RepoAgent est un cadre d'IA qui transforme n'importe quel dépôt de code en une base de connaissances interactive. Il indexe les fichiers sources, fonctions, classes et documentations dans un magasin vectoriel, permettant une récupération rapide et des réponses contextuelles. Les développeurs peuvent poser des questions en langage naturel sur la fonctionnalité, l'architecture ou les dépendances du code. Il prend en charge la résumé automatique du code, la génération de documentation et la création de cas de test en intégrant des grands modèles linguistiques. RepoAgent analyse également les issues, pull requests et l'historique des commits pour fournir des insights sur la qualité du code et les bugs potentiels. Son design modulaire permet de personnaliser les pipelines de récupération, la sélection des modèles et le formatage des sorties. En s'intégrant directement dans les pipelines CI/CD ou IDE, RepoAgent accélère le développement, réduit le temps d'intégration et augmente la productivité de l'équipe.

SmartRAG est une bibliothèque Python modulaire conçue pour les workflows de génération augmentée par récupération (RAG) avec de grands modèles de langage. Elle combine l'ingestion de documents, l'indexation vectorielle et des API LLM de pointe pour fournir des réponses précises et riches en contexte. Les utilisateurs peuvent importer des PDFs, des fichiers texte ou des pages web, les indexer en utilisant des magasins vectoriels populaires comme FAISS ou Chroma, et définir des modèles de prompts personnalisés. SmartRAG orchestre la récupération, la composition des prompts et l'inférence LLM, renvoyant des réponses cohérentes basées sur les documents sources. En abstraisant la complexité des pipelines RAG, il accélère le développement de systèmes de questions-réponses, de chatbots et d'assistants de recherche. Les développeurs peuvent étendre les connecteurs, échanger les fournisseurs LLM et affiner les stratégies de récupération pour s'adapter à des domaines de connaissance spécifiques.

Vanilla Agents est un cadre léger basé sur PyTorch qui fournit des implémentations modulaires et extensibles d'agents d'apprentissage par renforcement de base. Il supporte des algorithmes comme DQN, Double DQN, PPO et A2C, avec des wrappers d'environnement adaptables compatibles avec OpenAI Gym. Les utilisateurs peuvent configurer les hyperparamètres, enregistrer les métriques d'entraînement, sauvegarder les points de contrôle et visualiser les courbes d'apprentissage. La base de code est organisée pour la clarté, ce qui le rend idéal pour le prototypage de recherche, un usage éducatif et la mise en référence de nouvelles idées en RL.

CASA est conçue comme un cadre d'autonomie modulaire, prêt à l'emploi, basé sur l'écosystème Robot Operating System (ROS). Elle présente une architecture décentralisée où chaque robot exécute des planificateurs locaux et des nœuds d'arbres de comportement, publiant sur un tableau noir partagé pour les mises à jour de l'état du monde. L'attribution de tâches est gérée par des algorithmes d'enchères qui assignent des missions en fonction des capacités et de la disponibilité des robots. La couche de communication utilise des messages ROS standards sur des réseaux multi-robots pour synchroniser les agents. Les développeurs peuvent personnaliser les paramètres des missions, intégrer des pilotes de capteurs et étendre les bibliothèques de comportements. CASA supporte la simulation de scénarios, la surveillance en temps réel et des outils de journalisation. Sa conception extensible permet aux équipes de recherche d'expérimenter de nouveaux algorithmes de coordination et de déployer sans effort sur diverses plates-formes robotiques, des véhicules terrestres sans pilote aux drones aériens.

