MONAI, ou Réseau Ouvert Médical pour l'IA, est un cadre open-source conçu pour l'apprentissage profond en imagerie de santé. Il fournit des outils et des bibliothèques robustes pour les professionnels de la santé, leur permettant de développer, former et déployer rapidement et efficacement des solutions basées sur l'IA. Son architecture modulaire garantit que les utilisateurs peuvent personnaliser leurs flux de travail tout en s'appuyant sur des composants existants, ce qui entraîne des recherches et une collaboration clinique plus efficaces. Avec MONAI, les développeurs peuvent gérer divers ensembles de données médicales, facilitant les avancées dans les technologies d'imagerie médicale.

Ce framework open-source combine la bibliothèque de modélisation des agents AgentSimJs avec le moteur graphique 3D de Three.js pour fournir des simulations multi-agents interactives basées sur le navigateur. Les utilisateurs peuvent définir des types d'agents, des comportements et des règles environnementales, configurer la détection de collision et la gestion des événements, et visualiser les simulations en temps réel avec des options de rendu personnalisables. La bibliothèque prend en charge la gestion dynamique des contrôles, des scènes et du tuning des performances, ce qui l rend idéale pour la recherche, l'éducation et le prototypage de scénarios complexes basés sur des agents.

MultiAgentPacman offre un environnement de jeu en Python où les utilisateurs peuvent implémenter, visualiser et benchmarker plusieurs agents IA dans le domaine Pacman. Il supporte des algorithmes de recherche adverse tels que minimax, expectimax, élagage alpha-bêta, ainsi que des agents personnalisés utilisant l'apprentissage par renforcement ou des heuristiques. Le cadre inclut une GUI simple, des contrôles en ligne de commande et des outils pour enregistrer les statistiques de jeu et comparer la performance des agents dans des scénarios compétitifs ou coopératifs.

RoboCup Rescue Agent Simulation est un cadre open-source qui modélise des environnements urbains de catastrophe où plusieurs agents pilotés par IA collaborent pour localiser et sauver des victimes. Il propose des interfaces pour la navigation, la cartographie, la communication et l’intégration de capteurs. Les utilisateurs peuvent écrire des stratégies d’agents personnalisées, exécuter des expériences par lot, et visualiser les indicateurs de performance des agents. La plateforme supporte la configuration des scénarios, la journalisation et l’analyse des résultats pour accélérer la recherche dans les systèmes multi-agents et les algorithmes de réponse aux catastrophes.

L'agent Base OnChain est un cadre open-source conçu pour déployer des agents IA autonomes sur des blockchains similaires à Ethereum. Il se connecte aux nœuds blockchain via Web3 et utilise les modèles GPT d'OpenAI pour interpréter des événements on-chain tels que des transferts de jetons ou des logs spécifiques au protocole. L'agent peut traiter des prompts en langage naturel ou des stratégies prédéfinies pour décider quand exécuter des transactions, appeler des fonctions de contrats intelligents ou répondre aux propositions de gouvernance. Les développeurs peuvent étendre des modules pour des écouteurs d'événements personnalisés, intégrer des flux de données off-chain et gérer les clés privées en toute sécurité. Cette solution permet des opérations DeFi automatisées telles que la fourniture de liquidités, le trading d'arbitrage et la rééquilibration de portefeuille avec une intervention manuelle minimale.

BeeAI Framework Py Starter est un projet Python en source ouverte conçu pour faciliter la création d'agents IA. Il inclut des modules principaux pour l'orchestration des agents, un système de plugins pour étendre la fonctionnalité et des adaptateurs pour se connecter aux API LLM populaires. Les développeurs peuvent définir des tâches, gérer la mémoire conversationnelle et intégrer des outils externes via des fichiers de configuration simples. Le framework met l'accent sur la modularité et la facilité d'utilisation, permettant un prototypage rapide de chatbots, d'assistants automatisés et d'agents de traitement de données sans code boilerplate.

Cerebellum propose une plateforme modulaire où les développeurs définissent des agents à l’aide de plans déclaratifs composés d’étapes séquentielles ou d’appels d’outils. Chaque plan peut appeler des outils intégrés ou personnalisés — tels que des connecteurs API, des récupérateurs ou des processeurs de données — via une interface unifiée. Les modules de mémoire permettent aux agents de stocker, récupérer et oublier des informations entre les sessions, permettant des interactions contextuelles et à état. Il s’intègre avec des LLM populaires (OpenAI, Hugging Face), supporte l’enregistrement d’outils personnalisés et comporte un moteur d’exécution événementiel pour un contrôle en temps réel. Avec des journaux, une gestion des erreurs et des hooks de plugin, Cerebellum augmente la productivité, facilitant le développement rapide d’agents pour l’automatisation, les assistants virtuels et la recherche.

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.

Trinity-RFT (Retrieval Fine-Tuning) est un cadre open-source unifié conçu pour améliorer la précision et l'efficacité du modèle en combinant flux de travail de récupération et de fine-tuning. Les utilisateurs peuvent préparer un corpus, construire un index de récupération et insérer le contexte récupéré directement dans les boucles d'entraînement. Il supporte la récupération multimodale pour le texte, les images et la vidéo, s'intègre avec des magasins vectoriels populaires, et propose des métriques d'évaluation ainsi que des scripts de déploiement pour un prototypage rapide et un déploiement en production.

Les Agents Économiques Autonomes (AEA) de Fetch.ai sont un cadre polyvalent qui permet aux développeurs de concevoir, mettre en œuvre et orchestrer des agents logiciels autonomes capables d'interagir entre eux, avec des environnements externes et des registres numériques. Exploitant une architecture basée sur des plugins, AEA fournit des modules préconstruits pour les protocoles de communication, les API de registre cryptographique, l'identité décentralisée et les compétences de prise de décision personnalisables. Les agents peuvent découvrir et effectuer des transactions dans des marchés décentralisés, réaliser des comportements guidés par des objectifs et s'adapter via des flux de données en temps réel. Le cadre prend en charge des outils de simulation pour tester et déboguer des scénarios multi-agents, ainsi que leur déploiement sur des blockchains en direct ou des réseaux peer-to-peer. Avec une interopérabilité intégrée et une messagerie agent-à-agent, AEA simplifie le développement d'applications économiques autonomes complexes telles que le commerce d'énergie, l'optimisation de la chaîne d'approvisionnement et la coordination intelligente de l'IoT.

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.

RAGENT est conçu pour créer des agents IA autonomes pouvant interagir avec divers outils et sources de données. En coulisses, il utilise la génération augmentée par récupération pour obtenir du contexte pertinent à partir de fichiers locaux ou de sources externes, puis compose des réponses via des modèles OpenAI. Les développeurs peuvent ajouter des outils pour recherche web, automatisation du navigateur avec Selenium, opérations de lecture/écriture de fichiers, execution de code dans des sandbox sécurisés, et OCR pour l'extraction de texte d'images. Le framework gère la mémoire de conversation, orchestre les outils et supporte des modèles de prompts personnalisés. Avec RAGENT, les équipes peuvent rapidement prototyper des agents intelligents pour Q&A, automatisation de recherche, résumé de contenu et automatisation de flux de travail de bout en bout, tout dans un environnement Python.