ANAC-agents est un framework basé sur Python qui centralise plusieurs implémentations d'agents de négociation pour la Compétition d'Agents de Négociation Automatisée (ANAC). Chaque agent dans le dépôt incarne différentes stratégies pour la modélisation de l'utilité, la génération de propositions, les tactiques de concession et les critères d'acceptation, facilitant les études comparatives et les prototypes rapides. Les utilisateurs peuvent définir des domaines de négociation avec des enjeux et profils de préférences personnalisés, puis simuler des négociations bilatérales ou des compétitions en tournoi entre agents. La boîte à outils comprend des scripts de configuration, des métriques d’évaluation, et des utilitaires de journalisation pour analyser la dynamique de négociation. Les chercheurs et développeurs peuvent étendre les agents existants, tester de nouveaux algorithmes ou intégrer des modules d'apprentissage externe, accélérant l'innovation dans le commerce automatisé et la prise de décision stratégique sous information incomplète.

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.

Chainlit est un framework Python asynchrone open-source conçu pour aider les développeurs à construire et déployer rapidement des applications d'IA conversationnelle et d'agents évolutifs. Il prend en charge les intégrations avec des bibliothèques et des frameworks Python populaires pour offrir une expérience de développement fluide. Avec Chainlit, les utilisateurs peuvent créer des applications de chat prêtes à l'emploi capables de gérer des interactions complexes et de conserver le contexte de la conversation.

ChatGPT OpenAI Smart Speaker est un cadre de développement pour créer votre propre assistant vocal intelligent. Il fonctionne sur des appareils comme Raspberry Pi, PC Linux, macOS ou Windows. En utilisant des bibliothèques Python standard pour la reconnaissance vocale et la synthèse vocale, il écoute un mot d'éveil, capture votre question, la transfère à l'API ChatGPT d'OpenAI, et lit les réponses en temps réel. Vous pouvez l'étendre avec des commandes personnalisées, intégrer des contrôles domotiques ou l'utiliser pour des démonstrations éducatives d'IA vocale.

Cyrano est un framework open-source et une CLI en Python pour créer des agents IA orchestrant de grands modèles linguistiques et des outils externes via des invites en langage naturel. Les utilisateurs peuvent définir des outils personnalisés (fonctions), configurer la mémoire et les limites de tokens, et gérer les callbacks. Cyrano gère l'analyse des réponses JSON des LLMs et exécute en séquence les outils spécifiés. Il met l'accent sur la simplicité, la modularité et zéro dépendance externe, permettant aux développeurs de prototyper rapidement des chatbots, de construire des workflows automatisés et d'intégrer rapidement des capacités IA dans des applications.

Fast Reinforcement Learning est un framework Python spécialisé visant à accélérer le développement et l'exécution d'agents d'apprentissage par renforcement. Il offre une prise en charge prête à l'emploi pour des algorithmes populaires tels que PPO, A2C, DDPG et SAC, associée à une gestion d'environnements vectorisés à haut débit. Les utilisateurs peuvent facilement configurer des réseaux de politiques, personnaliser des boucles d'apprentissage et exploiter l'accélération GPU pour des expérimentations à grande échelle. La conception modulaire de la bibliothèque assure une intégration transparente avec les environnements OpenAI Gym, permettant aux chercheurs et praticiens de prototyper, de benchmarker et de déployer des agents dans une variété de tâches de contrôle, de jeux et de simulation.

defaultmodeAGENT est un cadre basé sur Python qui simplifie la création d'agents intelligents effectuant automatiquement des flux de travail multi-étapes. Il dispose d'une planification en mode par défaut — une stratégie adaptative pour décider quand explorer ou exploiter — ainsi qu'une intégration transparente d'outils et d'API personnalisés. Les agents conservent une mémoire conversationnelle, supportent l'invite dynamique et offrent des journaux pour le débogage. Basé sur l'API d'OpenAI, il permet un prototypage rapide d'assistants pour l'extraction de données, la recherche et l'automatisation des tâches.

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.

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.

