AutoDRIVE Cooperative MARL est un cadre open-source conçu pour entraîner et déployer des politiques d'apprentissage par renforcement multi-agent coopératif (MARL) pour des tâches de conduite autonome. Il s'intègre avec des simulateurs réalistes pour modéliser des scénarios de trafic tels que les intersections, le convoi sur autoroute et la fusion. Le cadre implémente une formation centralisée avec une exécution décentralisée, permettant aux véhicules d'apprendre des politiques partagées pour maximiser l'efficacité et la sécurité globales du trafic. Les utilisateurs peuvent configurer les paramètres de l’environnement, choisir parmi des algorithmes MARL de base, visualiser la progression de l'apprentissage et évaluer la coordination des agents.

L'exemple d'agents LLM offre une base de code pratique pour construire des agents IA en Python. Il démontre l'enregistrement d'outils personnalisés (recherche web, solveur mathématique via WolframAlpha, analyseur CSV, REPL Python), la création d'agents de chat et basés sur la récupération, ainsi que la connexion à des magasins vectoriels pour la réponse aux questions de documents. Le dépôt illustre des modèles pour maintenir la mémoire conversationnelle, dispatcher dynamiquement les appels aux outils et enchaîner plusieurs invites LLM pour résoudre des tâches complexes. Les utilisateurs apprennent à intégrer des API tierces, structurer les flux de travail des agents et étendre le cadre avec de nouvelles fonctionnalités — un guide pratique pour l'expérimentation et le prototypage par les développeurs.

Le système d'agent d'actualités Reddit utilise la Pipeline Multi-Canal (MCP) pour un traitement modulaire des données et le Kit de Développement d'Agent (ADK) pour l'orchestration des flux de travail. Après configuration, il surveille en continu les sous-reddits choisis, applique des modules d'analyse de sentiment, de classification de sujets et de génération de résumés, puis transmet les résultats par e-mail, applications de messagerie ou interfaces de tableau de bord. Les développeurs peuvent étendre les pipelines avec des processeurs personnalisés, intégrer de nouveaux canaux de livraison et ajuster le comportement de l'agent pour une curation de nouvelles sur mesure et une automatisation des rapports.

Starclouds fournit une plateforme complète pour les passionnés de science des données afin d'apprendre, de construire et de partager des projets. Avec un environnement basé sur le cloud, les utilisateurs peuvent analyser des données, former des modèles et collaborer sans effort. La plateforme propose également une vaste collection de jeux de données et des forums de discussion, en faisant une solution tout-en-un pour toutes les activités de science des données.

AI-Agents offre une architecture d'agent flexible qui orchestre des planificateurs de modèles linguistiques, des modules de mémoire persistante et des boîtes à outils modulables. Les développeurs définissent des outils pour les requêtes HTTP, les opérations sur des fichiers et la logique personnalisée, puis configurent un planificateur LLM pour décider quel outil invoquer. La mémoire stocke le contexte et l'historique des conversations. Le framework gère l'exécution asynchrone, la récupération des erreurs et la journalisation, permettant un prototypage rapide d'assistants intelligents, d'analyses de données ou de bots d'automatisation sans réinventer la logique d'orchestration principale.

AgenticIR (Agentic Information Retrieval) offre un cadre modulaire où des agents alimentés par des LLM planifient et exécutent de manière autonome des flux de travail IR. Il permet de définir des rôles d'agents — tels que générateur de requêtes, récupérateur de documents et résumé —, qui s'exécutent dans des séquences personnalisables. Les agents peuvent récupérer du texte brut, affiner leurs requêtes en fonction des résultats intermédiaires, et fusionner les passages extraits en résumés concis. Le cadre supporte des pipelines multi-étapes incluant la recherche web itérative, l’ingestion de données via API, et l’analyse locale de documents. Les développeurs peuvent ajuster les paramètres des agents, intégrer différents LLM, et affiner les politiques de comportement. AgenticIR offre aussi la journalisation, la gestion des erreurs et l’exécution parallèle des agents pour accélérer la collecte d’informations à grande échelle. Avec une configuration minimale, chercheurs et ingénieurs peuvent prototyper et déployer des systèmes de récupération autonomes.

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.

Ce projet présente un agent IA de support client entièrement fonctionnel qui exploite le framework Autogen d'OpenAI et une interface frontale Streamlit. Il route les requêtes utilisateur via une pipeline d'agent personnalisable, maintient le contexte conversationnel et génère des réponses précises et contextualisées. Les développeurs peuvent facilement cloner le dépôt, configurer leur clé API OpenAI et lancer une interface web pour tester ou étendre les capacités du bot. La base de code comprend des points de configuration clairs pour la conception des prompts, la gestion des réponses et l'intégration avec des services externes, en faisant un point de départ polyvalent pour la création de chatbots support, d'automatismes helpdesk ou d'assistants interne Q&A.

