negotiation_agent fournit une boîte à outils modulaire pour construire des bots de négociation autonomes alimentés par des modèles de type GPT. Les développeurs peuvent spécifier des scénarios de négociation en définissant des éléments, des préférences et des fonctions d’utilité pour modéliser les objectifs de l’agent. Le cadre inclut des modèles d’agent prédéfinis et permet l’intégration de stratégies personnalisées, comprenant la génération d’offres, l’évaluation des contre-offres, les décisions d’acceptation et la clôture des accords. Il gère les flux de dialogue en utilisant des protocoles standardisés, supporte des simulations en lot pour des expériences de style tournoi, et calcule des métriques de performance telles que le taux d’accord, les gains d’utilité et les scores d’équité. L’architecture ouverte facilite l’échange des backends LLM sous-jacents et l'extension de la logique des agents à travers des plugins. Avec negotiation_agent, les équipes peuvent rapidement prototyper et évaluer des solutions de négociation automatisée dans le commerce électronique, la recherche et l’éducation.

OSUniverse regroupe en une seule plateforme navigable des frameworks, bibliothèques et outils open-source d'agents d'IA. Les utilisateurs peuvent filtrer les projets par langage, licence, tags et catégories, voir des fiches détaillées avec descriptions et liens GitHub, et contribuer en proposant de nouvelles entrées via des pull requests. Le contenu est mis à jour régulièrement par la communauté, faisant de cette plateforme une ressource essentielle pour découvrir, évaluer et choisir les meilleures technologies d'agents IA pour la recherche, le prototypage et la production.

pyafai est une bibliothèque Python open source conçue pour aider les développeurs à architecturer, configurer et exécuter des agents IA autonomes. Elle offre des modules plug-in pour la gestion de la mémoire pour conserver le contexte, l'intégration d'outils pour les appels API externes, des observateurs pour la surveillance de l'environnement, des planificateurs pour la prise de décision, et un orchestrateur pour gérer les boucles d'agents. Les fonctionnalités de journalisation et de surveillance offrent une visibilité sur les performances et le comportement des agents. pyafai prend en charge les principaux fournisseurs LLM, permet la création de modules personnalisés, et réduit le code boilerplate pour permettre aux équipes de prototyper rapidement des assistants virtuels, des robots de recherche et des workflows d'automatisation avec un contrôle complet sur chaque composant.

Agent-Go fournit un cadre modulaire pour construire des agents IA autonomes en Go. Il intègre des fournisseurs LLM (tels qu'OpenAI), des magasins de mémoire vectorielle pour la conservation du contexte à long terme, et un moteur de planification flexible qui décompose les demandes utilisateur en étapes exécutables. Les développeurs définissent et enregistrent des outils personnalisés (API, bases de données ou commandes shell) que les agents peuvent invoquer. Un gestionnaire de conversation suit l'historique du dialogue, tandis qu'un planificateur configurable orchestre les appels d'outils et les interactions LLM. Cela permet aux équipes de prototyper rapidement des assistants alimentés par l'IA, des flux de travail automatisés et des robots à visée task-oriented dans un environnement Go prêt pour la production.

Le modèle d'agent FastAPI LangGraph offre une base complète pour développer des agents pilotés par LLM au sein d'une application FastAPI. Il inclut des nœuds LangGraph prédéfinis pour des tâches courantes comme la complétion de texte, l'intégration et la recherche de similarité vectorielle tout en permettant aux développeurs de créer des nœuds et des pipelines personnalisés. Le modèle gère l'historique de conversation via des modules mémoire qui conservent le contexte entre les sessions et supporte la configuration basée sur l'environnement pour différentes phases de déploiement. Des fichiers Docker intégrés et une structure adaptée au CI/CD garantissent une conteneurisation et un déploiement sans heurts. La journalisation et la gestion des erreurs améliorent la visibilité, tandis que la base de code modulaire facilite l'extension des fonctionnalités. En combinant le cadre web haute performance FastAPI avec les capacités d'orchestration de LangGraph, ce modèle rationalise le cycle de vie du développement d'agents, du prototypage à la production.

Geers AI Lang Graph fournit une couche d'abstraction basée sur un graphe pour construire des agents IA qui coordonnent plusieurs appels LLM et gèrent des connaissances structurées. En définissant des nœuds et des arêtes représentant des prompts, des données et de la mémoire, les développeurs peuvent créer des flux de travail dynamiques, suivre le contexte à travers les interactions et visualiser les flux d'exécution. Le framework supporte des intégrations de plugins pour divers fournisseurs LLM, la templatisation de prompt personnalisée et des graphes exportables. Il simplifie la conception itérative d'agents, améliore la rétention du contexte et accélère le prototypage d'assistants conversationnels, bots d'aide à la décision et pipelines de recherche.

PulpGen fournit une plateforme unifiée et configurable pour construire des applications avancées basées sur LLM. Elle offre des intégrations transparentes avec des magasins de vecteurs populaires, des services d'intégration, et des fournisseurs LLM. Les développeurs peuvent définir des pipelines personnalisés pour la génération augmentée par récupération, activer des sorties en streaming en temps réel, traiter par lot de grandes collections de documents, et surveiller la performance du système. Son architecture extensible permet des modules plug-and-play pour la gestion du cache, la journalisation et l'auto-scaling, ce qui le rend idéal pour la recherche alimentée par IA, la question-réponse, la synthèse, et la gestion des connaissances.