Council fournit un environnement structuré pour concevoir des agents d'IA en définissant des rôles, en chaînant des tâches et en intégrant des outils ou des API externes. Les utilisateurs peuvent configurer des magasins de mémoire, gérer l'état des agents et implémenter des pipelines de raisonnement personnalisés. L'architecture plugin de Council permet une intégration transparente avec des services NLP, des sources de données et des outils tiers, permettant de prototyper et déployer rapidement des systèmes multi-agents coordonnés pour effectuer des tâches complexes de manière fiable.

CrewAI Agent Generator utilise une interface en ligne de commande pour initialiser un nouveau projet d’agent IA avec des structures de dossiers solidement établies, des modèles de prompts d’exemple, des définitions d’outils et des stubs de test. Vous pouvez configurer des connexions à OpenAI, Azure ou des endpoints LLM personnalisés ; gérer la mémoire de l’agent avec des magasins vectoriels ; orchestrer plusieurs agents dans des workflows collaboratifs ; consulter des logs détaillés de conversation ; et déployer vos agents sur Vercel, AWS Lambda ou Docker avec des scripts intégrés. Il accélère le développement et garantit une architecture cohérente pour les projets d’agents IA.

crewAI Playground est un kit d'outils et un bac à sable pour construire et expérimenter avec des agents pilotés par IA. Vous définissez des agents via des fichiers de configuration ou du code, en spécifiant des invites, des outils et des modules de mémoire. Le playground exécute plusieurs agents simultanément, gère le routage des messages et enregistre l'historique des conversations. Il prend en charge les intégrations de plugins pour des sources de données externes, des backends mémoire personnalisables (en mémoire ou persistants) et une interface web pour les tests. Utilisez-le pour prototyper des chatbots, des assistants virtuels et des flux de travail automatisés avant le déploiement en production.

CrewAI Studio est une plateforme basée sur le web qui permet aux développeurs de concevoir, visualiser et surveiller des workflows IA multi-agent. Les utilisateurs peuvent configurer les invites, la logique de chaîne, les réglages mémoire et les intégrations d’API externes de chaque agent via une toile graphique. Le studio se connecte à des bases de données vectorielles populaires, des fournisseurs LLM et des points d'extrémité de plugins. Il supporte le débogage en temps réel, le suivi de l’historique des conversations et un déploiement en un clic vers des environnements personnalisés, simplifiant la création d'assistants numériques puissants.

Dial4JaCa est un plugin de bibliothèque Java pour la plateforme multi-agent JaCaMo qui intercepte les messages inter-agents, encode les intentions des agents et les routent via des backend LLM (OpenAI, modèles locaux). Il gère le contexte de dialogue, met à jour les bases de croyances et intègre la génération de réponse directement dans les cycles de raisonnement AgentSpeak(L). Les développeurs peuvent personnaliser les invites, définir des artefacts de dialogue et gérer des appels asynchrones, permettant aux agents d'interpréter les énoncés des utilisateurs, de coordonner des tâches et de récupérer des informations externes en langage naturel. Son design modulaire prend en charge la gestion des erreurs, la journalisation et la sélection de plusieurs LLM, idéal pour la recherche, l'éducation et le prototypage rapide de MAS conversationnels.

Le générateur de code Django Multi-AGI RAG-Llama3 est un cadre IA spécialisé qui combine les techniques de génération augmentée par récupération avec plusieurs agents basés sur Llama3. Il traite les exigences définies par l'utilisateur et la documentation externe pour récupérer des extraits de code pertinents, orchestrant plusieurs agents IA pour rédiger en collaboration les définitions de modèles Django, la logique de vues, les modèles, le routage URL et la configuration du projet. Cette approche itérative garantit que le code généré correspond aux attentes de l'utilisateur et aux meilleures pratiques. Les utilisateurs commencent par alimenter une base de connaissances composée de documentation ou d’échantillons de code, puis demandent des fonctionnalités spécifiques à l’agent. Le système fournit un squelette complet de projet Django, comprenant des applications modulaires, des points de terminaison REST API et des modèles personnalisables. La nature modulaire permet aux dévelopeurs d’intégrer leur propre logique métier et de déployer directement en production.

Fetch.ai est une plateforme open-source et un kit de développement logiciel (SDK) conçu pour construire des agents autonomes représentant des jumeaux numériques sur un réseau décentralisé. Il fournit un SDK pour Python et Rust, un Open Economic Framework (OEF) pour la découverte entre pairs, et une intégration transparente avec son registre pour des transactions sécurisées. Les développeurs peuvent définir des compétences d'agents personnalisées, comme la formation de marché, la fourniture de données ou l’enchère sur des tâches, puis les déployer sur des réseaux de test ou principaux. Les agents Fetch.ai communiquent, négocient et exécutent de manière autonome des contrats intelligents, permettant une coordination multi-agent puissante pour les chaînes d'approvisionnement, les écosystèmes IoT, les services de mobilité, les réseaux énergétiques et plus encore.

