CommNet est une bibliothèque orientée recherche qui implémente l'architecture CommNet, permettant à plusieurs agents de partager des états cachés à chaque étape et d'apprendre à coordonner leurs actions dans des environnements coopératifs. Elle inclut des définitions de modèles PyTorch, des scripts d'entraînement et d'évaluation, des wrappers d'environnement pour OpenAI Gym et des utilitaires pour personnaliser les canaux de communication, le nombre d'agents et la profondeur du réseau. Chercheurs et développeurs peuvent utiliser CommNet pour prototyper et benchmarker des stratégies de communication inter-agent sur des tâches de navigation, de poursuite–évasion et de collecte de ressources.

ePH-MAPF fournit un pipeline efficace pour calculer des chemins sans collision pour des dizaines à des centaines d'agents sur des cartes basées sur une grille. Il utilise des heuristiques prioritaires, des techniques de recherche incrémentielle et des métriques de coût personnalisables (Manhattan, Euclidéenne) pour équilibrer rapidité et qualité de la solution. Les utilisateurs peuvent choisir parmi différentes fonctions heuristiques, intégrer la bibliothèque dans des systèmes robotiques Python, et benchmarker la performance sur des scénarios MAPF standards. Le code est modulaire et bien documenté, permettant aux chercheurs et développeurs de l’étendre pour des obstacles dynamiques ou des environnements spécialisés.

Patrolling-Zoo offre un cadre flexible permettant aux utilisateurs de créer et d'expérimenter avec des tâches de patrouille multi-agent en Python. La bibliothèque inclut une variété d'environnements basés sur des grilles et des graphes, simulant des scénarios de surveillance, de contrôle et de couverture. Les utilisateurs peuvent configurer le nombre d'agents, la taille de la carte, la topologie, les fonctions de récompense et les espaces d'observation. Grâce à la compatibilité avec PettingZoo et les API Gym, elle supporte une intégration transparente avec des algorithmes populaires d'apprentissage par renforcement. Cet environnement facilite le benchmarking et la comparaison des techniques MARL sous des paramètres cohérents. En fournissant des scénarios standard et des outils pour en créer de nouveaux, Patrolling-Zoo accélère la recherche en robotique autonome, surveillance de sécurité, opérations de recherche et sauvetage, et couverture efficace des zones en utilisant des stratégies de coordination multi-agents.

AgentServe fournit une interface unifiée pour créer et déployer des agents d'IA. Les utilisateurs définissent le comportement des agents dans des fichiers de configuration ou du code, intègrent des outils ou sources de connaissances externes, et exposent les agents via des points de terminaison REST. Le cadre gère le routage des modèles, les requêtes parallèles, le contrôle de la santé, la journalisation et les métriques. La conception modulaire d'AgentServe permet d'ajouter de nouveaux modèles, outils ou politiques de planification, idéal pour créer des chatbots, workflows automatisés et systèmes multi-agent à grande échelle.

A2A (Architecture Agent-à-Agent) est un cadre open-source de Google permettant le développement et le fonctionnement d'agents IA distribués travaillant ensemble. Il offre des composants modulaires pour définir les rôles des agents, les canaux de communication et la mémoire partagée. Les développeurs peuvent intégrer divers fournisseurs LLM, personnaliser le comportement des agents et orchestrer des flux de travail à plusieurs étapes. A2A inclut une surveillance intégrée, une gestion des erreurs et des capacités de lecture pour tracer les interactions entre agents. En fournissant un protocole standardisé pour la découverte des agents, le passage de messages et l'attribution des tâches, A2A simplifie les modèles de coordination complexes et améliore la fiabilité lors de la mise à l'échelle d'applications basées sur des agents dans divers environnements.

AI-Agents offre une architecture modulaire pour définir et exécuter des agents IA basés sur Python. Les développeurs peuvent configurer le comportement des agents, intégrer des API ou outils externes, et gérer la mémoire des agents sur plusieurs sessions. Il exploite des LLMs populaires, supporte la collaboration multi-agents, et permet des extensions via plugins pour des workflows complexes comme l'analyse de données, le support automatisé et les assistants personnalisés.

