Ce projet démontre un cadre complet pour créer des agents AI augmentés par récupération avec LlamaIndex. Il guide les développeurs à travers tout le workflow, en commençant par l'ingestion de documents et la création du magasin vectoriel, puis en définissant une boucle d'agent personnalisée pour la question-réponse contextuelle. En tirant parti des capacités de indexation et de récupération puissantes de LlamaIndex, les utilisateurs peuvent intégrer tout modèle linguistique compatible OpenAI, personnaliser des modèles de prompt, et gérer les flux de conversation via une interface CLI. L'architecture modulaire supporte divers connecteurs de données, extensions de plugins et personnalisation dynamique des réponses, permettant un prototypage rapide d'assistants de connaissance de niveau entreprise, de chatbots interactifs et d'outils de recherche. Cette solution simplifie la construction d'agents IA spécifiques au domaine en Python, assurant évolutivité, flexibilité et facilité d'intégration.

Multi-Agent-RAG offre un cadre modulaire pour construire des applications de génération augmentée par récupération (RAG) en orchestrant plusieurs agents d'IA spécialisés. Les développeurs configurent des agents individuels : un agent de récupération connecte des magasins vectoriels pour extraire des documents pertinents ; un agent de raisonnement effectue une analyse en chaîne de pensée ; et un agent de génération synthétise les réponses finales en utilisant de grands modèles de langage. Le framework supporte des extensions via plugins, des prompts configurables, et une journalisation complète, permettant une intégration transparente avec des API LLM populaires et des bases de données vectorielles pour améliorer la précision RAG, la scalabilité, et l'efficacité du développement.

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.

Minerva est un framework d'agents IA extensible conçu pour automatiser des flux de travail complexes en utilisant de grands modèles de langage. Les développeurs peuvent intégrer des outils externes — tels que la recherche web, les API ou les processeurs de fichiers — définir des stratégies de planification personnalisées et gérer la mémoire conversationnelle ou persistante. Minerva supporte l'exécution synchrone et asynchrone de tâches, la journalisation configurable et une architecture de plugins, facilitant le prototypage, le test et le déploiement d'agents intelligents capables de raisonner, planifier et utiliser des outils dans des scénarios réels.

Pacman AI offre un environnement Python entièrement fonctionnel et un cadre d'agents pour le jeu classique Pacman. Le projet implémente des algorithmes clés d'apprentissage par renforcement—Q-learning et itération de valeurs—pour permettre à l'agent d'apprendre des stratégies optimales pour la collecte de pilules, la navigation dans le labyrinthe et l'évitement des fantômes. Les utilisateurs peuvent définir des fonctions de récompense personnalisées et ajuster des hyperparamètres tels que le taux d'apprentissage, le facteur de dépréciation et la stratégie d'exploration. Le cadre supporte la journalisation des métriques, la visualisation des performances et la configuration d'expériences reproductibles. Conçu pour une extension facile, il permet aux chercheurs et étudiants d'intégrer de nouveaux algorithmes ou approches d'apprentissage basées sur des réseaux neuronaux et de les comparer aux méthodes de grille de référence dans le domaine Pacman.

Real-Agents est conçu pour simplifier la création et l'orchestration d'agents alimentés par l'IA capables d'accomplir des tâches complexes de manière autonome. Basé sur Python et compatible avec les principaux grands modèles linguistiques, le framework possède une architecture modulaire comprenant des composants clés pour la compréhension du langage, le raisonnement, le stockage de mémoire et l'exécution d'outils. Les développeurs peuvent rapidement intégrer des services externes tels que des API web, des bases de données et des fonctions personnalisées pour étendre les capacités de l'agent. Real-Agents supporte des mécanismes de mémoire pour conserver le contexte lors des interactions, permettant des conversations multi-tours et des workflows longue durée. La plateforme inclut aussi des utilitaires pour la journalisation, le débogage et la mise à l'échelle des agents en environnement de production. En abstraisant les détails de bas niveau, Real-Agents simplifie le cycle de développement, permettant aux équipes de se concentrer sur la logique spécifique à la tâche et de fournir de puissantes solutions automatisées.

TexasHoldemAgent fournit un environnement modulaire basé sur Python pour entraîner, évaluer et déployer un joueur de poker alimenté par IA pour le Texas Hold’em limit heads-up. Il intègre un moteur de simulation personnalisé avec des algorithmes d'apprentissage par renforcement profond, dont DQN, pour une amélioration itérative de la politique. Les capacités clés incluent l'encodage de l'état de la main, la définition de l'espace d'action (fold, call, raise), la modélisation de la récompense et l'évaluation des décisions en temps réel. Les utilisateurs peuvent personnaliser les paramètres d'apprentissage, utiliser l'accélération CPU/GPU, suivre l'avancement de la formation et charger ou sauvegarder des modèles entraînés. Le cadre supporte des simulations par lot pour tester diverses stratégies, générer des métriques de performance et visualiser les taux de réussite, permettant aux chercheurs, développeurs et amateurs de poker d'expérimenter avec des stratégies de jeu pilotées par l'IA.