Julep AI est une plateforme open-source conçue pour aider les équipes de science des données à construire, itérer et déployer rapidement des workflows d'IA en plusieurs étapes. Avec Julep, vous pouvez créer des pipelines d'IA évolutifs, durables et de longue durée en utilisant des agents, des tâches et des outils. La configuration basée sur YAML de la plateforme simplifie les processus d'IA complexes et garantit des workflows prêts pour la production. Elle prend en charge le prototypage rapide, la conception modulaire et l'intégration transparente avec les systèmes existants, ce qui la rend idéale pour gérer des millions d'utilisateurs simultanés tout en offrant une visibilité complète sur les opérations d'IA.

Jupyter AI Agents est un cadre qui intègre des assistants IA autonomes dans les environnements Jupyter Notebook et JupyterLab. Il permet aux utilisateurs de créer, configurer et exécuter plusieurs agents capables d'accomplir une gamme de tâches telles que l'analyse de données, la génération de code, le débogage, le web scraping et la récupération de connaissances. Chaque agent conserve une mémoire contextuelle et peut être enchaîné pour des flux de travail complexes. Avec des commandes magiques simples et des API Python, les utilisateurs intègrent facilement les agents aux bibliothèques et ensembles de données Python existants. Basé sur des LLM populaires, il supporte des modèles à prompt personnalisé, la communication entre agents et le retour d'informations en temps réel. Cette plateforme transforme les workflows traditionnels en automatisant les tâches répétitives, en accélérant le prototypage et en permettant une exploration interactive pilotée par l'IA directement dans l'environnement de développement.

LangGraph GUI ReactFlow est une bibliothèque de composants React open-source qui permet aux utilisateurs de construire des flux de travail d'agents IA via un éditeur de diagrammes de flux intuitif. Chaque nœud représente un appel LLM, une transformation de données ou un appel API externe, tandis que les arêtes définissent le flux de données. Les utilisateurs peuvent personnaliser les types de nœuds, configurer les paramètres du modèle, prévisualiser les sorties en temps réel et exporter la définition du flux pour l'exécution. Une intégration transparente avec LangChain et d'autres frameworks LLM facilite l'extension et le déploiement d'agents conversationnels avancés et de pipelines de traitement de données.

LangGraph-Swift fournit un DSL basé sur un graphe pour construire des workflows IA en enchaînant des nœuds représentant des actions telles que des requêtes LLM, des opérations de récupération, des appels d'outils et la gestion de la mémoire. Chaque nœud est typé et peut être connecté pour définir l'ordre d'exécution. Le framework supporte des adaptateurs pour des services LLM populaires comme OpenAI, Azure et Anthropic, ainsi que des intégrations d'outils personnalisés pour appeler des APIs ou des fonctions. Il inclut des modules de mémoire intégrés pour conserver le contexte sur plusieurs sessions, des outils de débogage et de visualisation, et une prise en charge multiplateforme pour iOS, macOS et Linux. Les développeurs peuvent étendre les nœuds avec une logique personnalisée, permettant un prototypage rapide de chatbots, de processeurs de documents et d'agents autonomes en Swift natif.

Substrate est une plateforme polyvalente conçue pour développer des flux de travail IA en connectant divers composants modulaires ou nœuds. Il offre un kit de développement logiciel (SDK) intuitif qui englobe les fonctionnalités essentielles de l'IA, notamment les modèles de langage, la génération d'images et le stockage vectoriel intégré. Cette plateforme s'adresse à divers secteurs, permettant aux utilisateurs de construire facilement et efficacement des systèmes IA complexes. En simplifiant le processus de développement, Substrate permet aux individus et aux organisations de se concentrer sur l'innovation et la personnalisation, transformant des idées en solutions efficaces.

SuperSwarm est conçu pour orchestrer des flux de travail pilotés par l'IA en exploitant plusieurs agents spécialisés qui communiquent et collaborent en temps réel. Il supporte la décomposition dynamique des tâches, où un agent contrôleur principal divise des objectifs complexes en sous-tâches et les assigne à des agents experts. Les agents peuvent partager le contexte, échanger des messages et adapter leur approche en fonction des résultats intermédiaires. La plateforme offre un tableau de bord basé sur le web, une API RESTful et une CLI pour le déploiement et la surveillance. Les développeurs peuvent définir des rôles personnalisés, configurer des topologies de swarm et intégrer des outils externes via des plugins. SuperSwarm se scale horizontalement en utilisant l'orchestration de conteneurs, garantissant une performance robuste sous des charges de travail importantes. Les journaux, métriques et visualisations aident à optimiser les interactions des agents, ce qui le rend adapté à des tâches comme la recherche avancée, l'automatisation du support client, la génération de code et la prise de décision.

