LLPhant est un framework Python open-source qui permet aux développeurs de créer des agents polyvalents pilotés par LLM. Il offre des abstractions intégrées pour l'intégration d'outils (API, recherche, bases de données), la gestion de mémoire pour des conversations multi-tours et des boucles de décision personnalisables. Avec le support de plusieurs backends LLM (OpenAI, Hugging Face, autres), des composants en style plugin et des workflows basés sur la configuration, LLPhant accélère le développement d'agents. Utilisez-le pour prototyper des chatbots, automatiser des tâches ou construire des assistants numériques tirant parti d'outils externes et de mémoire contextuelle sans code répétitif.

MCP-CLI-Agent est un agent AI open source et extensible pour la ligne de commande. Les utilisateurs écrivent des prompts en langage naturel, et l'outil génère et exécute les commandes shell correspondantes, gère la chaînisation de tâches à plusieurs étapes, et journalise les sorties. Basé sur les modèles GPT, il supporte des plugins personnalisés, des fichiers de configuration et une exécution sensible au contexte, ce qui le rend idéal pour automatiser les tâches DevOps, la génération de code, la configuration d'environnement et la récupération de données directement depuis le terminal.

Mindcore Labs fournit un environnement sans code et convivial pour les développeurs afin de concevoir et lancer des agents IA. Il dispose d'un système de mémoire basé sur un graphe de connaissances qui conserve le contexte dans le temps, prend en charge l'ingestion de documents et de sources de données, et s'intègre avec des API et plugins externes. Les utilisateurs peuvent configurer les agents via une interface utilisateur intuitive ou CLI, les tester en temps réel, et les déployer sur des points de terminaison en production. La surveillance intégrée et les analyses aident à suivre les performances et à optimiser le comportement des agents.

Multi-Agent AI Researcher offre un cadre modulaire et extensible où les utilisateurs peuvent configurer et déployer plusieurs agents IA pour traiter conjointement des questions scientifiques complexes. Il inclut un agent de génération d'hypothèses proposant des orientations de recherche basées sur une analyse de littérature, un agent de simulation d'expériences modélisant et testant des hypothèses, un agent d'analyse de données traitant les résultats des simulations, et un agent de rédaction compilant les conclusions dans des documents de recherche structurés. Avec le support de plugins, les utilisateurs peuvent intégrer des modèles et des sources de données personnalisés. Le orchestrateur gère les interactions des agents, en consignant chaque étape pour la traçabilité. Idéal pour automatiser des tâches répétitives et accélérer les flux de travail R&D, il garantit la reproductibilité et la scalabilité dans divers domaines de recherche.

Camel AI est un cadre open-source conçu pour simplifier la création et l'orchestration d'agents intelligents. Il propose des abstractions pour chaîner de grands modèles de langage, intégrer des outils et APIs externes, gérer des graphes de connaissance et persister la mémoire. Les développeurs peuvent définir des flux de travail multi-agents, décomposer des tâches en sous-plans et surveiller l'exécution via CLI ou interface web. Basé sur Python et Docker, Camel AI permet une permutation transparente des fournisseurs LLM, des plugins d'outils personnalisés et des stratégies de planification hybrides, accélérant le développement d'assistants automatisés, pipelines de données et flux de travail autonomes à grande échelle.

Notte est un cadre Python axé sur les développeurs, conçu pour orchestrer des agents IA alimentés par de grands modèles linguistiques. Il fournit des modules de mémoire intégrés pour stocker et récupérer le contexte de conversation, une intégration flexible d'outils pour les API externes ou les fonctions personnalisées, et un moteur de planification qui séquence les tâches. Avec Notte, vous pouvez rapidement prototyper des assistants conversationnels, des bots d'analyse de données ou des flux de travail automatisés, tout en profitant de l'extensibilité open-source et du support multiplateforme.

Spigot est une solution serveur Minecraft haute performance qui améliore le gameplay en offrant une expérience plus optimisée et personnalisable. C'est un fork de CraftBukkit avec des ajustements de performance supplémentaires et des fonctionnalités, ce qui en fait un choix idéal pour les joueurs et les administrateurs de serveurs à la recherche d'un environnement de jeu plus fluide et réactif. Spigot prend également en charge une large gamme de plugins, permettant une vaste personnalisation des mécaniques de jeu et de l'esthétique. Que vous gériez des serveurs privés petits ou des serveurs publics importants, Spigot s'adapte à vos besoins en offrant une meilleure performance serveur et flexibilité.

