Mina fournit une base légère mais puissante pour construire des agents IA en Python. Vous pouvez définir des outils personnalisés (tels que des extracteurs Web, des calculateurs ou des connecteurs de base de données), attacher des buffers de mémoire pour conserver le contexte de conversation, et orchestrer des séquences d'appels aux modèles linguistiques pour un raisonnement en plusieurs étapes. Basé sur des API LLM courantes, Mina gère l'exécution asynchrone, la gestion des erreurs et la journalisation. Sa conception modulaire facilite l'extension avec de nouvelles capacités, tandis que l'interface CLI permet une prototypage rapide et le déploiement d'applications pilotées par des agents.

NavGround Learning fournit une boîte à outils complète pour le développement et la benchmarking d'agents d'apprentissage par renforcement dans les tâches de navigation. Elle supporte la simulation multi-agent, la modélisation des collisions ainsi que des capteurs et actionneurs personnalisables. Les utilisateurs peuvent choisir parmi des modèles de politiques prédéfinis ou implémenter leurs propres architectures, s'entraîner avec des algorithmes RL de pointe et visualiser les métriques de performance. Son intégration avec OpenAI Gym et Stable Baselines3 facilite la gestion des expériences, tandis que ses outils de journalisation et de visualisation intégrés permettent une analyse approfondie du comportement des agents et de la dynamique d'apprentissage.

Swarms fonctionne comme un cadre axé sur Python et une interface web, permettant aux utilisateurs de configurer des agents individuels avec des rôles spécifiques, la gestion de la mémoire et des prompts personnalisés. Les utilisateurs définissent les interactions des agents via un éditeur de flux visuel ou une configuration YAML, orchestrant des arbres de décision complexes, des débats et des tâches collaboratives. La plateforme supporte l'intégration de plugins pour l'interrogation de données, l'accès à des bases de connaissances et des API tierces. Après déploiement, Swarms offre une surveillance en temps réel des activités des agents, des métriques de performance et des journaux. Elle se dimensionne horizontalement à l'aide d'outils d'orchestration de containers, permettant des simulations IA à grande échelle, des architectures de contrôle robotique ou des automatisations de workflows intelligents. L'architecture open-source garantit l'extensibilité, les améliorations communautaires et les options d'auto-hébergement pour un contrôle total des données.

WanderMind offre une architecture modulaire pour la construction d'agents IA auto-guidés. Il gère un stockage de mémoire persistante pour conserver le contexte entre les sessions, s'intègre avec des outils et APIs externes pour des fonctionnalités étendues, et orchestre le raisonnement à plusieurs étapes par le biais de planificateurs personnalisables. Les développeurs peuvent connecter différents fournisseurs LLM, définir des tâches asynchrones, et étendre le système avec de nouveaux adaptateurs d'outils. Ce cadre accélère l'expérimentation de flux de travail autonomes, permettant des applications allant de l'exploration d'idées à des assistants de recherche automatisés sans surcharge technique importante.

Doraemon-Agent est une plateforme et un cadre Python open-source conçu pour permettre aux développeurs de créer des agents IA sophistiqués. Il permet d'intégrer des plugins personnalisés et des outils externes, de maintenir la mémoire à long terme entre les sessions, et d'exécuter une planification en chaîne pour plusieurs étapes. Les développeurs peuvent configurer des rôles d'agents, gérer le contexte, enregistrer les interactions et étendre la fonctionnalité via une architecture de plugins. Il simplifie la création d'assistants autonomes pour des tâches telles que l'analyse de données, le support à la recherche ou l'automatisation du service client.

Lila fournit un cadre complet d'agents IA adapté au raisonnement multi-étapes et à l'exécution autonome de tâches. Les développeurs peuvent définir des outils personnalisés (API, bases de données, webhooks) et configurer Lila pour les appeler dynamiquement pendant l'exécution. Il offre des modules de mémoire pour stocker l'historique des conversations et les faits, une composante de planification pour séquencer les sous-tâches, et une incitation à la réflexion en chaîne pour des chemins de décision transparents. Son système de plugins permet une extension transparente avec de nouvelles capacités, tandis que la surveillance intégrée suit les actions et sorties de l'agent. La conception modulaire de Lila facilite l'intégration dans des projets Python existants ou le déploiement en tant que service hébergé pour des workflows d'agents en temps réel.

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.

