DSpy Agents est une boîte à outils Python open source qui simplifie la création d'agents IA autonomes. Elle offre une architecture modulaire pour assembler des agents avec des outils personnalisables pour le web scraping, l'analyse de documents, les requêtes à des bases de données et l'intégration de modèles linguistiques (OpenAI, Hugging Face). Les développeurs peuvent orchestrer des flux de travail complexes en utilisant des modèles d'agents préconstruits ou en définissant des ensembles d'outils personnalisés pour automatiser des tâches telles que la synthèse de recherches, le support client et les pipelines de données. Avec la gestion intégrée de la mémoire, la journalisation, la génération augmentée par récupération, la collaboration multi-agents et une déploiement facile via la containerisation ou des environnements sans serveur, DSpy Agents accélère le développement d'applications pilotées par agents sans code boilerplate.

L'agrégateur d'agents Kaiban offre un tableau de bord unifié pour parcourir et gérer des agents IA construits avec le framework KaibanJS. Les utilisateurs peuvent filtrer les agents par catégorie, consulter la documentation détaillée, tester le comportement des agents et déployer en un clic en environnement de staging ou de production. La plateforme suit les métriques d'exécution et les journaux d'utilisation, permettant une supervision des performances et une itération rapide. Des outils de collaboration intégrés permettent à plusieurs parties prenantes d'annoter, commenter et partager des configurations, tandis que les intégrations API facilitent l'intégration des agents dans des applications ou workflows existants.

SCOUT-2 offre une architecture modulaire pour construire des agents autonomes alimentés par de grands modèles de langage. Il inclut la décomposition des objectifs, la planification des tâches, un moteur d'exécution et un module de réflexion basé sur les retours. Les développeurs définissent un objectif de haut niveau, et SCOUT-2 génère automatiquement un arbre de tâches, délègue l'exécution à des agents, surveille l'avancement et affine les tâches en fonction des résultats. Il s'intègre aux API d'OpenAI et peut être étendu avec des invites personnalisées et des modèles pour supporter un large éventail de flux de travail.

Uncovr est une plateforme polyvalente conçue pour rationaliser les processus de travail en permettant aux utilisateurs de créer des agents IA personnalisés. Ces agents peuvent être adaptés à des besoins spécifiques grâce à la combinaison d'instructions, de capacités et de connaissances. Les utilisateurs peuvent explorer des modèles d'agents, rédiger du contenu semblable à celui d'un humain, générer des noms de domaine et transcrire ou résumer des vidéos YouTube. Les capacités alimentées par l'IA d'Uncovr sont idéales pour toute personne cherchant à automatiser et optimiser son flux de travail, rendant les tâches quotidiennes plus efficaces et gérables.

Agents Factory fournit un environnement complet pour créer des agents autonomes alimentés par des modèles linguistiques de pointe et spécifiques à un domaine. Grâce à son constructeur de flux de travail intuitif glisser-déposer, les utilisateurs peuvent assembler les comportements des agents en définissant des déclencheurs, des actions et des points de décision. La plateforme comprend une bibliothèque de modèles d'agents pré-configurés, allant de bots de service client à des assistants d'analyse de données, qui peuvent être personnalisés selon les besoins commerciaux. Agents Factory supporte également l'intégration avec des services tiers via REST API et webhooks, permettant aux agents de récupérer des données de CRM, bases de données et outils SaaS. Les tableaux de bord de surveillance en temps réel permettent de suivre l'activité des agents, les métriques de performance et les journaux pour le débogage. La planification intégrée et l'orchestration d'événements permettent aux agents d'exécuter des tâches à la demande ou selon un calendrier, garantissant une automatisation fiable et évolutive dans les organisations.

Emma-X fournit une plateforme modulaire d’orchestration d’agents pour construire des assistants IA conversationnels utilisant de grands modèles de langage. Les développeurs peuvent définir le comportement de l’agent via des configurations JSON, choisir des fournisseurs LLM comme OpenAI, Hugging Face ou des points de terminaison locaux, et joindre des outils externes tels que la recherche, les bases de données ou les API personnalisées. La couche de mémoire intégrée conserve le contexte à travers les sessions, tandis que les composants UI gèrent le rendu du chat, le téléchargement de fichiers, et les invites interactives. Les hooks de plugin permettent la récupération de données en temps réel, l’analyse, et les boutons d’action personnalisés. Emma-X est livré avec des agents exemples pour le support client, la création de contenu, et la génération de code. Son architecture ouverte permet aux équipes d’étendre les capacités des agents, d’intégrer avec des applications Web existantes, et de faire rapidement évoluer les flux de conversation sans expertise approfondie en LLM.

