Nestor propose une architecture modulaire pour assembler des agents d'IA qui maintiennent l'état de la conversation, invoquent des outils externes et personnalisent les pipelines de traitement. Les principales fonctionnalités incluent des magasins de mémoire basés sur la session, un registre pour les fonctions ou plugins d'outils, des modèles de prompts flexibles et des interfaces unifiées pour les clients LLM. Les agents peuvent exécuter des tâches séquentielles, effectuer des branchements décisionnels et s’intégrer aux API REST ou scripts locaux. Nestor est indépendant du framework, permettant aux utilisateurs de travailler avec OpenAI, Azure ou des fournisseurs LLM auto-hébergés.

Labs est un langage spécifique au domaine open-source et intégrable, conçu pour définir et exécuter des agents AI utilisant de grands modèles de langage. Il fournit des constructions pour déclarer des invites, gérer le contexte, brancher conditionnellement et intégrer des outils externes (par ex., bases de données, API). Avec Labs, les développeurs décrivent les flux de travail des agents sous forme de code, orchestrant des tâches multi-étapes telles que la récupération de données, l'analyse et la génération. Le framework compile les scripts DSL en pipelines exécutables qui peuvent être lancés localement ou en production. Labs prend en charge une interface REPL interactive, des outils en ligne de commande et s'intègre aux fournisseurs LLM standard. Son architecture modulaire permet des extensions faciles avec des fonctions et utilitaires personnalisés, favorisant le prototypage rapide et un développement d'agents maintenable. L'exécution légère garantit une faible surcharge et une intégration transparente dans les applications existantes.

L'agent LangGraph combine les LLMs avec une mémoire structurée en graphe pour construire des agents autonomes capables de se souvenir des faits, de raisonner sur les relations, et d'appeler des fonctions ou outils externes lorsque nécessaire. Les développeurs définissent des schémas de mémoire sous forme de nœuds et d'arêtes de graphe, intégrent des outils ou API personnalisés, et orchestrent les flux de travail des agents via des planificateurs et exécutants configurables. Cette approche améliore la conservation du contexte, permet la prise de décisions basée sur la connaissance, et supporte l'invocation dynamique d'outils dans diverses applications.

Au cœur, LionAGI offre une architecture modulaire pour définir et exécuter des étapes de tâches dépendantes, décomposant des problèmes complexes en composants logiques pouvant être traités séquentiellement ou en parallèle. Chaque étape peut exploiter une invite personnalisée, une mémoire stockée et une logique décisionnelle pour adapter le comportement en fonction des résultats précédents. Les développeurs peuvent intégrer toute API LLM supportée ou un modèle auto-hébergé, configurer des espaces d'observation et définir des mappages d'actions pour créer des agents qui planifient, raisonnent et apprennent sur plusieurs cycles. Des outils intégrés de journalisation, de récupération d'erreurs et d'analyse permettent une surveillance en temps réel et un affinage itératif. Que ce soit pour automatiser des flux de recherche, générer des rapports ou orchestrer des processus autonomes, LionAGI accélère la création d'agents intelligents et adaptables avec un minimum de code standard.

Les agents IA alimentés par LLM sont conçus pour rationaliser la création d'agents autonomes en orchestrant de grands modèles de langage et des outils externes via une architecture modulaire. Les développeurs peuvent définir des outils personnalisés avec des interfaces standardisées, configurer des backend mémoire pour conserver l'état, et mettre en place des chaînes de raisonnement à plusieurs étapes utilisant des invites LLM pour planifier et exécuter des tâches. Le module AgentExecutor gère l'invocation des outils, la gestion des erreurs et les flux de travail asynchrones, tandis que des modèles d'exemples illustrent des scénarios réels comme l'extraction de données, le support client et la planification, accélérant ainsi le développement. En abstraisant les appels API, l'ingénierie des prompts et la gestion d'état, le framework réduit le code boilerplate et accélère l'expérimentation, idéal pour les équipes créant des solutions d'automatisation intelligentes personnalisées en Python.

LiteSwarm est un cadre complet d'orchestration d'agents IA conçu pour faciliter la collaboration entre plusieurs agents spécialisés. Les utilisateurs définissent des agents individuels avec des rôles distincts — tels que la récupération de données, l’analyse, la synthèse ou l’appel d’API externes — et les relient dans un flux de travail visuel. LiteSwarm gère la communication entre agents, le stockage mémoire persistant, la récupération d’erreurs et la journalisation. Il supporte l’intégration API, les extensions de code personnalisé et la surveillance en temps réel, permettant aux équipes de prototyper, tester et déployer des solutions multi-agents complexes sans overhead d'ingénierie important.

Llamator est une bibliothèque JavaScript open-source qui permet aux développeurs de construire des agents IA autonomes en combinant des modules mémoire, des intégrations d'outils et des modèles d'invite dynamiques dans un pipeline unifié. Elle orchestre la planification, l'exécution d'actions et les boucles de réflexion pour gérer des tâches à plusieurs étapes, supporte plusieurs fournisseurs LLM et permet la définition d'outils personnalisés pour les appels API ou le traitement des données. Avec Llamator, vous pouvez rapidement prototyper des chatbots, des assistants personnels et des flux de travail automatisés dans des applications web ou Node.js, en profitant d'une architecture modulaire pour une extension et un test faciles.

