CrewAI est un framework Python modulaire conçu pour construire des agents IA entièrement autonomes. Il fournit des composants clés tels qu'un orchestrateur d'agents pour la planification et la prise de décision, une couche d'intégration d'outils pour connecter des API externes ou des actions personnalisées, et un module de mémoire pour stocker et rappeler le contexte entre les interactions. Les développeurs définissent des tâches, enregistrent des outils, configurent des backend de mémoire, puis lancent des agents capables de planifier des flux de travail multi-étapes, d'exécuter des actions et de s'adapter en fonction des résultats. CrewAI est idéal pour créer des assistants intelligents, des flux de travail automatisés et des prototypes de recherche.

Autogpt est un framework Rust axé sur le développement d'agents IA autonomes. Il offre des interfaces typées pour l'API OpenAI, une gestion intégrée de la mémoire, un chaînage de contexte et une prise en charge extensible des plugins. Les agents peuvent être configurés pour effectuer des prompts chaînés, maintenir l'état de la conversation et exécuter des tâches dynamiques de manière programmée. Adapté pour l'intégration dans des outils CLI, des services backend ou des prototypes de recherche, Autogpt simplifie l'orchestration de workflows IA complexes tout en exploitant les performances et garanties de sécurité de Rust.

Embabel Agent offre une approche structurée pour construire des agents IA dans les environnements Node.js et navigateur. Les développeurs définissent des outils—comme des récupérateurs HTTP, connecteurs de bases de données ou fonctions personnalisées—et configurent le comportement de l'agent via des JSON ou des classes JavaScript simples. Le framework maintient l’historique des conversations, route les requêtes vers l’outil approprié, et supporte les extensions de plugins. Embabel Agent est idéal pour créer des chatbots aux capacités dynamiques, des assistants automatisés qui interagissent avec plusieurs API, et des prototypes de recherche nécessitant une orchestration en temps réel des appels IA.

CamelAGI est un cadre open-source conçu pour simplifier la création d'agents IA autonomes. Il dispose d'une architecture de plugins pour des outils personnalisés, d'une intégration de mémoire à long terme pour la persistance du contexte, et du support pour plusieurs grands modèles linguistiques tels que GPT-4 et Llama 2. Grâce à des modules de planification et d'exécution explicites, les agents peuvent décomposer des tâches, appeler des API externes et s'adapter au fil du temps. La extensibilité et l'approche communautaire rendent CamelAGI adapté pour des prototypes de recherche, des systèmes de production et des projets éducatifs.

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.

NavGround est un cadre de navigation complet piloté par l'IA qui fournit une planification de mouvement réactive, une évitement d'obstacles et une génération de trajectoires pour des robots à conduite différentielle et holonomiques en environnements 2D. Il intègre des représentations de cartes dynamiques et la fusion de capteurs pour détecter des obstacles statiques et mobiles, en appliquant des méthodes d'obstacles de vitesse pour calculer des vitesses sans collision respectant la cinématique et la dynamique du robot. La bibliothèque C++ légère offre une API modulaire avec support ROS, permettant une intégration transparente avec des systèmes SLAM, des planificateurs de trajectoires et des boucles de contrôle. La performance en temps réel et l'adaptabilité en ligne font de NavGround un outil adapté aux robots de service, véhicules autonomes et prototypes de recherche opérant dans des scénarios encombrés ou dynamiques. La structure de l'architecture extensible et les fonctions de coût personnalisables facilitent l'expérimentation rapide et l'optimisation des comportements de navigation.

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.

multi_agent_celar est conçue comme une plateforme d'IA modulaire permettant une communication à langage émergent entre plusieurs agents intelligents dans des environnements simulés. Les utilisateurs peuvent définir le comportement des agents via des fichiers de politique, configurer les paramètres de l'environnement, et lancer des sessions d'entraînement coordonnées où les agents font évoluer leurs propres protocoles de communication pour résoudre des tâches coopératives. Le cadre comprend des scripts d'évaluation, des outils de visualisation, et prend en charge des expériences évolutives, ce qui en fait une solution idéale pour la recherche en collaboration multi-agent, langage émergent et processus de décision.

Le apprentissage automatique autodidacte simple offre aux développeurs une approche extrêmement simple pour créer et entraîner des agents d'apprentissage par renforcement en Python. Le framework abstrait les composants clés du RL, tels que les wrappers d'environnement, les modules de politique et les buffers d'expérience, en interfaces concises. Les utilisateurs peuvent rapidement initialiser les environnements, définir des politiques personnalisées avec des backends familiers comme PyTorch ou TensorFlow, et exécuter des boucles d’entraînement avec journalisation et sauvegarde intégrées. La bibliothèque supporte les algorithmes on-policy et off-policy, permettant une expérimentation flexible avec Q-learning, les gradients de politique et les méthodes acteur-critique. En réduisant le code boilerplate, le apprentissage automatique autodidacte simple permet aux praticiens, éducateurs et chercheurs de prototype des algorithmes, tester des hypothèses et visualiser la performance de l'agent avec une configuration minimale. Sa conception modulaire facilite également l'intégration avec les stacks ML existants et les environnements personnalisés.