AgentGateway fournit un environnement axé sur le développement pour la création d'applications IA multi-agents. Elle supporte l'orchestration distribuée d'agents, l'intégration de plugins et le contrôle d'accès sécurisé. Avec des connecteurs intégrés pour les bases de données vectorielles, les API REST/gRPC et des services courants comme Slack et Notion, les agents peuvent interroger des documents, exécuter une logique métier et générer des réponses de manière autonome. La plateforme inclut la surveillance, la journalisation et le contrôle d'accès basé sur les rôles, facilitant le déploiement de solutions IA évolutives et auditable dans les entreprises.

AWS Bedrock Multi-Agent Blueprint offre un cadre modulaire pour implémenter une architecture multi-agent sur AWS Bedrock. Il inclut un exemple de code pour définir les rôles d'agents — planificateur, chercheur, exécuteur et évaluateur — qui collaborent via des files d'attente de messages partagées. Chaque agent peut invoquer différents modèles Bedrock avec des invites personnalisées et transmettre des sorties intermédiaires aux agents suivants. La journalisation intégrée avec CloudWatch, les modèles de gestion des erreurs et la prise en charge de l'exécution synchrone ou asynchrone illustrent comment gérer la sélection de modèles, les tâches par lots et l'orchestration de bout en bout. Les développeurs clonant le dépôt, configurent les rôles IAM AWS et les points de terminaison Bedrock, puis déploient via CloudFormation ou CDK. Le design open source encourage l'extension des rôles, la mise à l'échelle des agents par tâche, et l'intégration avec S3, Lambda et Step Functions.

Le framework Besser Agentic offre une boîte à outils modulaire pour définir, coordonner et faire évoluer des agents IA. Il permet de configurer le comportement des agents, d’intégrer des outils et APIs externes, de gérer la mémoire et l’état des agents, et de surveiller l'exécution. Basé sur Python, il supporte des interfaces de plugin extensibles, la collaboration multi-agent et une journalisation intégrée. Les développeurs peuvent rapidement prototyper et déployer des agents pour des tâches telles que l'extraction de données, la recherche automatisée et les assistants conversationnels, le tout dans un cadre unifié.

LLMWare sert d'outil complet pour la construction d'agents AI alimentés par de grands modèles de langage. Il permet de définir des chaînes réutilisables, d'intégrer des outils externes via des interfaces simples, de gérer les états de mémoire contextuelle et d'orchestrer un raisonnement multi-étapes entre modèles de langage et services en aval. Avec LLMWare, les développeurs peuvent brancher différents backends de modèles, configurer la logique de décision de l'agent et ajouter des kits d'outils personnalisés pour des tâches telles que la navigation web, les requêtes de base de données ou les appels API. Sa conception modulaire permet un prototypage rapide d'agents autonomes, de chatbots ou d'assistants de recherche, avec une journalisation intégrée, la gestion des erreurs et des adaptateurs de déploiement pour les environnements de développement et de production.

Au cœur, RxAgent-Zoo est un cadre RL réactif qui traite les événements de données provenant des environnements, des buffers de retransmission et des boucles d'entraînement comme des flux observables. Les utilisateurs peuvent enchaîner des opérateurs pour prétraiter les observations, mettre à jour les réseaux et journaliser les métriques de manière asynchrone. La bibliothèque offre une prise en charge des environnements parallèles, des planificateurs configurables et une intégration avec les benchmarks Gym et Atari populaires. Une API plug-and-play permet de remplacer facilement les composants d'agents, facilitant la recherche reproductible, l'expérimentation rapide et les flux de travail d'entraînement évolutifs.

TinyAuton offre une architecture minimaliste et extensible pour construire des agents autonomes qui planifient, exécutent et affinent des tâches en utilisant les modèles GPT d'OpenAI. Il propose des modules intégrés pour définir des objectifs, gérer le contexte de conversation, invoquer des outils personnalisés et consigner les décisions de l'agent. Grâce à des boucles de réflexion autonome itératives, l'agent peut analyser les résultats, ajuster les plans et réessayer les étapes échouées. Les développeurs peuvent intégrer des API externes ou des scripts locaux en tant qu'outils, configurer la mémoire ou l'état, et personnaliser la pipeline de raisonnement de l'agent. TinyAuton est optimisé pour un prototypage rapide de flux de travail pilotés par l'IA, de l'extraction de données à la génération de code, tout cela en quelques lignes de Python.

Drive Flow est un framework flexible qui permet aux développeurs de concevoir des workflows basés sur l'IA en définissant une séquence d'étapes. Chaque étape peut invoquer de grands modèles de langage, exécuter des fonctions personnalisées ou interagir avec la mémoire persistante stockée dans MemoDB. Le framework supporte des logiques de branchement complexes, des boucles, une exécution parallèle de tâches et une gestion dynamique des entrées. Écrit en TypeScript, il utilise un DSL déclaratif pour spécifier les flux, permettant une séparation claire de la logique d'orchestration. Drive Flow offre également une gestion des erreurs intégrée, des stratégies de retries, la traçabilité du contexte d'exécution et un logging étendu. Les cas d'utilisation principaux incluent les assistants IA, le traitement automatisé de documents, l'automatisation du support client et les systèmes de décision multi-étapes. En abstraisant l'orchestration, Drive Flow accélère le développement et simplifie la maintenance des applications IA.