Le framework LLM Maze Agent fournit un environnement basé sur Python pour construire des agents intelligents capables de naviguer dans des labyrinthes en grille en utilisant de grands modèles linguistiques. En combinant des interfaces modulaires d’environnement avec des modèles de prompt en chaîne de pensée et une planification heuristique, l’agent interroge itérativement un LLM pour décider des directions de déplacement, s’adapter aux obstacles et mettre à jour sa représentation d’état interne. La prise en charge prête à l’emploi des modèles OpenAI et Hugging Face permet une intégration transparente, tandis que la génération de labyrinthes configurable et le débogage étape par étape facilitent l’expérimentation avec différentes stratégies. Les chercheurs peuvent ajuster les fonctions de récompense, définir des espaces de observations personnalisés et visualiser les trajectoires de l’agent pour analyser les processus de raisonnement. Ce design rend LLM Maze Agent un outil polyvalent pour évaluer la planification pilotée par LLM, enseigner des concepts d’IA et benchmarker la performance des modèles sur des tâches de raisonnement spatial.

LLPhant est un framework Python open-source qui permet aux développeurs de créer des agents polyvalents pilotés par LLM. Il offre des abstractions intégrées pour l'intégration d'outils (API, recherche, bases de données), la gestion de mémoire pour des conversations multi-tours et des boucles de décision personnalisables. Avec le support de plusieurs backends LLM (OpenAI, Hugging Face, autres), des composants en style plugin et des workflows basés sur la configuration, LLPhant accélère le développement d'agents. Utilisez-le pour prototyper des chatbots, automatiser des tâches ou construire des assistants numériques tirant parti d'outils externes et de mémoire contextuelle sans code répétitif.

Local-Super-Agents offre une plateforme basée sur Python pour créer des agents AI autonomes qui fonctionnent entièrement en local. Le framework propose des composants modulaires, y compris des magasins de mémoire, des kits d'outils pour l'intégration API, des adaptateurs LLM et une orchestration d'agents. Les utilisateurs peuvent définir des agents de tâches personnalisés, chaîner des actions et simuler la collaboration multi-agent dans un environnement sandbox. Il abstrait la configuration complexe en proposant des utilitaires CLI, des modèles préconfigurés et des modules extensibles. Sans dépendances cloud, les développeurs gardent la confidentialité des données et le contrôle des ressources. Son système de plugins supporte l'intégration de scrapeurs web, de connecteurs de bases de données et de fonctions Python personnalisées, permettant des workflows comme la recherche autonome, l'extraction de données et l'automatisation locale.

Dans LORS, les utilisateurs peuvent ingérer des collections de documents, prétraiter les textes en embeddings et les stocker dans une base de données vectorielle. Lorsqu'une requête ou une tâche de résumé est émise, LORS effectue une récupération sémantique pour identifier les segments de texte les plus pertinents. Il alimente ensuite ces segments dans un grand modèle linguistique pour produire des résumés succincts et contextuellement pertinents. La conception modulaire permet de remplacer les modèles d'embedding, d'ajuster les seuils de récupération et de personnaliser les modèles de prompt. LORS supporte le résumé multi-documents, la refinement interactif des requêtes et le traitement par lots pour de gros volumes, idéal pour les revues de littérature, les rapports d'entreprise ou tout scénario nécessitant une extraction rapide d'insights à partir de vastes corpus textuels.

Magi MDA est un cadre d'agent IA axé sur les développeurs qui simplifie la création et le déploiement d'agents autonomes. Il expose un ensemble de composants de base—planificateurs, exécuteurs, interprètes et mémoires—that peuvent être assemblés en pipelines personnalisés. Les utilisateurs peuvent se connecter aux fournisseurs LLM populaires pour la génération de texte, ajouter des modules de récupération pour l'augmentation des connaissances, et intégrer divers outils ou APIs pour des tâches spécialisées. Le framework gère automatiquement la raisonnement étape par étape, le routage des outils et la gestion du contexte, permettant aux équipes de se concentrer sur la logique métier plutôt que sur la gestion de l'orchestration.

ManasAI est un framework en Python qui permet la création d'agents IA autonomes avec un état intégré et des composants modulaires. Il offre des abstractions principales pour la raisonnement des agents, la mémoire à court et long terme, l'intégration d'outils et d'API externes, la gestion d'événements basée sur les messages et l'orchestration multi-agents. Les agents peuvent être configurés pour gérer le contexte, exécuter des tâches, gérer des tentatives et collecter des retours. Son architecture plug-in permet aux développeurs d'adapter les backend de mémoire, outils et orchestrateurs à des workflows spécifiques, ce qui le rend idéal pour le prototypage de chatbots, travailleurs numériques et pipelines automatisés nécessitant un contexte persistant et des interactions complexes.

