Le SDK Goat est conçu pour simplifier la création et l'orchestration d'agents IA en Go. Il fournit des intégrations LLM modulables (OpenAI, Anthropic, Azure, modèles locaux), un registre d'outils pour les actions personnalisées et des mémoires pour des conversations avec état. Les développeurs peuvent définir des chaînes, des stratégies de représentation et des éditeurs pour produire des interactions via CLI, WebSocket, points d'extrémité REST ou une interface Web intégrée. Goat supporte les réponses en streaming, la journalisation personnalisable et la gestion facile des erreurs. En combinant ces composants, vous pouvez développer des chatbots, des flux de travail d'automatisation et des systèmes de soutien à la décision en Go avec un minimal de boilerplate, tout en conservant la flexibilité de changer ou d'étendre les fournisseurs et outils selon les besoins.

GRASP propose un pipeline structuré pour construire des agents IA dans des environnements TypeScript ou JavaScript. Au cœur, les développeurs définissent des agents en enregistrant un ensemble d'outils—fonctions ou connecteurs API externes—et en spécifiant des modèles de prompts qui guident le comportement de l'agent. Des modules de mémoire intégrés permettent aux agents de stocker et de récupérer des informations contextuelles, permettant des conversations multi-tours avec un état persistant. La composante de planification orchestre la sélection et l'exécution des outils en fonction de l'entrée utilisateur, tandis que la couche d'exécution gère les appels API et le traitement des résultats. Le système de plugins de GRASP supporte des extensions personnalisées, permettant des fonctionnalités telles que la génération augmentée par récupération (RAG), la planification de tâches et la journalisation. Sa conception modulaire permet aux équipes de choisir uniquement les composants dont elles ont besoin, facilitant l'intégration avec des systèmes et services existants pour les chatbots, assistants virtuels et workflows automatisés.

Haystack est conçu pour aider les développeurs à créer facilement des solutions de recherche personnalisées qui tirent parti des dernières avancées en matière d'apprentissage automatique. Avec ses composants tels que les magasins de documents, les récupérateurs et les lecteurs, Haystack peut se connecter à diverses sources de données et traiter efficacement les requêtes. Son architecture modulaire prend en charge des stratégies de recherche mixtes, y compris la recherche sémantique et la recherche traditionnelle basée sur des mots-clés, en faisant un outil polyvalent pour les entreprises cherchant à améliorer leurs capacités de recherche.

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'IntelligentMASPlatform est conçue pour accélérer le développement et le déploiement de systèmes multi-agents en proposant une architecture modulaire avec des couches séparées pour les agents, l'environnement et les services. Les agents communiquent en utilisant la messagerie ACL conforme à FIPA, permettant une négociation et une coordination dynamiques. La plateforme inclut un simulateur d'environnement polyvalent qui permet aux développeurs de modéliser des scénarios complexes, de planifier des tâches d'agents et de visualiser les interactions en temps réel via un tableau de bord intégré. Pour des comportements avancés, elle intègre des modules d'apprentissage par renforcement et supporte des plugins de comportements personnalisés. Les outils de déploiement permettent d'emballer les agents en applications autonomes ou en réseaux distribués. De plus, l'API de la plateforme facilite l'intégration avec des bases de données, des appareils IoT ou des services IA tiers, la rendant adaptée à la recherche, à l'automatisation industrielle et aux cas d'utilisation en villes intelligentes.

KitchenAI est un plan de contrôle open-source conçu pour simplifier l'orchestration des frameworks d'IA. Il permet aux utilisateurs de gérer diverses implémentations d'IA via un unique point d'API standardisé. La plateforme KitchenAI prend en charge une architecture modulaire, une surveillance en temps réel et une messagerie haute performance, fournissant une interface unifiée pour l'intégration, le déploiement et la surveillance des flux de travail d'IA. Elle est indépendante des frameworks et peut être déployée sur diverses plateformes telles qu'AWS, GCP et des environnements sur site.

