Nova fournit un ensemble d'outils complet pour créer des agents IA autonomes en Python. Il propose un planificateur qui décompose les objectifs en étapes actionnables, un système de plugins pour intégrer des outils ou API externes, et un module de mémoire pour stocker et rappeler le contexte de la conversation. Les développeurs peuvent configurer des comportements personnalisés, suivre les décisions de l'agent via des journaux et étendre la fonctionnalité avec peu de code. Nova simplifie tout le cycle de vie de l'agent, de la conception au déploiement.

Le Framework Stella permet aux développeurs de construire des agents IA robustes capables de maintenir le contexte, d'effectuer des actions assistées par des outils et de fournir des expériences conversationnelles dynamiques. En abstraisant la complexité des intégrations LLM, Stella offre des adaptateurs indépendants du fournisseur pour OpenAI, Hugging Face et des modèles auto-hébergés. Les agents peuvent utiliser des magasins de mémoire personnalisables pour rappeler les données de l'utilisateur et l'historique des conversations, et les plugins facilitent les interactions avec des API externes, des bases de données ou des services. Le moteur d'orchestration intégré gère les cycles de décision, tandis qu'une DSL concise permet de définir des actions, des appels d'outils et la gestion des réponses. Que ce soit pour créer des bots de support client, des assistants de recherche ou des automatisateurs de flux de travail, Stella fournit une base évolutive pour déployer des agents IA de qualité production.

AI-Agents propose une architecture modulaire pour définir des agents pilotés par IA utilisant Python et des modèles OpenAI. Il intègre des outils plug-in – notamment la recherche web, des calculatrices, la recherche Wikipedia et des fonctions personnalisées – permettant aux agents d'effectuer un raisonnement complexe à plusieurs étapes. Des composants de mémoire intégrés permettent la conservation du contexte entre les sessions. Les développeurs peuvent cloner le dépôt, configurer des clés API et étendre ou échanger rapidement des outils. Avec des exemples clairs et une documentation, AI-Agents simplifie le flux de travail du concept au déploiement de solutions IA conversationnelles ou orientées tâche.

ADK-Golang est un kit de développement d'agents open-source pour l'écosystème Go. Il fournit un cadre modulaire pour enregistrer et gérer des outils (API, bases de données, services externes), créer des modèles d'invite dynamiques et maintenir la mémoire de conversation pour des interactions multisessions. Avec des modèles d'orchestration intégrés et un support de journalisation, les développeurs peuvent facilement configurer, tester et déployer des agents IA qui effectuent des tâches telles que la récupération de données, les flux de travail automatisés et la conversation contextuelle. ADK-Golang abstrait les appels d'API de bas niveau et simplifie le cycle de vie complet de l'agent — de l'initialisation et de la planification à l'exécution et à la gestion des réponses — entièrement en Go.

Agentic Kernel offre une architecture découplée pour construire des agents d'IA en composant des composants réutilisables. Les développeurs peuvent définir des pipelines de planification pour décomposer des objectifs, configurer des mémoires à court et long terme à l'aide d'intégrations d'embeddings ou de backends basés sur des fichiers, et enregistrer des outils ou API externes pour l'exécution d'actions. Le framework supporte la sélection dynamique d'outils, les cycles de réflexion des agents et une planification intégrée pour gérer les flux de travail. Son design modulaire est compatible avec n'importe quel fournisseur de LLM et composants personnalisés, permettant des cas d'utilisation tels que assistants conversationnels, agents de recherche automatisés et bots de traitement de données. Avec une journalisation transparente, une gestion d'état, et une intégration facile, Agentic Kernel accélère le développement tout en assurant la maintenabilité et la scalabilité dans les applications basées sur l'IA.

