AgentX offre une architecture extensible pour construire des agents pilotés par IA qui exploitent de grands modèles de langage, des intégrations d'outils et d'API, et des modules de mémoire pour effectuer des tâches complexes de manière autonome. Il dispose d'un système de plugins pour des outils personnalisés, du support pour la récupération basée sur des vecteurs, le raisonnement en chaîne de pensée et des journaux d'exécution détaillés. Les utilisateurs définissent des agents via des fichiers de configuration flexibles ou du code, en spécifiant des outils, des backends de mémoire comme Chroma DB et des pipelines de raisonnement. AgentX gère le contexte sur plusieurs sessions, permet la génération augmentée par récupération et facilite les conversations à plusieurs tours. Ses composants modulaires permettent aux développeurs d'orchestrer des flux de travail, de personnaliser les comportements des agents et d'intégrer des services externes pour l'automatisation, l'assistance à la recherche, le support client et l'analyse de données.

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.