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.

TinyAgent fournit un framework léger pour orchestrer des tâches complexes avec des modèles GPT d'OpenAI. Les développeurs installent via pip, configurent une clé API, définissent des outils ou plugins, et utilisent un contexte en mémoire pour maintenir des conversations multi-étapes. TinyAgent supporte le chaînage de tâches, l'intégration d'API externes, et la persistance de mémoires utilisateur ou système. Son API simple en Python vous permet de prototyper des flux de travail d'analyse de données autonomes, des chatbots de service client, des assistants de génération de code, ou tout cas d'utilisation nécessitant un agent intelligent avec état. La bibliothèque reste entièrement open-source, extensible et multiplateforme.

HyperChat est un cadre d'agent IA centré sur le développeur, qui simplifie l'intégration de l'IA conversationnelle dans les applications. Il unifie les connexions à divers fournisseurs de LLM, gère le contexte de la session et la persistance de la mémoire, et fournit des réponses partielles en streaming pour des interfaces réactives. La prise en charge intégrée des appels de fonctions et des plugins permet d'exécuter des API externes, d'enrichir les conversations avec des données et actions du monde réel. Son architecture modulaire et sa boîte à outils UI permettent un prototypage rapide et des déploiements en production sur web, Electron et Node.js.

AIBrokers fournit une interface unifiée pour gérer et exécuter des flux de travail impliquant plusieurs agents et modèles IA. Il permet aux développeurs de définir des courtiers qui supervisent la distribution des tâches, en sélectionnant le modèle le plus approprié—comme GPT-4 pour les tâches linguistiques ou un modèle de vision pour l’analyse d’images—en fonction de règles de routage personnalisables. Le ConversationManager supporte la conscience du contexte en stockant et récupérant les dialogues passés, tandis que le module MemoryStore offre une gestion persistante de l’état à travers les sessions. PluginManager facilite l’intégration transparente d’API externes ou de fonctions personnalisées, étendant les capacités du courtier. Avec une journalisation intégrée, des crochets de surveillance et une gestion des erreurs personnalisable, AIBrokers simplifie le développement et le déploiement d’applications complexes pilotées par IA en environnement de production.

Le SDK JavaScript Azure AI Agents est un cadre client et un référentiel de code d'exemples permettant aux développeurs de créer, personnaliser et orchestrer des agents IA à l'aide d'Azure OpenAI et d'autres services cognitifs. Il offre un support pour le chat multi-tours, la génération augmentée par récupération, l'appel de fonctions et l'intégration avec des outils et API externes. Les développeurs peuvent gérer les flux de travail des agents, gérer la mémoire et étendre les capacités via des plugins. Les modèles d'exemples incluent des bots de FAQ de base de connaissances, des exécuteurs de tâches autonomes et des assistants conversationnels, facilitant la prototypage et le déploiement de solutions intelligentes.

Hive est une plateforme robuste d'orchestration d'agents IA conçue pour les environnements Node.js. Elle fournit un système modulaire pour définir, gérer et exécuter plusieurs agents IA en workflows parallèles ou séquentiels. Chaque agent peut être configuré avec des rôles spécifiques, des modèles de prompt, des magasins de mémoire et des intégrations d'outils externes comme des API ou plugins. Hive facilite la communication entre agents, permettant le partage de données, la prise de décisions et la délégation de tâches. Son design extensible permet aux développeurs d'implémenter des utilitaires personnalisés, de surveiller les journaux d'exécution et de déployer des agents à grande échelle. Hive inclut également des fonctionnalités telles que la gestion des erreurs, les politiques de nouvelle tentative et l'optimisation des performances pour assurer une automatisation fiable. Avec une configuration minimale, les équipes peuvent prototyper des services complexes basés sur l'IA, tels que des chatbots, des pipelines d'analyse de données et des générateurs de contenu.

L'API Junjo Python est un SDK qui permet aux développeurs d'intégrer des agents IA dans des applications Python. Il fournit une interface unifiée pour définir des agents, se connecter à des LLM, orchestrer des outils tels que la recherche Web, des bases de données ou des fonctions personnalisées, et maintenir la mémoire conversationnelle. Les développeurs peuvent construire des chaînes de tâches avec une logique conditionnelle, diffuser des réponses en temps réel aux clients et gérer gracieusement les erreurs. L'API supporte les extensions par plugins, le traitement multilingue et la récupération de données en temps réel, permettant des cas d'usage allant du support client automatisé aux bots d'analyse de données. Grâce à une documentation complète, des exemples de code et une conception à la python, l'API Junjo Python réduit le temps de mise sur le marché et la surcharge opérationnelle associée au déploiement de solutions basées sur des agents intelligents.

