ROCKET-1 est une plateforme open-source d'orchestration d'agents IA conçue pour construire des systèmes multi-agents avancés. Elle permet aux utilisateurs de définir des pipelines d'agents à l'aide d'une API modulaire, permettant une chaînage seamless des modèles linguistiques, des plugins et des magasins de données. Les fonctionnalités clés incluent la mémoire sémantique pour maintenir le contexte à travers les sessions, l'intégration dynamique d'outils pour les API externes et les bases de données, ainsi que des tableaux de bord de surveillance intégrés pour suivre les métriques de performance. Les développeurs peuvent personnaliser les workflows avec peu de code, évoluer horizontalement via des déploiements conteneurisés, et étendre la fonctionnalité via une architecture de plugins. ROCKET-1 supporte le débogage en temps réel, les redémarrages automatiques et les contrôles de sécurité, ce qui le rend idéal pour les bots d'assistance client, les assistants de recherche et les tâches d'automatisation d'entreprise.

VacuumWorld est une plateforme de simulation open-source conçue pour faciliter le développement et l'évaluation d'algorithmes d'apprentissage par renforcement multi-agents. Elle fournit des environnements basés sur une grille où des agents aspirateurs virtuels opèrent pour détecter et éliminer la saleté dans différents agencements personnalisables. Les utilisateurs peuvent ajuster des paramètres tels que la taille de la grille, la distribution de la saleté, le bruit de mouvement stochastique et les structures de récompense pour modéliser divers scénarios. Le cadre inclut un support intégré pour les protocoles de communication entre agents, des tableaux de visualisation en temps réel et des utilitaires de journalisation pour le suivi des performances. Avec des API Python simples, les chercheurs peuvent rapidement intégrer leurs algorithmes RL, comparer des stratégies coopératives ou compétitives, et réaliser des expériences reproductibles, rendant VacuumWorld idéal pour la recherche académique et l'enseignement.

SARL offre des outils de prise de décision et supporte la dynamique avec l'IDE Eclipse, proposant support éditeur, génération de code, débogage et outils de test. Le moteur d'exécution peut cibler différentes plateformes, y compris des cadres de simulation (par ex., MadKit, Janus) et des systèmes réels en robotique et IoT. Les développeurs peuvent structurer des applications MAS complexes en assemblant des compétences et protocoles modulaires, simplifiant le développement de systèmes d'IA distribués et adaptatifs.

MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

Le dépôt Berkeley Pacman Projects offre une base de code Python modulaire où les utilisateurs construisent et testent des agents IA dans un labyrinthe Pacman. Il guide les apprenants à travers la recherche non informée et informée (DFS, BFS, A*), la recherche multi-agents adversariale (minimax, élagage alpha-bêta), et l'apprentissage par renforcement (Q-learning avec extraction de caractéristiques). Des interfaces graphiques intégrées visualisent le comportement des agents en temps réel, tandis que des cas de test intégrés et un autograder vérifient la correction. En itérant sur les implémentations d'algorithmes, les utilisateurs acquièrent une expérience pratique en exploration de l'espace d'états, conception d'heuristiques, raisonnement adversarial, et apprentissage basé sur les récompenses au sein d'un cadre de jeu unifié.

ComfyUI LLM Party étend l’environnement basé sur des nœuds de ComfyUI en proposant une gamme de nœuds alimentés par LLM conçus pour orchestrer les interactions textuelles parallèlement aux flux de travail visuels de l’IA. Il offre des nœuds de chat pour dialoguer avec de grands modèles de langage, des nœuds de mémoire pour la rétention du contexte, et des nœuds de routage pour gérer les dialogues multi-agent. Les utilisateurs peuvent chaîner des opérations de génération de langage, de résumé et de prise de décision dans leurs pipelines, fusionnant l’IA textuelle et la génération d’images. L’extension supporte aussi des modèles de invites personnalisées, la gestion de variables, et le ramification conditionnelle, permettant aux créateurs d’automatiser la génération de récits, la légende d’images et la description dynamique des scènes. Sa conception modulaire permet une intégration transparente avec les nœuds existants, donnant aux artistes et développeurs la possibilité de créer des workflows de agents IA sophistiqués sans compétences en programmation.

Octagon Agents est une plateforme d'entreprise permettant aux développeurs et aux organisations de créer, orchestrer et faire évoluer des agents IA autonomes. Elle dispose d'un éditeur de flux de travail visuel et de SDK pour Python et JavaScript, permettant aux utilisateurs de configurer le comportement des agents, d'intégrer des API externes et de gérer la mémoire avec état. Les agents peuvent être chaînés dans des pipelines complexes, facilitant la prise de décision pour plusieurs tâches telles que l'extraction de données, l'analyse et les réponses automatisées. Avec des tableaux de bord de surveillance en temps réel, la journalisation et des mécanismes de nouvelle tentative, Octagon Agents garantit fiabilité et traçabilité en environnement de production. De plus, l'authentification intégrée et le cryptage offrent une sécurité robuste, adapté aux applications commerciales sensibles. Les équipes peuvent déployer des agents sur le cloud ou sur une infrastructure locale, en assurant une haute disponibilité et performance.