Avalon-LLM est un cadre d'IA multi-agent basé sur Python qui permet aux utilisateurs d'orchestrer plusieurs agents pilotés par LLM dans un environnement coordonné. Chaque agent peut être configuré avec des outils spécifiques — y compris la recherche web, les opérations sur fichiers et les API personnalisés — pour réaliser des tâches spécialisées. Le cadre supporte des modules de mémoire pour stocker le contexte des conversations et les connaissances à long terme, un raisonnement en chaîne pour améliorer la prise de décision, et des pipelines d’évaluation intégrés pour benchmarker la performance des agents. Avalon-LLM offre un système de plugins modulaire, permettant aux développeurs d’ajouter ou de remplacer facilement des composants comme les fournisseurs de modèles, les kits d’outils et les magasins de mémoire. Avec des fichiers de configuration simples et des interfaces en ligne de commande, les utilisateurs peuvent déployer, surveiller et étendre des flux de travail d’IA autonomes adaptés pour la recherche, le développement et la production.

Drive Flow est un framework flexible qui permet aux développeurs de concevoir des workflows basés sur l'IA en définissant une séquence d'étapes. Chaque étape peut invoquer de grands modèles de langage, exécuter des fonctions personnalisées ou interagir avec la mémoire persistante stockée dans MemoDB. Le framework supporte des logiques de branchement complexes, des boucles, une exécution parallèle de tâches et une gestion dynamique des entrées. Écrit en TypeScript, il utilise un DSL déclaratif pour spécifier les flux, permettant une séparation claire de la logique d'orchestration. Drive Flow offre également une gestion des erreurs intégrée, des stratégies de retries, la traçabilité du contexte d'exécution et un logging étendu. Les cas d'utilisation principaux incluent les assistants IA, le traitement automatisé de documents, l'automatisation du support client et les systèmes de décision multi-étapes. En abstraisant l'orchestration, Drive Flow accélère le développement et simplifie la maintenance des applications IA.

LLMWare.ai est une plateforme pour exécuter des flux de travail IA d'entreprise de manière sécurisée, locale et à grande échelle sur votre PC. Cela optimise automatiquement le déploiement des modèles d'IA pour votre matériel, garantissant ainsi des performances efficaces. Avec LLMWare.ai, vous pouvez exécuter de puissants flux de travail IA sans Internet, accéder à plus de 80 modèles d'IA, effectuer des recherches de documents sur appareil et exécuter des requêtes SQL en langage naturel.

Octoparse AI est une plateforme révolutionnaire sans code conçue pour faciliter la création de flux de travail AI personnalisés et de bots RPA. Son interface intuitive par glisser-déposer permet aux utilisateurs d'automatiser rapidement une large gamme de processus commerciaux. Avec Octoparse AI, les entreprises peuvent exploiter la puissance de l'IA et des données pour améliorer l'efficacité et la productivité sans avoir besoin de connaissances approfondies en programmation. Des applications et des workflows préconstruits accélèrent encore le processus d'automatisation, le rendant accessible même aux utilisateurs non techniques.

Scint est une plateforme puissante d'agents IA sans code qui permet aux utilisateurs de composer, déployer et gérer des flux de travail autonomes multi-étapes. Avec l'interface glisser-déposer de Scint, les utilisateurs définissent le comportement des agents, connectent API et sources de données, et configurent des déclencheurs. La plateforme propose un débogage intégré, un contrôle de version et des tableaux de bord de surveillance en temps réel. Conçue pour les équipes techniques et non techniques, Scint accélère le développement d'automatisations, garantissant l'exécution fiable de tâches complexes allant du traitement des données à la gestion du support client.

Agent-Go fournit un cadre modulaire pour construire des agents IA autonomes en Go. Il intègre des fournisseurs LLM (tels qu'OpenAI), des magasins de mémoire vectorielle pour la conservation du contexte à long terme, et un moteur de planification flexible qui décompose les demandes utilisateur en étapes exécutables. Les développeurs définissent et enregistrent des outils personnalisés (API, bases de données ou commandes shell) que les agents peuvent invoquer. Un gestionnaire de conversation suit l'historique du dialogue, tandis qu'un planificateur configurable orchestre les appels d'outils et les interactions LLM. Cela permet aux équipes de prototyper rapidement des assistants alimentés par l'IA, des flux de travail automatisés et des robots à visée task-oriented dans un environnement Go prêt pour la production.

L’Agent Communication Protocol (ACP) est un cadre formel conçu pour permettre une interaction fluide entre agents IA autonomes. L’ACP spécifie un ensemble de types de messages, d’en-têtes et de conventions de charge utile, ainsi que des mécanismes de découverte et d’enregistrement des agents. Il prend en charge le suivi des conversations, la négociation de versions et la conformité des erreurs standardisées. En fournissant des schémas JSON indépendants du langage et des liaisons transport indépendantes, l’ACP réduit la complexité d’intégration et permet aux développeurs de composer des systèmes multi-agents évolutifs et interopérables pour les chatbots, les essaims robotiques, l’orchestration IoT et les flux de travail collaboratifs en IA.