Agents with ADK est un cadre Python open-source conçu pour simplifier la création d'agents intelligents alimentés par de grands modèles de langage. Il comprend des modèles d'agents modulaires, une gestion mémoire intégrée, des interfaces d'exécution d'outils et des capacités de coordination multi-agent. Les développeurs peuvent rapidement intégrer des fonctions personnalisées ou des API externes, configurer des chaînes de planification et de raisonnement, et surveiller les interactions des agents. Le cadre prend en charge l'intégration avec des fournisseurs LLM populaires et offre des fonctionnalités de journalisation, de logique de nouvelle tentative et d'extensibilité pour le déploiement en production.

AgentScope est un framework axé sur les développeurs conçu pour simplifier la création d'agents intelligents en fournissant des composants modulaires pour la planification dynamique, le stockage de mémoire contextuelle et l'intégration d'outils/API. Il supporte plusieurs backends LLM (OpenAI, Anthropic, Hugging Face) et offre des pipelines personnalisables pour l'exécution de tâches, la synthèse de réponses et la récupération de données. L'architecture de AgentScope permet un prototypage rapide de chatbots conversationnels, d'agents d'automatisation de workflows et d'assistants de recherche, tout en restant extensible et évolutif.

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.

L'environnement de recherche coopérative fournit un environnement d'apprentissage par renforcement multi-agent flexible et compatible gym, adapté aux tâches de recherche coopérative dans des espaces en grille discrète et en espace continu. Les agents fonctionnent sous observabilité partielle et peuvent partager des informations en fonction de topologies de communication personnalisables. Le cadre supporte des scénarios prédéfinis tels que recherche et sauvetage, suivi de cibles dynamiques, et cartographie collaborative, avec des API pour définir des environnements et des structures de récompense personnalisés. Il s'intègre parfaitement avec des bibliothèques RL populaires comme Stable Baselines3 et Ray RLlib, inclut des utilitaires de journalisation pour l’analyse des performances, et offre des outils de visualisation en temps réel. Les chercheurs peuvent ajuster la taille de la grille, le nombre d'agents, la portée des capteurs et les mécanismes de partage des récompenses pour évaluer efficacement les stratégies de coordination et benchmarker de nouveaux algorithmes.

cpp-langchain implémente les fonctionnalités principales de l'écosystème LangChain en C++. Les développeurs peuvent envelopper les appels aux grands modèles de langage, définir des modèles d'invites, assembler des chaînes et orchestrer des agents qui appellent des outils ou des API externes. Il comprend des modules de mémoire pour maintenir l'état conversationnel, le support pour les embeddings pour la recherche de similarité et des intégrations avec des bases de données vectorielles. La conception modulaire permet de personnaliser chaque composant — clients LLM, stratégies d'invites, backends de mémoire et toolkits — pour répondre à des cas d'usage spécifiques. En offrant une bibliothèque uniquement en en-tête et une compatibilité CMake, cpp-langchain simplifie la compilation d'applications AI natives sur Windows, Linux et macOS sans nécessiter d'environnement Python.

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.

GPA-LM est un framework basé sur Python conçu pour simplifier la création et l'orchestration d'agents IA alimentés par de grands modèles linguistiques. Il comporte un planificateur qui décompose les instructions de haut niveau en sous-tâches, un exécuteur qui gère les appels d'outils et les interactions, et un module de mémoire qui conserve le contexte entre les sessions. L'architecture plugin permet aux développeurs d'ajouter des outils, API et logiques de décision personnalisés. Avec le support multi-agent, GPA-LM peut coordonner des rôles, répartir des tâches et agréger des résultats. Il s'intègre facilement à des LLM populaires comme OpenAI GPT et prend en charge le déploiement dans divers environnements. Le cadre accélère le développement d'agents autonomes pour la recherche, l'automatisation et la prototypie d'applications.

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.

LLM-Agent est un cadre léger et extensible pour créer des agents IA alimentés par de grands modèles linguistiques. Il fournit des abstractions pour la mémoire de conversation, des modèles d'invite dynamiques et une intégration transparente d'outils ou d'API personnalisés. Les développeurs peuvent orchestrer des processus de raisonnement multi-étapes, maintenir l'état à travers les interactions et automatiser des tâches complexes telles que la récupération de données, la génération de rapports et le support décisionnel. En combinant la gestion de la mémoire avec l'utilisation d'outils et la planification, LLM-Agent facilite le développement d'agents intelligents et orientés tâches en Python.