MARFT est un LLM basé sur Python, permettant des expériences reproductibles et la prototypage rapide de systèmes IA collaboratifs.

L'agent MCP Ollama exploite le runtime LLM local d'Ollama pour fournir un cadre d'agent polyvalent pour l'automatisation des tâches. Il intègre plusieurs interfaces d'outils, y compris la recherche web via SERP API, opérations sur le système de fichiers, exécution de commandes shell et gestion d'environnement Python. En définissant des invites et des configurations d'outils personnalisés, les utilisateurs peuvent orchestrer des flux de travail complexes, automatiser des tâches répétitives et créer des assistants spécialisés adaptés à divers domaines. L'agent gère l'invocation d'outils et la gestion du contexte, en conservant l'historique des conversations et les réponses des outils pour générer des actions cohérentes. Sa configuration basée sur CLI et son architecture modulaire facilitent l'ajout de nouveaux outils et l'adaptation à différents cas d'utilisation, de la recherche et l'analyse de données au soutien au développement.

L'architecture modulaire LLM est conçue pour simplifier la création d'applications personnalisées pilotées par LLM via une conception modulaire et composable. Elle fournit des composants clés tels que des modules de mémoire pour la rétention d'état de session, des interfaces d'outils pour les appels d'API externes, des gestionnaires de prompts pour la génération de prompts basés sur des modèles ou dynamique, et des moteurs d'orchestration pour contrôler le flux de travail de l'agent. Vous pouvez configurer des pipelines en chaînant ces modules, permettant des comportements complexes tels que le raisonnement en plusieurs étapes, des réponses contextuelles et la récupération de données intégrée. La structure supporte plusieurs backends LLM, vous permettant de changer ou de mélanger des modèles, et offre des points d'extension pour ajouter de nouveaux modules ou une logique personnalisée. Cette architecture accélère le développement en promouvant la réutilisation des composants tout en maintenant la transparence et le contrôle sur le comportement de l'agent.

MONAI, ou Réseau Ouvert Médical pour l'IA, est un cadre open-source conçu pour l'apprentissage profond en imagerie de santé. Il fournit des outils et des bibliothèques robustes pour les professionnels de la santé, leur permettant de développer, former et déployer rapidement et efficacement des solutions basées sur l'IA. Son architecture modulaire garantit que les utilisateurs peuvent personnaliser leurs flux de travail tout en s'appuyant sur des composants existants, ce qui entraîne des recherches et une collaboration clinique plus efficaces. Avec MONAI, les développeurs peuvent gérer divers ensembles de données médicales, facilitant les avancées dans les technologies d'imagerie médicale.

La bibliothèque multi-agents d'apprentissage par renforcement d'alaamoheb est une ressource complète open-source conçue pour faciliter le développement, l'entraînement et l'évaluation de plusieurs agents opérant dans des environnements partagés. Elle comprend des implémentations modulaires d'algorithmes basés sur la valeur et la politique, tels que DQN, PPO, MADDPG, et plus encore. Le dépôt supporte l'intégration avec OpenAI Gym, Unity ML-Agents et le StarCraft Multi-Agent Challenge, permettant aux utilisateurs d’expérimenter à la fois dans des scénarios de recherche et inspirés de cas réels. Avec des configurations d'expériences YAML, des utilitaires de journalisation et des outils de visualisation, les praticiens peuvent suivre les courbes d'apprentissage, ajuster les hyperparamètres et comparer différents algorithmes. Ce cadre accélère les expérimentations dans des tâches multi-agents coopératives, compétitives ou mixtes, facilitant la recherche reproductible et le benchmarking.

multiagent-ai-coding est un framework basé sur Python conçu pour faciliter les flux de travail collaboratifs entre agents IA spécialisés dans des tâches de développement logiciel. Le système permet aux utilisateurs de définir des agents pour la génération de code, la création de tests unitaires, la révision du code, le débogage et la documentation. En chaînant ces agents dans un pipeline configurable, les développeurs peuvent automatiser des processus de codage de bout en bout, améliorer la qualité du code et accélérer les cycles d’itération. Le framework prend également en charge l’intégration d’agents personnalisés, la journalisation et la gestion des erreurs.

OLI (OpenAI Logic Interpreter) est un cadre côté client conçu pour simplifier la création d'agents IA dans les applications web en tirant parti de l'API OpenAI. Les développeurs peuvent définir des fonctions personnalisées que OLI sélectionne intelligemment en fonction des invites utilisateur, gérer le contexte de la conversation pour maintenir un état cohérent lors de plusieurs interactions et chaîner les appels API pour des flux de travail complexes comme la réservation de rendez-vous ou la génération de rapports. En outre, OLI inclut des utilitaires pour analyser les réponses, gérer les erreurs et intégrer des services tiers via webhooks ou endpoints REST. Étant entièrement modulaire et open-source, les équipes peuvent personnaliser le comportement des agents, ajouter de nouvelles fonctionnalités et déployer des agents OLI sur n’importe quelle plateforme web sans dépendances back-end. OLI accélère le développement d’interfaces conversationnelles et d'automatisations.