L'Agno AI Agent est conçu pour aider les développeurs à construire rapidement des agents autonomes alimentés par de grands modèles de langage. Il fournit un registre d'outils modulaire, une gestion de la mémoire, des boucles de planification et d'exécution, ainsi qu'une intégration transparente avec des API externes (telles que la recherche web, les systèmes de fichiers et les bases de données). Les utilisateurs peuvent définir des interfaces d'outils personnalisés, configurer des personnalités d'agents et orchestrer des workflows complexes et multi-étapes. Les agents peuvent planifier des tâches, appeler des outils dynamiquement et apprendre des interactions précédentes pour améliorer la performance au fil du temps.

ai-agents-trial est un projet Python open-source démontrant comment construire des agents IA autonomes utilisant LLMs. Il fournit des abstractions modulaires pour la planification des agents, l'appel d'outils (par exemple, recherche Web, calculatrices) et la gestion de la mémoire. Les développeurs peuvent définir des outils personnalisés, chaîner des actions sur plusieurs étapes et conserver le contexte entre les sessions. La base de code utilise les API d'OpenAI avec des utilitaires d'aide pour orchestrer les flux de travail, ce qui le rend idéal pour le prototypage rapide de assistants chat, de bots de recherche ou d'agents d'automatisation spécifiques à un domaine. Les points d'intégration permettent d'étendre la fonctionnalité avec de nouveaux connecteurs et sources de données sans modifier la logique principale.

CrewAI est un framework Python modulaire conçu pour construire des agents IA entièrement autonomes. Il fournit des composants clés tels qu'un orchestrateur d'agents pour la planification et la prise de décision, une couche d'intégration d'outils pour connecter des API externes ou des actions personnalisées, et un module de mémoire pour stocker et rappeler le contexte entre les interactions. Les développeurs définissent des tâches, enregistrent des outils, configurent des backend de mémoire, puis lancent des agents capables de planifier des flux de travail multi-étapes, d'exécuter des actions et de s'adapter en fonction des résultats. CrewAI est idéal pour créer des assistants intelligents, des flux de travail automatisés et des prototypes de recherche.

AI-Creator fournit une architecture flexible pour créer des agents IA capables d'exécuter des tâches, d'interagir via le langage naturel et de tirer parti d'outils externes. Il comprend des modules pour la gestion des invites, le raisonnement en chaîne, la mémoire de session et des pipelines personnalisables. Les développeurs peuvent définir le comportement des agents à l'aide de JSON simples ou de configurations de code, intégrer des APIs et des bases de données en tant qu'outils, et déployer des agents en tant que services web ou applications CLI. Le cadre supporte l'extensibilité et la modularité, ce qui le rend idéal pour le prototypage de chatbots, assistants virtuels et travailleurs numériques spécialisés.

Les agents IA pour Pierre-Papier-Ciseaux sont un projet Python open-source démontrant comment construire, entraîner et évaluer différentes stratégies d'IA—jeu aléatoire, reconnaissance de motifs basée sur des règles, et apprentissage par renforcement (Q-learning)—dans le jeu classique Pierre-Papier-Ciseaux. Il fournit des classes d'agents modulaires, un moteur de jeu configurable, une journalisation des performances, et des utilitaires de visualisation. Les utilisateurs peuvent échanger facilement des agents, ajuster les paramètres d'apprentissage, et explorer le comportement de l'IA dans des scénarios compétitifs.

CrewAI-Learning est une bibliothèque open-source conçue pour simplifier les projets d'apprentissage par renforcement multi-agent. Elle offre des structures d'environnements, des définitions modulaires d'agents, des fonctions de récompense personnalisables, et une suite d'algorithmes intégrés comme DQN, PPO, et A3C adaptés aux tâches collaboratives. Les utilisateurs peuvent définir des scénarios, gérer les boucles de formation, enregistrer les métriques et visualiser les résultats. Le framework supporte la configuration dynamique des équipes d'agents et les stratégies de partage de récompense, rendant facile le prototypage, l'évaluation et l'optimisation de solutions IA coopératives dans divers domaines.