JaCaMo fournit un environnement unifié pour concevoir et exécuter des systèmes multi-agents (MAS) en intégrant trois composants principaux : le langage de programmation Jason pour les agents BDI, CArtAgO pour la modélisation environnementale basée sur des artefacts, et Moise pour la spécification des structures organisationnelles et roles. Les développeurs peuvent écrire des plans d'agents, définir des artefacts avec des opérations, et organiser des groupes d'agents sous des cadres normatifs. La plateforme inclut des outils pour la simulation, le débogage et la visualisation des interactions MAS. Avec le support pour l'exécution distribuée, des référentiels d'artefacts, et une messagerie flexible, JaCaMo permet un prototypage rapide et la recherche dans des domaines tels que l'intelligence en essaim, la robotique collaborative et la prise de décision distribuée. Son design modulaire assure l'évolutivité et l'extensibilité à travers des projets académiques et industriels.

Le Dynamic Multi-Agent RAG Pathway offre une architecture modulaire où chaque agent gère des tâches spécifiques — telles que la récupération de documents, la recherche vectorielle, le résumé de contexte ou la génération — tandis qu’un orchestrateur central routage dynamiquement les entrées et sorties entre eux. Les développeurs peuvent définir des agents personnalisés, assembler des pipelines via des fichiers de configuration simples, et tirer parti du journalisation intégrée, de la surveillance et du support de plugin. Ce cadre accélère le développement de solutions RAG complexes, permettant une décomposition adaptative des tâches et un traitement parallèle pour améliorer le débit et la précision.

EasyAgent fournit un cadre complet pour la construction d'agents IA autonomes en Python. Il offre des backends LLM modulaires tels que OpenAI, Azure et modèles locaux, des modules de planification et de raisonnement personnalisables, une intégration d'outils API et un stockage mémoire persistant. Les développeurs peuvent définir les comportements des agents par des configurations YAML ou Python simples, utiliser l'appel de fonctions intégré pour accéder à des données externes, et orchestrer plusieurs agents pour des flux de travail complexes. EasyAgent inclut également des fonctionnalités telles que la journalisation, la surveillance, la gestion des erreurs et des points d'extension pour des implémentations sur mesure. Son architecture modulaire accélère le prototypage et le déploiement d'agents spécialisés dans des domaines comme le support client, l'analyse de données, l'automatisation et la recherche.

La Communication Émergente chez les Agents est un cadre PyTorch open-source conçu pour les chercheurs explorant comment les systèmes multi-agent développent leurs propres protocoles de communication. La bibliothèque offre des implémentations flexibles de tâches d'apprentissage par renforcement coopératif, y compris des jeux référentiels, des jeux combinatoires et des défis d'identification d'objets. Les utilisateurs définissent des architectures d'agents locuteurs et auditeurs, spécifient les propriétés des canaux de message comme la taille du vocabulaire et la longueur de la séquence, et sélectionnent des stratégies d'entraînement telles que les gradients de politique ou l'apprentissage supervisé. Le cadre comprend des scripts de bout en bout pour exécuter des expériences, analyser l'efficacité de communication et visualiser les langues émergentes. Sa conception modulaire facilite l'extension avec de nouveaux environnements de jeu ou des fonctions de perte personnalisées. Les chercheurs peuvent reproduire des études publiées, benchmarker de nouveaux algorithmes et explorer la compositionnalité et la sémantique des langues d'agents émergents.

Le F1Tenth Two-Agent Simulator est un cadre de simulation spécialisé construit sur ROS et Gazebo pour émuler deux véhicules autonomes à l’échelle 1/10 en course ou en coopération sur des circuits personnalisés. Il prend en charge la physique réaliste du modèle de pneus, l’émulation de capteurs, la détection de collisions et la journalisation des données. Les utilisateurs peuvent intégrer leurs propres algorithmes de planification et de contrôle, ajuster les paramètres des agents, et exécuter des scénarios tête-à-tête pour évaluer la performance, la sécurité et les stratégies de coordination dans des conditions contrôlées.

FlyingAgent offre une architecture modulaire qui exploite de grands modèles linguistiques pour simuler des agents autonomes capables de raisonner, planifier et exécuter des actions dans divers domaines. Les agents disposent d'une mémoire interne pour conserver le contexte et peuvent intégrer des boîtiers à outils externes pour des tâches telles que la navigation web, l'analyse de données ou l'appel à des API tierces. Le cadre supporte la coordination multi-agents, les extensions basées sur des plugins et des politiques de décision personnalisables. Avec sa conception ouverte, les développeurs peuvent adapter les backend de mémoire, les intégrations d'outils et les gestionnaires de tâches, facilitant les applications dans l'automatisation du support client, l'aide à la recherche, la génération de contenu et l'orchestration de main-d'œuvre digitale.