AI Agent Example est un référentiel de démonstration pratique pour les développeurs et chercheurs souhaitant construire des agents intelligents alimentés par de grands modèles de langage (LLM). Le projet inclut un code d'exemple pour la planification d'agents, le stockage de mémoire et l'invocation d'outils, illustrant comment intégrer des API externes ou des fonctions personnalisées. Il propose une interface conversationnelle simple qui interprète les intentions de l'utilisateur, formule des plans d'action et exécute des tâches en appelant des outils prédéfinis. Les développeurs peuvent suivre des modèles clairs pour étendre l'agent avec de nouvelles capacités comme la planification d'événements, le scraping web ou le traitement automatisé de données. Offrant une architecture modulaire, ce modèle accélère l'expérimentation avec des workflows pilotés par l'IA et des assistants numériques personnalisés tout en donnant un aperçu de l'orchestration des agents et de la gestion d'état.

AskAtlasAI-Agent permet aux développeurs de déployer des agents d’IA répondant à des requêtes en langage naturel contre n’importe quel ensemble de documents stockés dans MongoDB Atlas. Il orchestrait les appels LLM pour l’incorporation, la recherche et la génération de réponses, gère le contexte conversationnel et propose des chaînes d’invite configurables. Basé sur JavaScript/TypeScript, il nécessite peu de configuration : connectez votre cluster Atlas, fournissez vos identifiants OpenAI, ingérez ou faites référence à vos documents, et commencez à interroger via une API simple. Il supporte également l’extension avec des fonctions de classement personnalisées, des backend de mémoire et l’orchestration multi-modèles.

Build with ADK facilite la création d'agents IA en fournissant un outil de scaffolding CLI, des définitions de flux de travail, des modules d'intégration LLM, des utilitaires de test, de journalisation et de support déploiement. Les développeurs peuvent initialiser des projets d'agents, choisir des modèles IA, configurer des invites, connecter des outils ou APIs externes, tester localement et déployer leurs agents en production ou sur des plateformes de conteneurs — le tout avec des commandes simples. L'architecture modulaire permet une extension facile avec des plugins et supporte plusieurs langages de programmation pour une flexibilité maximale.

Minimalist Agent fournit un cadre minimaliste pour construire des agents AI en Python. Il exploite les classes d'agents de LangChain et l'API d'OpenAI pour effectuer un raisonnement à plusieurs étapes, sélectionner dynamiquement des outils et exécuter des fonctions. Vous pouvez cloner le dépôt, configurer votre clé API OpenAI, définir des outils ou points de terminaison personnalisés, et exécuter le script CLI pour interagir avec l'agent. La conception met l'accent sur la clarté et l'extensibilité, rendant facile l'étude, la modification et l'extension des comportements principaux de l'agent pour l'expérimentation ou l'enseignement.

La spécification des agents IA d'entreprise définit une spécification complète pour des agents IA de qualité entreprise, y compris des schémas de manifeste pour l'identité de l'agent, la description, les déclencheurs, la gestion de la mémoire et les outils pris en charge. Le cadre comprend des formats de définition d'outils basés sur JSON, des directives pour l'orchestration de pipelines et de workflows, ainsi que des normes de versioning pour assurer des déploiements cohérents. Il supporte l'extensibilité via l'enregistrement d'outils personnalisés, les meilleures pratiques en matière de sécurité et de gouvernance, et l'intégration avec diverses environnements d'exécution. En suivant sa norme ouverte, les équipes peuvent construire, partager et maintenir des agents IA dans plusieurs environnements, favorisant la collaboration, la scalabilité et un processus de développement uniforme au sein des grandes organisations.

HMAS est un cadre open-source en Python permettant le développement de systèmes hiérarchiques multi-agents. Il offre des abstractions pour définir des hiérarchies d'agents, des protocoles de communication inter-agents, l'intégration d'environnements, et des boucles d'entraînement intégrées. Rechercheurs et développeurs peuvent utiliser HMAS pour prototyper des interactions complexes entre agents, entraîner des politiques coordonnées et évaluer la performance dans des environnements simulés. Son design modulaire facilite l'extension et la personnalisation des agents, environnements et stratégies d'entraînement.

LangChain est un cadre Python open-source conçu pour accélérer le développement d'applications alimentées par l'IA. Il offre des abstractions pour enchaîner plusieurs appels à des modèles linguistiques (chaînes), construire des agents qui interagissent avec des outils externes, et gérer la mémoire des conversations. Les développeurs peuvent définir des invites, des parseurs de sortie et exécuter des workflows de bout en bout. Les intégrations incluent des magasins vectoriels, des bases de données, des APIs et des plateformes d'hébergement pour permettre des chatbots prêts pour la production, l’analyse de documents, des assistants de code, et des pipelines AI personnalisés.

