ReasonChain fournit un pipeline modulaire pour construire des séquences d'opérations pilotées par LLM, permettant à chaque étape d'alimenter la suivante. Les utilisateurs peuvent définir des nœuds de chaîne personnalisés pour la génération d'invites, les appels API à différents fournisseurs LLM, la logique conditionnelle pour diriger les flux de travail et des fonctions d'agrégation pour les résultats finaux. Le framework inclut un débogage et une journalisation intégrés pour suivre les états intermédiaires, une prise en charge des recherches dans les bases de données vectorielles et une extension facile via des modules définis par l'utilisateur. Qu'il s'agisse de résoudre des tâches de raisonnement en plusieurs étapes, d'orchestrer des transformations de données ou de construire des agents conversationnels avec mémoire, ReasonChain offre un environnement transparent, réutilisable et testable. Son design encourage l'expérimentation avec des stratégies de chaînes de pensée, ce qui le rend idéal pour la recherche, le prototypage et des solutions d'IA prêtes pour la production.

Vagent.io fournit une interface intuitive pour interagir avec des Agentes AI personnalisés utilisant des commandes vocales. Au lieu de taper, les utilisateurs peuvent facilement communiquer avec leurs Agentes AI par la parole naturelle. La plateforme s'intègre avec des webhooks simples et utilise OpenAI pour une reconnaissance vocale de haute qualité et un support pour plus de 60 langues. La confidentialité des données est priorisée, aucune inscription n'est requise et toutes les données sont stockées sur l'appareil de l'utilisateur. Vagent.io est très polyvalent, permettant aux utilisateurs de se connecter à diverses plateformes back-end et de créer des systèmes modulaires à plusieurs agents pour des tâches plus complexes.

L'agent vocal AI Samantha est un framework d'assistant vocal entièrement modulaire, open source, construit en Python. Il exploite le modèle GPT-4 d'OpenAI pour la gestion contextuelle du dialogue, Whisper pour la transcription précise de la parole en texte, et ElevenLabs ou TTS de Microsoft pour une sortie de synthèse vocale réaliste. Avec la prise en charge intégrée de l'écoute continue, des hooks de compétences personnalisables, des intégrations API et des déclencheurs événementiels, Samantha permet aux développeurs de créer des flux de travail vocaux personnalisés, d'automatiser des tâches et de déployer sur des environnements de bureau ou serveur sans contraintes de licence importantes.

AgentSpeak est une implémentation open-source en Java du langage de programmation AgentSpeak(L), conçue pour faciliter la création et la gestion d'agents autonomes BDI (Croyance-Désir-Intention). Il possède un environnement d'exécution qui analyse le code AgentSpeak(L), maintient les bases de croyances des agents, déclenche des événements et sélectionne puis exécute des plans en fonction des croyances et objectifs actuels. L'interpréteur supporte l'exécution concurrente des agents, les mises à jour dynamiques de plans et des sémantiques personnalisables. Avec une architecture modulaire, les programmeurs peuvent étendre des composants centraux tels que la sélection de plans et la révision des croyances. AgentSpeak permet aux chercheurs et à l'industrie de prototyper, simuler et déployer des agents intelligents dans des simulations, des systèmes IoT et des scénarios multi-agents.

Evolving Agents fournit un cadre basé sur la programmation génétique pour construire et faire évoluer des agents d'IA modulaires. Les utilisateurs assemblent des architectures d'agents à partir de composants interchangeables, configurent des simulations d'environnement et des métriques de fitness, puis exécutent des cycles évolutifs pour générer automatiquement des comportements d'agents améliorés. La bibliothèque inclut des outils pour la mutation, le croisement, la gestion de population et le suivi de l'évolution, permettant aux chercheurs et développeurs de prototyper, tester et affiner des agents autonomes dans divers environnements simulés.

LinkAgent fournit un micronoyau léger pour construire des agents d'IA avec des composants plug-in. Les utilisateurs peuvent enregistrer des backends de modèles de langage, des modules de récupération et des API externes en tant qu'outils, puis les assembler en workflows utilisant des planificateurs et routeurs intégrés. LinkAgent supporte des gestionnaires de mémoire pour la persistance du contexte, l'invocation dynamique d'outils et une logique de décision configurable pour un raisonnement complexe à plusieurs étapes. Avec peu de code, les équipes peuvent automatiser des tâches telles que le QA, l'extraction de données, l'orchestration de processus et la génération de rapports.

OpenMAS est conçu pour faciliter le développement et l'évaluation d'agents d'IA décentralisés et de stratégies de coordination multi-agents. Il dispose d'une architecture modulaire permettant aux utilisateurs de définir des comportements d'agents personnalisés, des modèles d'environnement dynamiques et des protocoles de messagerie inter-agents. Le cadre prend en charge la simulation basée sur la physique, l'exécution événementielle et l'intégration de plugins pour les algorithmes d'IA. Les utilisateurs peuvent configurer des scénarios via YAML ou Python, visualiser les interactions des agents et collecter des métriques de performance via des outils d'analyse intégrés. OpenMAS rationalise la prototypage dans des domaines tels que l'intelligence en essaim, la robotique coopérative et la prise de décision distribuée.

Clear Agent est un framework axé sur les développeurs conçu pour simplifier la création d'agents pilotés par l'IA. Il propose l'enregistrement d'outils, la gestion de la mémoire et des classes d'agents personnalisables qui traitent les instructions des utilisateurs, appellent des API ou des fonctions locales, et renvoient des réponses structurées. Les développeurs peuvent définir des flux de travail, étendre la fonctionnalité avec des plugins et déployer des agents sur plusieurs plateformes sans code boilerplate. Clear Agent met l'accent sur la clarté, la modularité et la facilité d'intégration pour des assistants IA prêts pour la production.