FMAS (Flexible Multi-Agent System) est une bibliothèque Python open-source pour construire, exécuter et visualiser des simulations multi-agents. Vous pouvez définir des agents avec une logique de décision personnalisée, configurer un modèle d'environnement, mettre en place des canaux de messagerie pour la communication et exécuter des simulations évolutives. FMAS fournit des hooks pour surveiller l'état des agents, déboguer les interactions et exporter les résultats. Son architecture modulaire supporte des plugins pour la visualisation, la collecte de métriques et l'intégration avec des sources de données externes, le rendant idéal pour la recherche, l'éducation et les prototypes réels de systèmes autonomes.

GenAI Job Agents est un cadre open-source basé sur Python qui facilite la création et la gestion d'agents de travail alimentés par l'IA. Les développeurs peuvent définir des types de tâches personnalisés et des comportements d'agents à l'aide de fichiers de configuration simples ou de classes Python. Le système s'intègre parfaitement avec OpenAI pour le raisonnement basé sur LLM et avec LangChain pour la chaînage d'appels. Les tâches peuvent être mises en file d'attente, exécutées en parallèle et surveillées via des mécanismes de journalisation et de gestion des erreurs intégrés. Les agents peuvent gérer des entrées dynamiques, réessayer automatiquement en cas d'échec et produire des résultats structurés pour le traitement en aval. Avec une architecture modulaire, des plugins extensibles et des API claires, GenAI Job Agents permet aux équipes d'automatiser des tâches répétitives, d'orchestrer des flux de travail complexes et de faire évoluer les opérations pilotées par l'IA en environnement de production.

GenWorlds est un cadre de développement AI conçu pour faciliter la création de systèmes multi-agents. En utilisant un cadre de communication basé sur des événements via websocket, il permet aux développeurs de mettre en place des environnements interactifs où des agents autonomes peuvent interagir de manière asynchrone entre eux et avec leur environnement. Ces agents collaborent, planifient des actions et exécutent collectivement des tâches complexes, faisant de GenWorlds une plateforme robuste pour créer des écosystèmes AI évolutifs et flexibles.

GPA-LM est un framework basé sur Python conçu pour simplifier la création et l'orchestration d'agents IA alimentés par de grands modèles linguistiques. Il comporte un planificateur qui décompose les instructions de haut niveau en sous-tâches, un exécuteur qui gère les appels d'outils et les interactions, et un module de mémoire qui conserve le contexte entre les sessions. L'architecture plugin permet aux développeurs d'ajouter des outils, API et logiques de décision personnalisés. Avec le support multi-agent, GPA-LM peut coordonner des rôles, répartir des tâches et agréger des résultats. Il s'intègre facilement à des LLM populaires comme OpenAI GPT et prend en charge le déploiement dans divers environnements. Le cadre accélère le développement d'agents autonomes pour la recherche, l'automatisation et la prototypie d'applications.

GPT-agents est un ensemble d'outils axé sur les développeurs qui simplifie la création et l'orchestration d'agents IA autonomes utilisant GPT. Il offre des classes d'agents intégrées, un système modulaire d'intégration d'outils et une gestion de mémoire persistante pour soutenir le contexte en cours. Le framework gère des boucles de planification conversationnelle et la collaboration multi-agents, permettant d’assigner des objectifs, de planifier des sous-tâches et de relier des agents pour des workflows complexes. Supporte des outils personnalisables, la sélection de modèles et la gestion des erreurs pour une automatisation robuste et scalable dans divers domaines.

GridWorldEnvs propose une suite complète d'environnements de mondes en grille pour soutenir la conception, le test et la benchmarkisation des systèmes d'apprentissage par renforcement et multi-agents. Les utilisateurs peuvent facilement configurer les dimensions de la grille, les positions de départ des agents, les emplacements cibles, obstacles, structures de récompense et espaces d'actions. La bibliothèque inclut des modèles prêts à l'emploi tels que la navigation classique, l'évitement d'obstacles et les tâches coopératives, tout en permettant la définition de scénarios personnalisés via JSON ou classes Python. Une intégration transparente avec l'API OpenAI Gym permet d'appliquer directement des algorithmes RL standards. De plus, GridWorldEnvs supporte des expérimentations à agent unique ou multi-agents, des outils de journalisation et de visualisation pour le suivi des performances des agents.

AWS Bedrock Multi-Agent Collaboration est une fonctionnalité de service gérée qui permet d'orchestrer plusieurs agents IA alimentés par des modèles de base pour travailler ensemble sur des tâches complexes. Vous configurez des profils d'agents avec des rôles spécifiques, définissez des schémas de messagerie pour la communication et établissez une mémoire partagée pour la rétention du contexte. Pendant l'exécution, les agents peuvent demander des données à des sources en aval, déléguer des sous-tâches et agréger les résultats des autres. Cette approche collaborative prend en charge des boucles de raisonnement itératives, améliore la précision des tâches et permet une montée en charge dynamique des agents en fonction de la charge de travail. Intégré à la console AWS, CLI et SDKs, le service propose des tableaux de bord de surveillance pour visualiser les interactions des agents et les métriques de performance, simplifiant le développement et la supervision opérationnelle des flux de travail multi-agent intelligents.