Multi-Agent est une boîte à outils pour développeurs qui vous aide à construire et orchestrer plusieurs agents IA s’exécutant en parallèle. Chaque agent conserve son propre stockage de mémoire, sa configuration de prompt et sa file d’attente de messages. Vous pouvez définir des comportements personnalisés, mettre en place des canaux de communication entre agents et déléguer automatiquement des tâches en fonction des rôles des agents. Il exploite l’API Chat d’OpenAI pour la compréhension et la génération linguistique, tout en fournissant des composants modulaires pour l’orchestration de flux de travail, la journalisation et la gestion des erreurs. Cela permet de créer des agents spécialisés — tels que des assistants de recherche, des processeurs de données ou des bots de support client — qui travaillent ensemble sur des tâches complexes.

Odyssey offre une architecture flexible pour la création de systèmes multi-agent collaboratifs. Il comprend des composants centraux tels que le Task Manager pour définir et répartir les sous-tâches, modules de mémoire pour stocker le contexte et l'historique des conversations, contrôleurs d'agents pour la coordination des agents alimentés par LLM, et gestionnaires d'outils pour l'intégration d'API externes ou de fonctions personnalisées. Les développeurs peuvent configurer des workflows via des fichiers YAML, sélectionner des noyaux LLM préconstruits (par ex. GPT-4, modèles locaux), et étendre le framework avec de nouveaux outils ou backends de mémoire. Odyssey journalise les interactions, supporte l'exécution asynchrone des tâches et permet des boucles de raffinage itératif, le rendant idéal pour la recherche, le prototypage et les applications multi-agent prêtes pour la production.

OpenAI Agents MCP Server fournit une base solide pour déployer et gérer des agents autonomes alimentés par des modèles OpenAI. Il expose une API RESTful flexible pour créer, configurer et contrôler des agents, permettant aux développeurs d'orchestrer des tâches multi-étapes, de coordonner les interactions entre agents et de maintenir une mémoire persistante entre les sessions. Le framework prend en charge les intégrations d'outils de type plugin, une journalisation avancée des conversations et des stratégies de planification personnalisables. En abstraisant les préoccupations de l'infrastructure, MCP Server rationalise le processus de développement, facilitant la création rapide de prototypes et la mise en production évolutive d'assistants conversationnels, d'automations de workflows et de travailleurs numériques pilotés par IA.

Universal Basic Compute offre un environnement unifié pour la conception, la formation et le déploiement d'agents IA dans divers flux de travail. Les utilisateurs peuvent choisir parmi plusieurs grands modèles linguistiques, configurer des magasins de mémoire personnalisés pour la conscience contextuelle et intégrer des API et outils tiers pour étendre la fonctionnalité. La plateforme gère automatiquement l'orchestration, la tolérance aux pannes et la scalabilité, tout en proposant des tableaux de bord pour la surveillance en temps réel et les analyses de performance. En abstraisant les détails d'infrastructure, elle permet aux équipes de se concentrer sur la logique des agents et l'expérience utilisateur plutôt que sur la complexité du backend.

Autonomys Agents permet aux développeurs de créer des agents IA autonomes capables d’exécuter des tâches complexes sans intervention manuelle. Basé sur Python, le framework fournit des outils pour définir le comportement des agents, intégrer des API externes et des fonctions personnalisées, et maintenir une mémoire conversationnelle tout au long des interactions. Les agents peuvent collaborer dans des configurations multi-agents, partager des connaissances et coordonner leurs actions. Les modules d’observabilité offrent des journaux en temps réel, le suivi de la performance et des insights pour le débogage. Avec son architecture modulaire, les équipes peuvent étendre les composants principaux, intégrer de nouveaux LLM et déployer des agents dans différents environnements. Que ce soit pour automatiser le support client, effectuer des analyses de données ou orchestrer des workflows de recherche, Autonomys Agents simplifie le développement et la gestion de systèmes intelligents autonomes de bout en bout.