Overeasy est un framework open-source basé sur Python pour orchestrer des agents IA alimentés par LLM dans diverses disciplines. Il fournit une architecture modulaire pour définir des agents, configurer des stockages de mémoire et intégrer des outils externes tels que APIs, bases de connaissances et bases de données. Les développeurs peuvent se connecter à OpenAI, Azure ou à des points de terminaison LLM auto-hébergés et concevoir des workflows dynamiques impliquant un ou plusieurs agents. Le moteur d'orchestration d'Overeasy gère la délégation des tâches, la prise de décisions et les stratégies de secours, permettant la création de travailleurs numériques robustes pour la recherche, le support client, l'analyse de données, la planification, etc. Une documentation complète et des projets d'exemple accélèrent le déploiement sur Linux, macOS et Windows.

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.

Build with ADK facilite la création d'agents IA en fournissant un outil de scaffolding CLI, des définitions de flux de travail, des modules d'intégration LLM, des utilitaires de test, de journalisation et de support déploiement. Les développeurs peuvent initialiser des projets d'agents, choisir des modèles IA, configurer des invites, connecter des outils ou APIs externes, tester localement et déployer leurs agents en production ou sur des plateformes de conteneurs — le tout avec des commandes simples. L'architecture modulaire permet une extension facile avec des plugins et supporte plusieurs langages de programmation pour une flexibilité maximale.

Chipper est une bibliothèque de composants React open-source conçue pour simplifier la création d'interfaces conversationnelles alimentées par de grands modèles de langage. Elle offre un streaming en temps réel des réponses IA, une gestion intégrée du contexte et de l'historique, la prise en charge de plusieurs agents dans un seul chat, des pièces jointes, et la personnalisation des thèmes. Les développeurs peuvent intégrer n'importe quel backend LLM via des props simples, étendre avec des plugins, et personnaliser avec CSS-in-JS pour une intégration fluide et des mises en page réactives.

Fetch.ai est une plateforme open-source et un kit de développement logiciel (SDK) conçu pour construire des agents autonomes représentant des jumeaux numériques sur un réseau décentralisé. Il fournit un SDK pour Python et Rust, un Open Economic Framework (OEF) pour la découverte entre pairs, et une intégration transparente avec son registre pour des transactions sécurisées. Les développeurs peuvent définir des compétences d'agents personnalisées, comme la formation de marché, la fourniture de données ou l’enchère sur des tâches, puis les déployer sur des réseaux de test ou principaux. Les agents Fetch.ai communiquent, négocient et exécutent de manière autonome des contrats intelligents, permettant une coordination multi-agent puissante pour les chaînes d'approvisionnement, les écosystèmes IoT, les services de mobilité, les réseaux énergétiques et plus encore.

JaCaMo fournit un environnement unifié pour concevoir et exécuter des systèmes multi-agents (MAS) en intégrant trois composants principaux : le langage de programmation Jason pour les agents BDI, CArtAgO pour la modélisation environnementale basée sur des artefacts, et Moise pour la spécification des structures organisationnelles et roles. Les développeurs peuvent écrire des plans d'agents, définir des artefacts avec des opérations, et organiser des groupes d'agents sous des cadres normatifs. La plateforme inclut des outils pour la simulation, le débogage et la visualisation des interactions MAS. Avec le support pour l'exécution distribuée, des référentiels d'artefacts, et une messagerie flexible, JaCaMo permet un prototypage rapide et la recherche dans des domaines tels que l'intelligence en essaim, la robotique collaborative et la prise de décision distribuée. Son design modulaire assure l'évolutivité et l'extensibilité à travers des projets académiques et industriels.

FMAS (Flexible Multi-Agent System) est une bibliothèque Python open-source pour construire, exécuter et visualiser des simulations multi-agents. Vous pouvez définir des agents avec une logique de décision personnalisée, configurer un modèle d'environnement, mettre en place des canaux de messagerie pour la communication et exécuter des simulations évolutives. FMAS fournit des hooks pour surveiller l'état des agents, déboguer les interactions et exporter les résultats. Son architecture modulaire supporte des plugins pour la visualisation, la collecte de métriques et l'intégration avec des sources de données externes, le rendant idéal pour la recherche, l'éducation et les prototypes réels de systèmes autonomes.

GenAI Agents SDK est une bibliothèque Python open-source conçue pour aider les développeurs à créer des agents d'IA auto-dirigés utilisant de grands modèles de langage. Elle offre un modèle de base pour l'agent avec des modules plug-in pour le stockage de mémoire, les interfaces d'outils, les stratégies de planification et les boucles d'exécution. Vous pouvez configurer les agents pour appeler des API externes, lire/écrire des fichiers, effectuer des recherches ou interagir avec des bases de données. Sa conception modulaire garantit une personnalisation facile, une prototypage rapide et une intégration transparente de nouvelles capacités, permettant la création d'applications d'IA dynamiques et autonomes capables de raisonner, planifier et agir dans des scénarios réels.