VMAS est une boîte à outils complète pour construire et entraîner des systèmes multi-agents utilisant l'apprentissage par renforcement profond. Il supporte la simulation parallèle sur GPU de centaines d'instances d'environnement, permettant une collecte de données à haut débit et un entraînement évolutif. VMAS inclut des implémentations des algorithmes MARL populaires tels que PPO, MADDPG, QMIX et COMA, avec des interfaces modulaires pour la politique et l'environnement pour une prototypage rapide. Le cadre facilite la formation centralisée avec exécution décentralisée (CTDE), propose une personnalisation du façonnage des récompenses, des espaces d'observation et des hooks de rappel pour la journalisation et la visualisation. Avec sa conception modulaire, VMAS s'intègre parfaitement avec les modèles PyTorch et les environnements externes, ce qui en fait un choix idéal pour la recherche dans les tâches coopératives, compétitives et à motivations mixtes en robotique, gestion du trafic, allocation des ressources et scénarios d'IA de jeux.

A2A (Architecture Agent-à-Agent) est un cadre open-source de Google permettant le développement et le fonctionnement d'agents IA distribués travaillant ensemble. Il offre des composants modulaires pour définir les rôles des agents, les canaux de communication et la mémoire partagée. Les développeurs peuvent intégrer divers fournisseurs LLM, personnaliser le comportement des agents et orchestrer des flux de travail à plusieurs étapes. A2A inclut une surveillance intégrée, une gestion des erreurs et des capacités de lecture pour tracer les interactions entre agents. En fournissant un protocole standardisé pour la découverte des agents, le passage de messages et l'attribution des tâches, A2A simplifie les modèles de coordination complexes et améliore la fiabilité lors de la mise à l'échelle d'applications basées sur des agents dans divers environnements.

L’Agent Communication Protocol (ACP) est un cadre formel conçu pour permettre une interaction fluide entre agents IA autonomes. L’ACP spécifie un ensemble de types de messages, d’en-têtes et de conventions de charge utile, ainsi que des mécanismes de découverte et d’enregistrement des agents. Il prend en charge le suivi des conversations, la négociation de versions et la conformité des erreurs standardisées. En fournissant des schémas JSON indépendants du langage et des liaisons transport indépendantes, l’ACP réduit la complexité d’intégration et permet aux développeurs de composer des systèmes multi-agents évolutifs et interopérables pour les chatbots, les essaims robotiques, l’orchestration IoT et les flux de travail collaboratifs en IA.

La traduction automatique machine agentique est un cadre open-source conçu pour la recherche et le développement en traduction automatique. Il orchestre trois agents principaux — un générateur, un évaluateur et un affinateur — pour produire, évaluer et affiner collaborativement les traductions. Basé sur PyTorch et des modèles de transformeurs, le système supporte la pré-formation supervisée, l'optimisation par apprentissage par renforcement, et des politiques d'agents configurables. Les utilisateurs peuvent effectuer des benchmarks sur des jeux de données standard, suivre les scores BLEU, et étendre le pipeline avec des agents ou fonctions de récompense personnalisés pour explorer la collaboration entre agents dans les tâches de traduction.

AI-Agents offre une architecture modulaire pour définir et exécuter des agents IA basés sur Python. Les développeurs peuvent configurer le comportement des agents, intégrer des API ou outils externes, et gérer la mémoire des agents sur plusieurs sessions. Il exploite des LLMs populaires, supporte la collaboration multi-agents, et permet des extensions via plugins pour des workflows complexes comme l'analyse de données, le support automatisé et les assistants personnalisés.

Agent4Edu est un cadre d'agents IA basé sur Python conçu pour supporter l'enseignement et l'apprentissage via des interactions automatisées et intelligentes. Il orchestre plusieurs agents—tels que la génération de questions, les agents de feedback et d'analyse—, alimentés par de grands modèles linguistiques et des graphes de connaissances domain-specific. Les enseignants peuvent définir des programmes et des sources de connaissances, puis déployer Agent4Edu pour générer des exercices, corriger des soumissions, suivre le progrès de l'apprentissage et recommander des matériaux d'étude. Son architecture plugin permet une intégration avec des plateformes LMS populaires via REST API ou des connecteurs directs à la base de données. Des outils intégrés pour personnaliser les prompts, affiner les modèles et visualiser la performance des étudiants font d'Agent4Edu une solution complète pour une éducation personnalisée et basée sur les données.

Agents with ADK est un cadre Python open-source conçu pour simplifier la création d'agents intelligents alimentés par de grands modèles de langage. Il comprend des modèles d'agents modulaires, une gestion mémoire intégrée, des interfaces d'exécution d'outils et des capacités de coordination multi-agent. Les développeurs peuvent rapidement intégrer des fonctions personnalisées ou des API externes, configurer des chaînes de planification et de raisonnement, et surveiller les interactions des agents. Le cadre prend en charge l'intégration avec des fournisseurs LLM populaires et offre des fonctionnalités de journalisation, de logique de nouvelle tentative et d'extensibilité pour le déploiement en production.