Agentic Workflow est un cadre déclaratif permettant aux développeurs de définir des flux de travail d'IA complexes en chaînant plusieurs agents basés sur LLM, chacun avec des rôles, prompts et logique d'exécution personnalisables. Il offre un support intégré pour l'orchestration des tâches, la gestion de l'état, la gestion des erreurs et les intégrations de plugins, permettant une interaction fluide entre agents et outils externes. La bibliothèque utilise Python et des configurations basées sur YAML pour abstraire la définition des agents, supporte l'exécution asynchrone et offre une extensibilité via des connecteurs et plugins personnalisés. En tant que projet open-source, il inclut des exemples détaillés, des modèles et de la documentation pour aider les équipes à accélérer le développement et à maintenir des écosystèmes complexes d'agents IA.

AWS Agentic Workflows est un cadre d'orchestration sans serveur qui vous permet de chaîner des tâches d'IA en workflows de bout en bout. Avec les modèles de fondation Amazon Bedrock, vous pouvez invoquer des agents IA pour le traitement du langage naturel, la classification ou des tâches personnalisées. AWS Step Functions gère les transitions d'état, les réessaies et l'exécution parallèle. Les fonctions Lambda peuvent prétraiter les entrées et post-traiter les sorties. CloudWatch fournit des journaux et des métriques pour une surveillance et un débogage en temps réel. Cela permet aux développeurs de créer des pipelines d'IA fiables et évolutifs sans gérer de serveurs ou d'infrastructure.

LangGraph offre une abstraction basée sur un graphe pour concevoir des flux de travail d'agents AI. Les développeurs définissent des nœuds représentant des invites, outils, sources de données ou logique de décision, puis connectent ces nœuds avec des bords pour former un graphe dirigé. Lors de l'exécution, LangGraph parcourt le graphe, exécutant des appels LLM, des requêtes API et des fonctions personnalisées en séquence ou en parallèle. La prise en charge intégrée du cache, de la gestion des erreurs, du journal et de la concurrence assure un comportement robuste de l'agent. Des modèles de nœuds et de bords extensibles permettent aux utilisateurs d'intégrer tout service ou modèle externe, rendant LangGraph idéal pour construire des chatbots, des pipelines de données, des travailleurs autonomes et des assistants de recherche sans code boilerplate complexe.

FlowOps offre un environnement visuel sans code où les utilisateurs définissent des agents IA comme des workflows séquentiels. Grâce à son constructeur intuitif par glisser-déposer, vous pouvez assembler des modules pour les interactions LLM, les recherches dans des magasins vectoriels, les appels API externes et l'exécution de code personnalisé. Les fonctionnalités avancées incluent les branchements conditionnels, les boucles et la gestion d’erreurs pour construire des pipelines robustes. Il s'intègre avec des fournisseurs LLM populaires (OpenAI, Anthropic), des bases de données (Pinecone, Weaviate) et des services REST. Une fois conçus, les workflows peuvent être déployés instantanément en tant qu’API évolutives avec surveillance, journalisation et contrôle de version intégrés. Les outils de collaboration permettent aux équipes de partager et itérer sur la conception des agents. FlowOps est idéal pour créer des chatbots, des extracteurs automatiques de documents, des workflows d’analyse de données et des processus métier entièrement pilotés par l’IA, sans écrire une seule ligne de code d’infrastructure.

Functionary fournit une méthode déclarative pour enregistrer des outils personnalisés — des fonctions JavaScript encapsulant des appels API, des requêtes de bases de données ou de la logique métier. Il encapsule une interaction avec un modèle de langage large (LLM) pour analyser les prompts utilisateur, déterminer quels outils exécuter, et analyser les sorties des outils pour produire des réponses conversationnelles. Le framework supporte la mémoire, la gestion des erreurs, et la jonction d’actions, offrant des hooks pour le pré- et post-traitement. Les développeurs peuvent rapidement déployer des agents capables d’orchestration dynamique de fonctions sans boilerplate, améliorant ainsi le contrôle sur les workflows pilotés par l’IA.

Firebase GenKit est un cadre de développement qui simplifie la création de fonctionnalités d'IA générative à l'aide des services Firebase. Il inclut des modèles de Cloud Functions pour invoquer des LLM, des déclencheurs Firestore pour consigner et gérer les prompts/réponses, une intégration d'authentification et des composants UI front-end pour le chat et la génération de contenu. Conçu pour une scalabilité sans serveur, GenKit vous permet de brancher le fournisseur LLM de votre choix (par ex., OpenAI) et de configurer votre projet Firebase, permettant des workflows AI de bout en bout sans gestion d'infrastructure lourde.

Glif sert de bac à sable AI où chacun peut construire ses flux de travail pilotés par AI, des générateurs d'images et des applications interactives sans codage. Elle allie créativité et technologie en offrant des outils pour générer des visuels et des histoires captivantes. Les utilisateurs lancent des projets, explorent diverses invites et construisent des applications dynamiques adaptées à leurs besoins, tout en ayant la liberté d'expérimenter et d'innover. De l'art génératif aux chatbots AI, Glif permet aux utilisateurs de réaliser leurs idées de manière accessible.