HFO_DQN combine Python et TensorFlow pour fournir une chaîne complète pour entraîner des agents de football utilisant Deep Q-Networks. Les utilisateurs peuvent cloner le dépôt, installer les dépendances incluant le simulateur HFO et les bibliothèques Python, et configurer les paramètres d'entraînement dans des fichiers YAML. Le cadre implémente la mémoire d'expérience, les mises à jour du réseau cible, l'exploration ε-greedy, et le façonnage de récompenses spécifique au domaine offense de moitié terrain. Il comprend des scripts pour l'entraînement des agents, la journalisation des performances, des matchs d'évaluation, et la réalisation de graphiques. La structure modulaire du code permet d'intégrer des architectures neural personnalisées, des algorithmes RL alternatifs, et des stratégies de coordination multi-agents. Les sorties incluent des modèles entraînés, des métriques de performance, et des visualisations du comportement, facilitant la recherche en apprentissage par renforcement et systèmes multi-agents.

InfantAgent offre une structure légère pour concevoir et déployer des agents intelligents en Python. Il s'intègre avec des LLM populaires (OpenAI, Hugging Face), supporte des modules de mémoire persistants et permet des chaînes d'outils personnalisés. Dès la sortie de la boîte, vous disposez d'une interface conversationnelle, d'une orchestration de tâches et d'une prise de décision basée sur des politiques. L'architecture plugin du cadre permet une extension facile pour des outils et APIs spécifiques au domaine, idéale pour le prototypage d'agents de recherche, l'automatisation des flux de travail ou l'intégration d'assistants IA dans des applications.

LangChain est un cadre Python open-source conçu pour accélérer le développement d'applications alimentées par l'IA. Il offre des abstractions pour enchaîner plusieurs appels à des modèles linguistiques (chaînes), construire des agents qui interagissent avec des outils externes, et gérer la mémoire des conversations. Les développeurs peuvent définir des invites, des parseurs de sortie et exécuter des workflows de bout en bout. Les intégrations incluent des magasins vectoriels, des bases de données, des APIs et des plateformes d'hébergement pour permettre des chatbots prêts pour la production, l’analyse de documents, des assistants de code, et des pipelines AI personnalisés.

LeanAgent est un cadre basé sur Python conçu pour rationaliser la création d'agents IA autonomes. Il offre des modules de planification intégrés exploitant de grands modèles linguistiques pour la prise de décision, une couche d'intégration d'outils extensible pour appeler des API externes ou des scripts personnalisés, et un système de gestion de mémoire qui conserve le contexte entre les interactions. Les développeurs peuvent configurer des flux de travail d'agents, intégrer des outils personnalisés, itérer rapidement avec des utilitaires de débogage, et déployer des agents prêts pour la production dans divers domaines.

Le framework LLM Maze Agent fournit un environnement basé sur Python pour construire des agents intelligents capables de naviguer dans des labyrinthes en grille en utilisant de grands modèles linguistiques. En combinant des interfaces modulaires d’environnement avec des modèles de prompt en chaîne de pensée et une planification heuristique, l’agent interroge itérativement un LLM pour décider des directions de déplacement, s’adapter aux obstacles et mettre à jour sa représentation d’état interne. La prise en charge prête à l’emploi des modèles OpenAI et Hugging Face permet une intégration transparente, tandis que la génération de labyrinthes configurable et le débogage étape par étape facilitent l’expérimentation avec différentes stratégies. Les chercheurs peuvent ajuster les fonctions de récompense, définir des espaces de observations personnalisés et visualiser les trajectoires de l’agent pour analyser les processus de raisonnement. Ce design rend LLM Maze Agent un outil polyvalent pour évaluer la planification pilotée par LLM, enseigner des concepts d’IA et benchmarker la performance des modèles sur des tâches de raisonnement spatial.

LLM State Machine est un framework Python open-source conçu pour construire des agents IA utilisant des machines à états explicites. Les développeurs définissent des états comme des étapes discrètes—chacune invoquant un grand modèle linguistique ou une logique personnalisée—et des transitions basées sur des sorties. Cette approche offre clarté, maintenabilité et une gestion robuste des erreurs pour des workflows multi-étapes alimentés par LLM, tels que le traitement de documents, les bots conversationnels ou les pipelines d'automatisation.