LeanAgent est un cadre basé sur Python conçu pour rationaliser la création d'agents IA autonomes. Il offre des modules de planification intégrés exploitant de grands modèles linguistiques pour la prise de décision, une couche d'intégration d'outils extensible pour appeler des API externes ou des scripts personnalisés, et un système de gestion de mémoire qui conserve le contexte entre les interactions. Les développeurs peuvent configurer des flux de travail d'agents, intégrer des outils personnalisés, itérer rapidement avec des utilitaires de débogage, et déployer des agents prêts pour la production dans divers domaines.

Lluminy est un outil alimenté par IA conçu pour automatiser la génération de commentaires de code, en particulier des docstrings, pour les projets Python. En s'intégrant directement à votre compte GitHub, il vous permet de sélectionner des dépôts et de générer une documentation complète en quelques minutes. Lluminy garantit que le code original reste inchangé et peut gérer plusieurs fichiers ou l'ensemble des bases de code. Cet outil est idéal pour accélérer l'intégration des développeurs, améliorer la maintenance de la base de code et renforcer la collaboration de l'équipe.

Multi-Agents System from Scratch fournit un ensemble complet de modules Python pour construire, personnaliser et évaluer des environnements multi-agents depuis le début. Les utilisateurs peuvent définir des modèles du monde, créer des classes d'agents avec des sens uniques et des capacités d'action, ainsi que mettre en place des protocoles de communication flexibles pour la coopération ou la compétition. Le framework prend en charge l'attribution dynamique des tâches, les modules de planification stratégique et le suivi des performances en temps réel. Son architecture modulaire permet une intégration facile d'algorithmes personnalisés, de fonctions de récompense et de mécanismes d'apprentissage. Avec des outils de visualisation et des utilitaires de journalisation intégrés, les développeurs peuvent surveiller les interactions des agents et diagnostiquer les motifs de comportement. Conçu pour l'extensibilité et la clarté, le système s'adresse aussi bien aux chercheurs explorant l'IA distribuée qu'aux éducateurs enseignant la modélisation par agents.

Ce projet open-source offre un cadre complet d'apprentissage par renforcement multi-agent basé sur PyTorch et Unity ML-Agents. Il propose des algorithmes DDPG décentralisés, des wrappers d'environnements et des scripts d'entraînement. Les utilisateurs peuvent configurer les politiques d'agents, les réseaux critiques, les buffers de relecture et les travailleurs d'entraînement parallèles. Les hooks de journalisation permettent la surveillance avec TensorBoard, tandis qu'une architecture modulaire supporte des fonctions de récompense et paramètres d'environnement personnalisés. Le dépôt inclut des scènes Unity d'exemple illustrant des tâches de navigation collaborative, idéal pour étendre et benchmarker des scénarios multi-agent en simulation.

Neon Azure AI Agent est une démonstration open-source montrant comment construire un assistant de base de données piloté par l’IA avec Azure OpenAI et Neon Postgres. L’agent analyse les entrées en langage naturel, génère des requêtes SQL optimisées, les exécute sur une instance Postgres sans serveur et retourne des résultats formatés. Les développeurs peuvent utiliser ce dépôt pour prototyper rapidement des applications de données conversationnelles, apprendre les flux de travail intégrés entre Azure AI et Neon DB, et étendre l’agent avec des fonctions ou sources de données personnalisées pour des solutions sur mesure.

OpenRepoWiki est une plateforme qui prend le contenu d'un dépôt GitHub et le convertit en une page de style Wikipédia. Cela permet une navigation et une compréhension plus fluides du contenu, de la structure et des contributions du projet. C'est un outil utile pour les développeurs et les équipes qui souhaitent présenter leurs projets de manière plus organisée ou pour quiconque cherchant à documenter son code de manière complète. La plateforme prend en charge une intégration facile et fournit une interface intuitive pour convertir et gérer les dépôts.

Le Swarm Simulator offre un environnement personnalisable pour des expériences multi-agents en temps réel. Les utilisateurs peuvent ajuster les paramètres clés – alignement, cohésion, séparation – et observer la dynamique émergente sur un canvas visuel. Il prend en charge des curseurs d'interface utilisateur interactifs, la modification dynamique du nombre d'agents, et l'exportation des données pour analyse. Idéal pour des démonstrations éducatives, des prototypes de recherche ou des explorations amateurs des principes de l'intelligence collective.

SwiftSora est un générateur de vidéos et d'images open source qui utilise le puissant modèle Sora d'OpenAI pour transformer des entrées textuelles en contenus visuels de haute qualité. Avec son interface conviviale, SwiftSora rend la création de contenu facile et efficace, fournissant un puissant outil pour le marketing, l'éducation et les projets créatifs. Les utilisateurs peuvent déployer le projet sur Vercel d'un simple clic, le rendant accessible à quiconque cherchant à améliorer son processus de création de contenu sans avoir besoin de compétences techniques approfondies.