LAWLIA fournit une interface structurée pour définir les comportements des agents, les outils plug-in et la gestion de la mémoire pour les flux de travail conversationnels ou autonomes. Les développeurs peuvent intégrer avec les principales API LLM, configurer des modèles de prompt et enregistrer des outils personnalisés tels que la recherche, les calculatrices ou les connecteurs de bases de données. Grâce à sa classe Agent, LAWLIA gère la planification, l'exécution des actions et l'interprétation des réponses, autorisant des interactions multi-tours et une invocation dynamique d'outils. Sa conception modulaire supporte l'extension des capacités via des plugins, permettant des agents pour le support client, l'analyse de données, l'assistance au codage ou la génération de contenu. Le framework simplifie le développement des agents en gérant le contexte, la mémoire et la gestion des erreurs sous une API unifiée.

LazyLLM propose des API externes ou des utilitaires personnalisés. Les agents exécutent des tâches définies via des flux de travail séquentiels ou à embranchements, prenant en charge une opération synchrone ou asynchrone. LazyLLM offre également des outils intégrés de journalisation, de test et des points d'extension pour personnaliser les prompts ou les stratégies de récupération. En gérant l'orchestration sous-jacente des appels LLM, la gestion de la mémoire et l'exécution des outils, LazyLLM permet une prototypification rapide et le déploiement d'assistants intelligents, de chatbots, et de scripts d'automatisation avec peu de code standard.

LLaVA-Plus s'appuie sur des bases vision-langage de pointe pour fournir un agent capable d'interpréter et de raisonner sur plusieurs images simultanément. Il intègre l'apprentissage par assemblage et la planification vision-langage pour réaliser des tâches complexes telles que la réponse à des questions visuelles, la résolution de problèmes étape par étape et les workflows d'inférence multi-étapes. Le cadre offre une architecture de plugin modulaire pour se connecter à divers backends LLM, permettant des stratégies d'invite personnalisées et des explications dynamiques en chaîne de pensée. Les utilisateurs peuvent déployer LLaVA-Plus localement ou via la démo web hébergée, en téléchargeant une ou plusieurs images, en posant des requêtes en langage naturel et en recevant des réponses explicatives riches avec des étapes de planification. Sa conception extensible supporte le prototypage rapide d'applications multimodales, en faisant une plateforme idéale pour la recherche, l'éducation et les solutions vision-langage pour la production.

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.

MindSearch offre une architecture modulaire pour la génération augmentée par récupération, conçue pour améliorer les grands modèles linguistiques avec un accès aux connaissances en temps réel. En se connectant à diverses sources de données, notamment les systèmes de fichiers locaux, les stocks de documents et les bases de données vectorielles dans le cloud, MindSearch indexe et intègre les documents à l'aide de modèles d'intégration configurables. Pendant l'exécution, il récupère le contexte le plus pertinent, re-ridge les résultats en utilisant des fonctions de scoring personnalisables et compose une invite complète pour que les LLM générent des réponses précises. Il supporte le cache, les types de données multimodaux et les pipelines combinant plusieurs récupérateurs. L'API flexible permet aux développeurs de ajuster les paramètres d'intégration, les stratégies de récupération, les méthodes de découpage et les modèles de prompt. Que ce soit pour créer des assistants AI conversationnels, des systèmes de questions-réponses ou des chatbots spécifiques à un domaine, MindSearch simplifie l'intégration des connaissances externes dans les applications pilotées par LLM.

Minerva est un framework d'agents IA extensible conçu pour automatiser des flux de travail complexes en utilisant de grands modèles de langage. Les développeurs peuvent intégrer des outils externes — tels que la recherche web, les API ou les processeurs de fichiers — définir des stratégies de planification personnalisées et gérer la mémoire conversationnelle ou persistante. Minerva supporte l'exécution synchrone et asynchrone de tâches, la journalisation configurable et une architecture de plugins, facilitant le prototypage, le test et le déploiement d'agents intelligents capables de raisonner, planifier et utiliser des outils dans des scénarios réels.