MARO (Multi-Agent Resource Optimization) est un cadre basé sur Python conçu pour soutenir le développement et l'évaluation d'agents d'apprentissage par renforcement multi-agent dans des scénarios de chaîne d'approvisionnement, de logistique et de gestion des ressources. Il inclut des modèles pour la gestion des inventaires, la planification des camions, le cross-docking, la location de conteneurs, et plus encore. MARO offre une API d'agent unifiée, des trackers intégrés pour la journalisation des expériences, des capacités de simulation parallèle pour des entraînements à grande échelle et des outils de visualisation pour l'analyse de la performance. La plateforme est modulaire, extensible et s'intègre aux bibliothèques RL populaires, permettant une recherche reproductible et une prototypage rapide de solutions d'optimisation pilotées par l'IA.

Matcha Agent fournit une base flexible pour la création d'agents autonomes en Python. Les développeurs peuvent configurer des agents avec des ensembles d'outils personnalisés (APIs, scripts, bases de données), gérer la mémoire conversationnelle et orchestrer des flux de travail multi-étapes sur différents LLM (OpenAI, modèles locaux, etc.). Son architecture basée sur des plugins permet une extension, un débogage et une surveillance aisés du comportement de l'agent. Que ce soit pour automatiser des tâches de recherche, d'analyse de données ou de support client, Matcha Agent simplifie le développement et le déploiement complet des agents.

MGym est un cadre spécialisé pour créer et gérer des environnements d'apprentissage par renforcement multi-agent (MARL) en Python. Il permet aux utilisateurs de définir des scénarios complexes avec plusieurs agents, chacun disposant d'espaces d'observation et d'action personnalisables, de fonctions de récompense et de règles d'interaction. MGym supporte à la fois les modes d'exécution synchrones et asynchrones, fournissant des simulations d'agents parallèles et tournantes. Conçu avec une API semblable à Gym, MGym s'intègre parfaitement avec des bibliothèques RL populaires telles que Stable Baselines, RLlib et PyTorch. Il comprend des modules utilitaires pour le benchmarking des environnements, la visualisation des résultats et l'analyse des performances, facilitant une évaluation systématique des algorithmes MARL. Son architecture modulaire permet un prototypage rapide de tâches cooperatives, compétitives ou d'agents mixtes, permettant aux chercheurs et développeurs d'accélérer l'expérimentation et la recherche MARL.

Multi-Agent AI Assistant est un cadre modulaire basé sur Python qui orchestre plusieurs agents alimentés par GPT, chacun assigné à des rôles discrets tels que la planification, la recherche, l'analyse et l'exécution. Le système supporte la transmission de messages entre agents, le stockage de mémoire et l'intégration avec des outils et APIs externes, permettant une décomposition complexe des tâches et une résolution collaborative de problèmes. Les développeurs peuvent personnaliser le comportement des agents, ajouter de nouvelles boîtes à outils et configurer les flux de travail via de simples fichiers de configuration. En exploitant un raisonnement distribué entre agents spécialisés, le cadre accélère la recherche automatisée, l’analyse de données, le support décisionnel et l’automatisation des tâches. Le dépôt comprend des implémentations d'exemple et des modèles, permettant une prototypage rapide d'assistants intelligents et de travailleurs numériques capables de gérer des flux de travail de bout en bout en environnement commercial, éducatif et de recherche.

Nuzon-AI fournit un cadre d'agent basé sur Python qui permet de définir des tâches, de gérer la mémoire conversationnelle et d'étendre les capacités via des plugins. Il prend en charge l'intégration avec des grands LLM (OpenAI, modèles locaux), permettant aux agents d'effectuer des interactions web, de l'analyse de données et des flux de travail automatisés. L'architecture comprend un registre de compétences, un système d'invocation d'outils et une couche d'orchestration multi-agents, vous permettant de composer des agents pour le support client, l'assistance à la recherche et la productivité personnelle. Grâce à des fichiers de configuration, vous pouvez personnaliser le comportement de chaque agent, la politique de rétention de la mémoire et la journalisation pour le débogage ou la conformité.