LLM-Agent fournit une architecture structurée pour construire des agents intelligents utilisant des LLM. Il inclut une boîte à outils pour définir des outils personnalisés, des modules de mémoire pour la préservation du contexte et des exécuteurs orchestrant des chaînes d'actions complexes. Les agents peuvent appeler des API, exécuter des processus locaux, interroger des bases de données et gérer l'état de la conversation. Les modèles de prompt et les hooks de plugin permettent d'affiner le comportement de l'agent. Conçu pour l'extensibilité, LLM-Agent supporte l'ajout de nouvelles interfaces d'outils, d'évaluateurs personnalisés et de routages dynamiques des tâches, permettant la recherche automatisée, l'analyse de données, la génération de code, et plus encore.

L'Agent LLMLing est un cadre modulaire pour créer, configurer et déployer des agents d'IA alimentés par de grands modèles de langage. Les utilisateurs peuvent instancier plusieurs rôles d’agents, connecter des outils ou API externes, gérer la mémoire conversationnelle et orchestrer des flux de travail complexes. La plateforme inclut un terrain de jeu basé sur un navigateur qui visualise les interactions des agents, journalise l'historique des messages et permet des ajustements en temps réel. Avec un SDK Python, les développeurs peuvent écrire des comportements personnalisés, intégrer des bases de données vectorielles et étendre le système via des plugins. LLMLing Agent simplifie la création de chatbots, de bots d'analyse de données et d'assistants automatisés en fournissant des composants réutilisables et des abstractions claires pour la collaboration multi-agents.

RainbowGPT fournit un cadre complet pour concevoir, personnaliser et déployer des agents IA alimentés par des modèles OpenAI. Il comprend un backend FastAPI, une intégration avec LangChain pour la gestion des outils et de la mémoire, ainsi qu'une interface React pour la création et le test des agents. Les utilisateurs peuvent télécharger des documents pour la récupération de connaissances basée sur des vecteurs, définir des prompts et comportements personnalisés, et connecter des API ou fonctions externes. La plateforme enregistre les interactions pour analyse et supporte des flux de travail multi-agents, permettant une automatisation complexe et des pipelines conversationnels.

Rolodexter 3 vous permet de créer, personnaliser et orchestrer des agents IA autonomes qui travaillent ensemble pour réaliser des processus multi-étapes. Chaque agent peut se voir attribuer un rôle spécifique avec des invites adaptées, accéder à des outils ou API externes, et stocker ou récupérer la mémoire entre les sessions. La plateforme dispose d'une interface utilisateur web intuitive pour surveiller l'activité des agents, les journaux et les résultats en temps réel. Les développeurs peuvent étendre le système avec des plugins personnalisés ou intégrer de nouvelles sources de données, ce qui le rend idéal pour le prototypage rapide, l'automatisation de la recherche et la délégation de tâches complexes.

Self Collab AI offre un cadre modulaire dans lequel les développeurs définissent des agents autonomes, des canaux de communication et des objectifs de tâche. Les agents utilisent des invites prédéfinies et des modèles pour négocier les responsabilités, échanger des données et itérer sur des solutions. Basé sur Python et doté d'interfaces faciles à étendre, il supporte l'intégration avec des LLM, des plugins personnalisés et des API externes. Les équipes peuvent rapidement prototyper des workflows complexes—comme des assistants de recherche, de génération de contenu ou des pipelines d'analyse de données—en configurant les rôles des agents et les règles de collaboration sans écrire de code d'orchestration approfondi.

SuperBot est un cadre complet d'agent AI permettant aux développeurs de déployer des assistants autonomes et sensibles au contexte via Python et la ligne de commande. Il intègre les modèles de chat d'OpenAI avec un système de mémoire, des fonctionnalités d'appel de fonctions et une architecture de plugins. Les agents peuvent exécuter des commandes shell, lancer du code, interagir avec des fichiers, effectuer des recherches sur le web et maintenir l'état de la conversation. SuperBot supporte l'orchestration multi-agent pour des workflows complexes, le tout configurable via des scripts Python simples et des commandes CLI. Son design extensible permet d'ajouter des outils personnalisés, d'automatiser des tâches et d'intégrer des API externes pour créer des applications robustes basées sur l'IA.