NeXent est un framework d'agents IA flexible qui vous permet de définir des travailleurs numériques personnalisés via YAML ou SDK Python. Vous pouvez intégrer plusieurs LLM, API externes et chaînes d’outils dans des pipelines modulaires. Des modules mémoire intégrés permettent des interactions avec état, tandis qu’un tableau de bord de surveillance fournit des informations en temps réel. NeXent supporte le déploiement local et en cloud, les conteneurs Docker et évolue horizontalement pour les charges de travail d'entreprise. La conception open-source encourage l'extensibilité et les plugins communautaires.

Super-Agent-Party permet aux développeurs de définir un objet Party où des agents IA individuels jouent des rôles distincts tels que la planification, la recherche, la rédaction et la révision. Chaque agent peut être configuré avec des invites personnalisées, des outils et des paramètres de modèle. Le framework gère l'acheminement des messages et le contexte partagé, permettant aux agents de collaborer en temps réel sur des sous-tâches. Il supporte l'intégration de plugins pour des services tiers, des stratégies d'orchestration flexibles et des routines de gestion des erreurs. Avec une API intuitive, les utilisateurs peuvent ajouter ou supprimer des agents dynamiquement, enchaîner des flux de travail et visualiser les interactions entre agents. Basé sur Node.js et compatible avec les principaux fournisseurs cloud, Super-Agent-Party simplifie le développement de systèmes multi-agent évolutifs et maintenables pour l'automatisation, la génération de contenu, l'analyse de données, et plus encore.

Vectify permet aux utilisateurs de convertir du texte ordinaire en illustrations vectorielles évolutives en temps réel. En utilisant des algorithmes d'IA avancés, Vectify fournit des designs uniques, créatifs et de haute qualité adaptés à votre saisie. Que vous ayez besoin de logos, d'illustrations complexes ou de tout autre design vectoriel, Vectify offre des résultats rapides. Avec une exportation SVG facile et une intégration transparente dans n'importe quel projet, les utilisateurs peuvent maintenir une évolutivité et une clarté parfaites sur toutes les plateformes et appareils. Vectify réduit considérablement le temps nécessaire au processus de conception, ce qui en fait un outil idéal pour les designers et les créateurs cherchant efficacité sans compromettre la qualité.

CoreLink-Persona-Engine est un cadre modulaire qui permet aux développeurs de créer des agents IA avec des personas uniques en définissant des traits de personnalité, des comportements de mémoire et des flux de conversation. Il fournit une architecture de plugin flexible pour intégrer des bases de connaissances, une logique personnalisée et des API externes. Le moteur gère à la fois la mémoire à court terme et à long terme, permettant la continuité contextuelle entre les sessions. Les développeurs peuvent configurer des profils de persona avec JSON ou YAML, se connecter à des fournisseurs de LLM comme OpenAI ou des modèles locaux, et déployer des agents sur différentes plateformes. Avec une journalisation et une analyse intégrées, CoreLink facilite la surveillance des performances des agents et l’affinement du comportement, le rendant adapté pour des chatbots de support client, des assistants virtuels, des applications de jeu de rôle et des prototypes de recherche.

EspressoAI fournit aux développeurs un environnement structuré pour concevoir, configurer et déployer des agents IA alimentés par de grands modèles linguistiques. Il supporte l'enregistrement et l'appel d'outils dans le flux de travail de l'agent, gère le contexte conversationnel via des modules mémoire intégrés, et permet de chaîner les prompts pour le raisonnement multi-étapes. Les développeurs peuvent intégrer des API externes, des plugins personnalisés et une logique conditionnelle pour adapter le comportement de l'agent. La conception modulaire du framework garantit son extensibilité, permettant aux équipes d’échanger des composants, d’ajouter de nouvelles capacités ou de s’adapter aux LLM propriétaires sans réécrire la logique de base.

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.