de la performance. La plateforme est modulaire, extensible et s'intègre aux bibliothèques RL populaires, permettant une recherche reproductible et une prototypage rapide de solutions d'optimisation pilotées par l'IA.