ChainLite rationalise la création d’agents IA en abstraisant la complexité de l’orchestration LLM en modules de chaînes réutilisables. À l’aide de décorateurs Python simples et de fichiers de configuration, les développeurs définissent les comportements des agents, les interfaces d’outils et les structures de mémoire. Le framework s’intègre aux fournisseurs LLM populaires (OpenAI, Cohere, Hugging Face) et aux sources de données externes (API, bases de données), permettant aux agents de récupérer des informations en temps réel. Avec une interface utilisateur basée sur le navigateur intégrée, alimentée par Streamlit, les utilisateurs peuvent inspecter l’historique des conversations au niveau des jetons, déboguer les invites et visualiser les graphes d’exécution de la chaîne. ChainLite prend en charge plusieurs cibles de déploiement, du développement local à la production en conteneurs, permettant une collaboration fluide entre data scientists, ingénieurs et équipes produit.

mini-agi est conçu pour simplifier la création d’agents IA autonomes en fournissant un cadre minimal et modulaire. Écrit en Python, il exploite les modèles linguistiques d’OpenAI pour interpréter des objectifs de haut niveau, les décomposer en sous-tâches, et orchestrer des appels d’outils comme des requêtes HTTP, des opérations sur fichiers ou des actions personnalisées. Le cadre comprend un stockage mémoire pour suivre l’état et les résultats de l’agent, un module de planification pour la décomposition des tâches avec des heuristiques basées sur le coût, et un module d’exécution qui appelle en séquence les outils. Avec des fichiers de configuration, les utilisateurs peuvent injecter des outils personnalisés, définir des modèles d’invite et ajuster la profondeur de planification. La structure légère de mini-agi en fait un outil idéal pour les prototypes d’agents IA effectuant des recherches, automatisant des flux de travail, ou générant du code de manière autonome.

Whiz est conçu pour fournir une base robuste pour le développement d'agents intelligents capables d'effectuer des workflows conversationnels et orientés tâches complexes. Avec Whiz, les développeurs définissent des "outils" — des fonctions Python ou des API externes — que l'agent peut invoquer lors du traitement des requêtes utilisateur. Un module de mémoire intégré capture et récupère le contexte de conversation, permettant des interactions multi-tours cohérentes. Un moteur de planification dynamique décompose les objectifs en étapes réalisables, tandis qu'une interface flexible permet d'injecter des politiques personnalisées, des registres d'outils et des backends de mémoire. Whiz supporte la recherche sémantique basée sur des embeddings pour extraire des documents pertinents, la journalisation pour la traçabilité et l'exécution asynchrone pour la montée en charge. Entièrement open-source, Whiz peut être déployé partout où Python s'exécute, permettant une création rapide de prototypes de bots d'assistance client, d'assistants d'analyse de données ou d'agents spécialisés, avec peu de boilerplate.

L'Anna Mobile LLM Agent est un cadre d'IA conversationnelle conçu pour une intégration transparente dans l'application mobile Anna Money. Il exploite de grands modèles linguistiques pour interpréter les entrées en langage naturel de l'utilisateur, récupérer en temps réel des données de compte et de transaction via des API sécurisées, et effectuer des tâches telles que la catégorisation des dépenses, la synthèse des transactions et les conseils budgétaires. Les développeurs peuvent configurer des outils, déclencheurs et mémoires de contexte personnalisés pour adapter l'agent aux flux de travail financiers spécifiques. Avec une prise en charge intégrée d'OpenAI, Azure OpenAI et des modèles transformeurs locaux, ainsi qu'une interface React Native, l'agent garantit une assistance financière réactive, sécurisée et personnalisée sur les appareils iOS et Android.

FreeAct utilise une architecture modulaire pour simplifier la création d'agents IA. Les développeurs définissent des objectifs de haut niveau et configurent le module de planification pour générer des plans étape par étape. La composante de raisonnement évalue la faisabilité du plan, tandis que le moteur d'exécution orchestre les appels API, les requêtes à la base de données et les interactions avec des outils externes. La gestion de mémoire suit le contexte de la conversation et les données historiques, permettant aux agents de prendre des décisions éclairées. Un registre d'environnement simplifie l'intégration d'outils et de services personnalisés, permettant une adaptation dynamique. FreeAct supporte plusieurs backends LLM et peut être déployé sur des serveurs locaux ou sur des environnements cloud. Son caractère open-source et sa conception extensible facilitent la prototypage rapide d'agents intelligents pour la recherche et les cas d'utilisation en production.