NKC Multi-Agent Models fournit aux chercheurs et développeurs une boîte à outils complète pour concevoir, entraîner et évaluer des systèmes d'apprentissage par renforcement multi-agents. Elle dispose d'une architecture modulaire où les utilisateurs définissent des politiques agents personnalisées, des dynamiques d’environnement et des structures de récompense. L’intégration transparente avec OpenAI Gym permet un prototypage rapide, tandis que le support de TensorFlow et PyTorch offre une flexibilité dans le choix des moteurs d’apprentissage. Le framework inclut des utilitaires pour la rejouabilité d’expérience, la formation centralisée avec exécution décentralisée, et la formation distribuée sur plusieurs GPUs. Des modules de journalisation et de visualisation étendus capturent les métriques de performance, facilitant le benchmarking et l’ajustement des hyperparamètres. En simplifiant la mise en place de scénarios coopératifs, compétitifs et mixtes, NKC Multi-Agent Models accélère l’expérimentation dans des domaines comme les véhicules autonomes, les essaims robotiques et l’IA de jeu.

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.

Pillar est un framework d'agents IA complet conçu pour simplifier le développement et le déploiement de workflows intelligents à plusieurs étapes. Il dispose d'une architecture modulaire avec des planificateurs pour la décomposition des tâches, des stockages de mémoire pour la rétention de contexte et des exécutants qui réalisent des actions via des API externes ou du code personnalisé. Les développeurs peuvent définir des pipelines d'agents en YAML ou JSON, intégrer n'importe quel fournisseur LLM et étendre la fonctionnalité via des plugins personnalisés. Pillar gère l'exécution asynchrone et la gestion du contexte en standard, réduisant le code boilerplate et accélérant la mise sur le marché d'applications basées sur l'IA telles que les chatbots, les assistants d'analyse de données et l'automatisation des processus métier.

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.

L'agent de conversation intelligent basé sur RAG combine une couche de récupération supportée par un magasin vectoriel avec le Gemini LLM de Google via LangChain, afin d'extraire la connaissance dans un contexte de conversation riche. Les utilisateurs insèrent et indexent des documents—PDF, pages web ou bases de données—dans une base de données vectorielle. Lorsqu'une requête est posée, l'agent récupère les passages les plus pertinents, les alimente dans un modèle de prompt, et génère des réponses concises et précises. Les composants modulaires permettent de personnaliser les sources de données, les magasins vectoriels, l'ingénierie des prompts et les backends LLM. Ce cadre open-source facilite le développement de bots Q&A spécifiques au domaine, d'explorateurs de connaissances et d'assistants de recherche, offrant des insights scalables et en temps réel à partir de grandes collections de documents.

Rags fournit un pipeline modulaire pour construire des applications génératives augmentées par récupération. Il s'intègre avec des magasins vectoriels populaires (par ex., FAISS, Pinecone), propose des modèles de prompt configurables et inclut des modules de mémoire pour maintenir le contexte conversationnel. Les développeurs peuvent passer d’un fournisseur LLM à un autre comme Llama-2, GPT-4 et Claude2 via une API unifiée. Rags supporte la réponse en flux, la prétraitement personnalisé et des hooks d’évaluation. Son design extensible permet une intégration transparente dans les services de production, permettant l’ingestion automatique de documents, la recherche sématique et la génération de tâches pour chatbots, assistants de connaissances et le résumé de documents à grande échelle.

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.

sma-begin configure une base de code rationalisée pour créer des agents pilotés par IA en abstraisant des composants courants tels que le traitement d'entrée, la logique de décision et la génération de sortie. Au cœur, il implémente une boucle d'agent qui interroge un LLM, interprète la réponse et exécute éventuellement des outils intégrés, comme des clients HTTP, des gestionnaires de fichiers ou des scripts personnalisés. Les modules de mémoire permettent à l'agent de rappeler des interactions ou contextes précédents, tandis que le chaînage d'invite supporte des workflows multi-étapes. La gestion des erreurs capture les échecs d'API ou les sorties d'outil invalides. Les développeurs doivent simplement définir les invites, outils et comportements souhaités. Avec peu de boilerplate, sma-begin accélère le prototypage de chatbots, de scripts d'automatisation ou d'assistants spécifiques à un domaine sur toute plateforme supportant Python.