Agent Studio est un environnement de développement complet d'agents IA conçu pour réduire la complexité de la création de flux de travail intelligents. Via une toile de dépose intuitive, les utilisateurs définissent le comportement de l'agent en reliant des composants tels que modèles de prompt, connecteurs de mémoire (stockage vectoriel), intégrations API (par exemple, webhooks, bases de données) et flux de contrôle. La plateforme prend en charge des kits d'outils plug-and-play pour des tâches comme l'analyse de documents, la recherche web, la planification et l'automatisation des e-mails. Les fonctionnalités avancées incluent le contrôle de version des configurations d'agents, des espaces de collaboration multi-agents et des tableaux de bord intégrés de logs et de métriques pour surveiller la performance et le débogage. En abstraisant le code de boilerplate, Agent Studio accélère le cycle de la conception à la production, permettant aux équipes de itérer rapidement et de manière fiable pour des cas d'utilisation tels que des bots de service client, des assistants de données et des outils d'automatisation des processus.

AgentForge fournit un environnement structuré pour définir, combiner et orchestrer des compétences IA individuelles en agents autonomes cohésifs. Il supporte la mémoire de conversation pour la rétention de contexte, l'intégration de plugins pour services externes, la communication multi-agent, la planification des tâches et la gestion des erreurs. Les développeurs peuvent configurer des gestionnaires de compétences personnalisés, utiliser des modules intégrés pour la compréhension du langage naturel et s'intégrer avec des LLM populaires comme la série GPT d'OpenAI. La conception modulaire d'AgentForge accélère les cycles de développement, facilite les tests et simplifie le déploiement de chatbots, d'assistants virtuels, d'agents d'analyse de données et de robots d'automatisation spécifiques à un domaine.

Agents-Prompts est un dépôt GitHub complet offrant aux développeurs une collection structurée de modèles de prompts personnalisables pour construire des agents IA intelligents. Ces modèles couvrent des fonctions clés telles que la gestion de la mémoire, la mise à jour dynamique des instructions, l'orchestration multi-agent, la logique de prise de décision et l'intégration API. Les utilisateurs peuvent associer ces modèles pour définir les rôles des agents, les tâches et les flux de conversation, permettant une expérimentation et un prototypage rapides. Le dépôt inclut également des exemples de code pour l'interface avec les principaux services LLM, des exemples d'enchaînement des actions des agents et des lignes directrices pour les meilleures pratiques lors de la conception de flux de travail autonomes. En utilisant ces modèles de prompts réutilisables, les équipes peuvent accélérer le développement, maintenir la cohérence entre les agents et se concentrer sur la logique d'application de haut niveau plutôt que sur la conception de prompts de bas niveau.

AgentVerse est conçu pour faciliter la création d'architectures multi-agent en proposant un ensemble de modules réutilisables et d'abstractions. Les utilisateurs peuvent définir des classes d'agents uniques avec une logique de décision personnalisée, établir des canaux de communication pour le passage de messages, et simuler des conditions environnementales. La plateforme supporte des interactions synchrones et asynchrones entre agents, permettant des workflows complexes comme la négociation, la délégation de tâches et la résolution coopérative de problèmes. Avec la journalisation et la surveillance intégrées, les développeurs peuvent tracer les actions des agents et évaluer les métriques de performance. AgentVerse inclut également des modèles pour des cas d'utilisation courants comme l'exploration autonome, les simulations de trading et la génération de contenu collaborative. Son design modulable permet une intégration transparente des modèles ML externes, tels que les modèles linguistiques ou les algorithmes d'apprentissage par renforcement, offrant une flexibilité pour diverses applications pilotées par l'IA.

CrewAI est un framework Python modulaire conçu pour construire des agents IA entièrement autonomes. Il fournit des composants clés tels qu'un orchestrateur d'agents pour la planification et la prise de décision, une couche d'intégration d'outils pour connecter des API externes ou des actions personnalisées, et un module de mémoire pour stocker et rappeler le contexte entre les interactions. Les développeurs définissent des tâches, enregistrent des outils, configurent des backend de mémoire, puis lancent des agents capables de planifier des flux de travail multi-étapes, d'exécuter des actions et de s'adapter en fonction des résultats. CrewAI est idéal pour créer des assistants intelligents, des flux de travail automatisés et des prototypes de recherche.

AIGC Agents est un cadre modulaire open-source conçu pour simplifier la création et le déploiement d'assistants de voyage intelligents. Il offre des composants préconçus pour la compréhension du langage naturel, la planification d'itinéraires, l'intégration de la recherche de vols et d'hôtels, et l'orchestration multi-agent. Les développeurs peuvent personnaliser les invites, définir les interfaces d'outils et étendre la fonctionnalité avec de nouvelles API. Le cadre prend en charge les pipelines basés sur Python, des points de terminaison RESTful et le déploiement conteneurisé, le rendant adapté à la fois au prototypage et à la production. Avec une gestion des erreurs intégrée, la journalisation et une gestion sécurisée des clés, AIGC Agents accélère le développement d'applications de chat IA robustes et centrées sur le voyage.