negotiation_agent fournit une boîte à outils modulaire pour construire des bots de négociation autonomes alimentés par des modèles de type GPT. Les développeurs peuvent spécifier des scénarios de négociation en définissant des éléments, des préférences et des fonctions d’utilité pour modéliser les objectifs de l’agent. Le cadre inclut des modèles d’agent prédéfinis et permet l’intégration de stratégies personnalisées, comprenant la génération d’offres, l’évaluation des contre-offres, les décisions d’acceptation et la clôture des accords. Il gère les flux de dialogue en utilisant des protocoles standardisés, supporte des simulations en lot pour des expériences de style tournoi, et calcule des métriques de performance telles que le taux d’accord, les gains d’utilité et les scores d’équité. L’architecture ouverte facilite l’échange des backends LLM sous-jacents et l'extension de la logique des agents à travers des plugins. Avec negotiation_agent, les équipes peuvent rapidement prototyper et évaluer des solutions de négociation automatisée dans le commerce électronique, la recherche et l’éducation.

Tambo offre une solution de bout en bout pour créer, déployer et gérer des agents IA au sein de votre organisation. Les utilisateurs commencent par sélectionner dans une bibliothèque de modèles d'agents préconstruits ou configurent un flux de travail personnalisé via un éditeur visuel. Chaque agent est alimenté par les modèles GPT d'OpenAI et peut s'intégrer à plusieurs applications—comme Slack, Google Workspace et e-mail—pour effectuer des tâches telles que la planification de réunions, la rédaction d'e-mails, la synthèse de documents et l'analyse de données. Tambo fournit également des tableaux de bord de surveillance, des analyses d'utilisation et des fonctionnalités de collaboration en équipe, permettant aux entreprises d'étendre leurs efforts d'automatisation AI en toute sécurité et efficacité, sans écrire de code.

AI-Agents propose une architecture modulaire pour définir des agents pilotés par IA utilisant Python et des modèles OpenAI. Il intègre des outils plug-in – notamment la recherche web, des calculatrices, la recherche Wikipedia et des fonctions personnalisées – permettant aux agents d'effectuer un raisonnement complexe à plusieurs étapes. Des composants de mémoire intégrés permettent la conservation du contexte entre les sessions. Les développeurs peuvent cloner le dépôt, configurer des clés API et étendre ou échanger rapidement des outils. Avec des exemples clairs et une documentation, AI-Agents simplifie le flux de travail du concept au déploiement de solutions IA conversationnelles ou orientées tâche.

L'atelier Agents IA est un dépôt complet offrant des exemples pratiques et des modèles pour développer des agents IA avec Python. L'atelier inclut des notebooks Jupyter démontrant des frameworks d'agents, des intégrations d'outils (ex. recherche web, opérations sur fichiers, requêtes de bases de données), des mécanismes de mémoire et du raisonnement multi-étapes. Les utilisateurs apprennent à configurer des planificateurs d'agents personnalisés, définir des schémas d'outils et implémenter des flux de travail conversationnels en boucle. Chaque module propose des exercices sur la gestion des erreurs, l'optimisation des prompts et l'évaluation des sorties des agents. Le code supporte le appel de fonctions d'OpenAI et les connecteurs LangChain, permettant une extension fluide pour des tâches spécifiques au domaine. Idéal pour les développeurs souhaitant prototyper des assistants autonomes, des bots d'automatisation des tâches ou des agents de question-réponse, il offre une progression pas à pas du simple agent aux workflows avancés.

Pydantic AI utilise des modèles Pydantic pour encapsuler les définitions d'agents IA, en assurant la sécurité de type des entrées et sorties. Les développeurs déclarent des modèles de prompts comme champs de modèle, validant automatiquement les données utilisateur et les réponses des agents. Le framework offre une gestion intégrée des erreurs, une logique de reprise et un support pour les appels de fonction. Il s'intègre avec des LLM populaires (OpenAI, Azure, Anthropic, etc.), supporte les flux de travail asynchrones et permet la composition modulaire d'agents. Avec des schémas clairs et des couches de validation, Pydantic AI réduit les erreurs à l'exécution, simplifie la gestion des prompts et accélère la création d'agents IA robustes et maintenables.