Deep Study AI Agent utilise les modèles GPT d'OpenAI pour traiter le texte ou les documents fournis par l'utilisateur, extraire les concepts clés et générer des aides à l'étude. Les utilisateurs téléchargent des notes de cours, des PDFs ou des fichiers texte, et l'agent produit des résumés concis, des séries de cartes mémoire, des quiz à choix multiple et des exercices ciblés. Il offre également des réglages de difficulté configurables et des indices contextuels. La conception modulaire permet des extensions pour de nouveaux types de contenu et modèles de prompt, rendant l'outil flexible pour diverses matières académiques et flux de travail d'auto-apprentissage.

gym-multigrid fournit une série d'environnements en grille personnalisables conçus pour la navigation multi-chambres et les tâches d'exploration en apprentissage par renforcement. Chaque environnement se compose de pièces interconnectées remplies d'objets, de clés, de portes et d'obstacles. Les utilisateurs peuvent ajuster la taille de la grille, la configuration des pièces et le placement des objets de manière programmatique. La bibliothèque prend en charge les modes d'observation complets ou partiels, offrant des représentations d'état RGB ou matricielles. Les actions incluent le déplacement, l'interaction avec les objets et la manipulation des portes. En l'intégrant comme environnement Gym, les chercheurs peuvent exploiter n'importe quel agent compatible Gym pour former et évaluer des algorithmes sur des tâches telles que des puzzles clé-portes, la récupération d'objets ou la planification hiérarchique. La conception modulaire et les dépendances minimales de gym-multigrid en font un outil idéal pour comparer de nouvelles stratégies d'IA.

HexaBot est conçu pour simplifier le développement et le déploiement d'agents autonomes intelligents. Il offre des pipelines de flux de travail modulaires qui décomposent les tâches complexes en étapes gérables, ainsi que des magasins de mémoire persistante pour conserver le contexte entre les sessions. Les développeurs peuvent connecter les agents à des APIs externes, bases de données et services tiers via un écosystème de plugins. La surveillance en temps réel et la journalisation garantissent la visibilité sur le comportement des agents, tandis que les SDKs pour Python et JavaScript permettent une intégration rapide dans des applications existantes. L'infrastructure évolutive de HexaBot gère une forte concurrence et supporte des déploiements versionnés pour une utilisation fiable en production.

MAGI (Modular AI Generative Intelligence) est un cadre open-source conçu pour simplifier la création et la gestion d'agents IA. Il offre une architecture de plugins pour l'intégration d'outils personnalisés, des modules de mémoire persistante, la planification par chaînes de pensée, et l'orchestration en temps réel de flux de travail en plusieurs étapes. Les développeurs peuvent enregistrer des APIs externes ou des scripts locaux en tant qu'outils d'agent, configurer des backends de mémoire, et définir des politiques de tâches. La conception extensible de MAGI supporte à la fois les tâches synchrones et asynchrones, ce qui le rend idéal pour les chatbots, les pipelines d'automatisation, et les prototypes de recherche.

MAPF_G2RL est un cadre de recherche open-source qui relie la théorie des graphes et l'apprentissage par renforcement profond pour résoudre le problème de recherche de chemin multi-agents (MAPF). Il encode les nœuds et les arêtes en représentations vectorielles, définit des fonctions de récompense spatiales et sensibles aux collisions, et supporte divers algorithmes RL tels que DQN, PPO et A2C. Le cadre automatise la création de scénarios en générant des graphes aléatoires ou en important des cartes du monde réel, et orchestre des boucles d'entraînement qui optimisent simultanément les politiques pour plusieurs agents. Après apprentissage, les agents sont évalués dans des environnements simulés pour mesurer l'optimalité des chemins, le temps de sortie et les taux de réussite. Sa conception modulaire permet aux chercheurs d'étendre ses composants, d'intégrer de nouvelles techniques MARL et de benchmarker contre des solveurs classiques.

L'architecture multi-agents offre une plateforme évolutive et extensible pour définir, enregistrer et coordonner plusieurs agents IA travaillant ensemble sur un objectif commun. Elle inclut un courtier de messages, une gestion du cycle de vie, une création dynamique d'agents et des protocoles de communication personnalisables. Les développeurs peuvent créer des agents spécialisés (ex. récupérateurs de données, processeurs NLP, décideurs) et les intégrer dans le runtime principal pour gérer des tâches allant de l'agrégation de données aux flux de décisions autonomes. La conception modulaire du cadre supporte les extensions via plugins et s'intègre aux modèles ML ou API existants.

multiagent_envs offre un ensemble modulaire d'environnements basés sur Python adaptés à la recherche et au développement en apprentissage par renforcement multi-agent. Il inclut des scénarios comme la navigation coopérative, la prédation, les dilemmes sociaux et des arènes compétitives. Chaque environnement permet de définir le nombre d'agents, les caractéristiques d'observation, les fonctions de récompense et la dynamique de collision. Le framework s'intègre facilement avec des bibliothèques RL populaires telles que Stable Baselines et RLlib, permettant des boucles d'entraînement vectorisées, une exécution parallèle et une journalisation facile. Les utilisateurs peuvent étendre des scénarios existants ou en créer de nouveaux via une API simple, accélérant l'expérimentation avec des algorithmes comme MADDPG, QMIX et PPO dans un environnement cohérent et reproductible.