JaCaMo fournit un environnement unifié pour concevoir et exécuter des systèmes multi-agents (MAS) en intégrant trois composants principaux : le langage de programmation Jason pour les agents BDI, CArtAgO pour la modélisation environnementale basée sur des artefacts, et Moise pour la spécification des structures organisationnelles et roles. Les développeurs peuvent écrire des plans d'agents, définir des artefacts avec des opérations, et organiser des groupes d'agents sous des cadres normatifs. La plateforme inclut des outils pour la simulation, le débogage et la visualisation des interactions MAS. Avec le support pour l'exécution distribuée, des référentiels d'artefacts, et une messagerie flexible, JaCaMo permet un prototypage rapide et la recherche dans des domaines tels que l'intelligence en essaim, la robotique collaborative et la prise de décision distribuée. Son design modulaire assure l'évolutivité et l'extensibilité à travers des projets académiques et industriels.

LangChain est un cadre modulaire qui aide les développeurs à créer des applications AI avancées en connectant de grands modèles de langage avec des sources de données externes et des outils. Il fournit des abstractions de chaînes pour des appels séquentiels LLM, une orchestration d'agents pour les flux de travail de décision, des modules de mémoire pour la conservation du contexte, et des intégrations avec des chargeurs de documents, des magasins vectoriels et des outils basés sur API. Avec la prise en charge de plusieurs fournisseurs et SDK en Python et JavaScript, LangChain accélère le prototypage et le déploiement de chatbots, de systèmes QA et d'assistants personnalisés.

LLM to MCP Integration Engine est un cadre open-source conçu pour intégrer de grands modèles de langage (LLMs) avec diverses plateformes de communication par messagerie (MCP). Il fournit des adaptateurs pour les API LLM telles qu'OpenAI et Anthropic, ainsi que des connecteurs pour des plateformes comme Slack, Discord et Telegram. Le moteur gère l'état des sessions, enrichit le contexte et route les messages bidirectionnellement. Son architecture basée sur des plugins permet aux développeurs d'étendre la prise en charge à de nouveaux fournisseurs et de personnaliser la logique métier, accélérant ainsi le déploiement d'agents IA en environnement de production.

LLMWare sert d'outil complet pour la construction d'agents AI alimentés par de grands modèles de langage. Il permet de définir des chaînes réutilisables, d'intégrer des outils externes via des interfaces simples, de gérer les états de mémoire contextuelle et d'orchestrer un raisonnement multi-étapes entre modèles de langage et services en aval. Avec LLMWare, les développeurs peuvent brancher différents backends de modèles, configurer la logique de décision de l'agent et ajouter des kits d'outils personnalisés pour des tâches telles que la navigation web, les requêtes de base de données ou les appels API. Sa conception modulaire permet un prototypage rapide d'agents autonomes, de chatbots ou d'assistants de recherche, avec une journalisation intégrée, la gestion des erreurs et des adaptateurs de déploiement pour les environnements de développement et de production.

MARL-DPP est un cadre open-source permettant l'apprentissage par renforcement multi-agent (MARL) avec diversité imposée via des processus déterminants (DPP). Les approches MARL traditionnelles souffrent souvent d'une convergence des politiques vers des comportements similaires ; MARL-DPP y remédie en intégrant des mesures basées sur le DPP pour encourager les agents à conserver des distributions d'actions diversifiées. La boîte à outils fournit un code modulaire pour intégrer le DPP dans les objectifs d'entraînement, l’échantillonnage de politiques et la gestion de l’exploration. Elle inclut une intégration prête à l’emploi avec des environnements standard comme OpenAI Gym et l’environnement multi-agent Particle (MPE), ainsi que des utilitaires pour la gestion des hyperparamètres, la journalisation et la visualisation des métriques de diversité. Les chercheurs peuvent évaluer l’impact des contraintes de diversité sur des tâches coopératives, l’allocation des ressources et les jeux compétitifs. La conception extensible prend en charge des environnements personnalisés et des algorithmes avancés, facilitant l’exploration de nouvelles variantes de MARL-DPP.

L'environnement multi-agent pour drones est un package Python proposant une simulation multi-agent configurable pour les nuées de UAV, basé sur OpenAI Gym et PyBullet. Les utilisateurs définissent plusieurs agents drones avec des modèles cinématiques et dynamiques pour explorer des tâches coopératives telles que le vol en formation, le suivi de cibles et l’évitement d’obstacles. L’environnement supporte la configuration modulaire des tâches, une détection de collision réaliste et l’émulation des capteurs, tout en permettant des fonctions de récompense personnalisées et des politiques décentralisées. Les développeurs peuvent intégrer leurs propres algorithmes d'apprentissage par renforcement, évaluer les performances sous divers scénarios et visualiser en temps réel les trajectoires et métriques des agents. Son design open-source encourage la contribution communautaire, le rendant idéal pour la recherche, l'enseignement et le prototypage de solutions avancées de contrôle multi-agent.

JADE est un framework d'agents basé sur Java qui permet aux développeurs de créer, déployer et gérer plusieurs agents logiciels autonomes dans des environnements distribués. Chaque agent fonctionne dans un conteneur, communique via le langage de communication d'agents conforme à FIPA (ACL) et peut enregistrer des services auprès d'un facilitateur de répertoire pour la découverte. Les agents exécutent des comportements prédéfinis ou des tâches dynamiques et peuvent migrer entre les conteneurs en utilisant l'invocation de méthode distante (RMI). JADE prend en charge la définition d'ontologies pour un contenu de message structuré et fournit des outils graphiques pour la surveillance de l'état des agents et des échanges de messages. Son architecture modulaire permet l'intégration avec des services externes, des bases de données et des interfaces REST, ce qui le rend adapté pour le développement de simulations, orchestrations IoT, systèmes de négociation, et plus encore. La extensibilité du framework et la conformité aux normes industrielles facilitent la mise en œuvre de systèmes multi-agents complexes.

Multiagent-Prediction-Reward est un cadre orienté recherche qui intègre des modèles de prédiction et des mécanismes de distribution des récompenses pour l'apprentissage par renforcement multi-agent. Il comprend des wrappers pour l'environnement, des modules neuronaux pour prévoir les actions des pairs, et une logique de routage des récompenses personnalisable, qui s'adapte aux performances des agents. Le dépôt fournit des fichiers de configuration, scripts d'exemples et tableaux de bord d’évaluation pour exécuter des expériences sur des tâches coopératives. Les utilisateurs peuvent étendre le code pour tester de nouvelles fonctions de récompense, intégrer de nouveaux environnements et benchmarker contre des algorithmes RL multi-agent établis.

Multiagent_system offre une boîte à outils complète pour construire et gérer des environnements multi-agents. Les utilisateurs peuvent définir des scénarios de simulation personnalisés, spécifier les comportements des agents, et utiliser des algorithmes pré-implémentés tels que DQN, PPO et MADDPG. Le framework supporte un entraînement synchrone et asynchrone, permettant aux agents d'interagir simultanément ou en mode tour par tour. Les modules de communication intégrés facilitent l'échange de messages entre agents pour des stratégies coopératives. La configuration des expériences est simplifiée via des fichiers YAML, et les résultats sont automatiquement enregistrés au format CSV ou dans TensorBoard. Les scripts de visualisation aident à interpréter les trajectoires des agents, l'évolution des récompenses et les patterns de communication. Conçu pour la recherche et la production, Multiagent_system évolue sans effort de prototypes sur machine unique à un entraînement distribué sur des clusters GPU.

Prediction Market Agent Tooling fournit une architecture modulaire pour créer des agents de trading autonomes sur des marchés de prédiction. Elle propose des connecteurs pour des plateformes majeures comme Augur et Polymarket, une bibliothèque de modèles de stratégie réutilisables, des flux de données en temps réel, un moteur de backtesting robuste et des analyses de performance intégrées. Les utilisateurs peuvent rapidement prototyper des algorithmes, simuler des conditions de marché historiques et déployer des agents en direct avec des outils de surveillance, ce qui en fait un outil idéal pour les chercheurs et les traders quantitatifs.