CityLearn fournit une plateforme de simulation modulaire pour la recherche en gestion de l'énergie utilisant l'apprentissage par renforcement. Les utilisateurs peuvent définir des regroupements de bâtiments multi-zones, configurer des systèmes HVAC, des unités de stockage et des sources renouvelables, puis entraîner des agents RL contre des événements de réponse à la demande. L'environnement expose des observations d'état telles que températures, profils de charge et prix de l'énergie, tandis que les actions contrôlent les points de consigne et la dispatch du stockage. Une API de récompense flexible permet des métriques personnalisées—comme les économies de coûts ou la réduction des émissions—et les outils de journalisation supports l'analyse des performances. CityLearn est idéal pour le benchmarking, l'apprentissage par curriculum, et le développement de nouvelles stratégies de contrôle dans un cadre de recherche reproductible.

Le Dynamic Multi-Agent RAG Pathway offre une architecture modulaire où chaque agent gère des tâches spécifiques — telles que la récupération de documents, la recherche vectorielle, le résumé de contexte ou la génération — tandis qu’un orchestrateur central routage dynamiquement les entrées et sorties entre eux. Les développeurs peuvent définir des agents personnalisés, assembler des pipelines via des fichiers de configuration simples, et tirer parti du journalisation intégrée, de la surveillance et du support de plugin. Ce cadre accélère le développement de solutions RAG complexes, permettant une décomposition adaptative des tâches et un traitement parallèle pour améliorer le débit et la précision.

Eliza est une plateforme de conversation légère et open-source qui simule un psychothérapeute via la reconnaissance de motifs et des modèles de scripts. Les développeurs peuvent définir des scripts, motifs, et variables de mémoire personnalisés pour ajuster les réponses et les flux de conversation. Elle fonctionne dans tout navigateur moderne ou environnement webview, supporte plusieurs sessions, et journalise les interactions pour analyse. Son architecture extensible permet l'intégration dans des pages web, des applications mobiles ou des wrappers de bureau, en faisant un outil polyvalent pour l'apprentissage, la recherche, le prototypage et les installations interactives.

Le F1Tenth Two-Agent Simulator est un cadre de simulation spécialisé construit sur ROS et Gazebo pour émuler deux véhicules autonomes à l’échelle 1/10 en course ou en coopération sur des circuits personnalisés. Il prend en charge la physique réaliste du modèle de pneus, l’émulation de capteurs, la détection de collisions et la journalisation des données. Les utilisateurs peuvent intégrer leurs propres algorithmes de planification et de contrôle, ajuster les paramètres des agents, et exécuter des scénarios tête-à-tête pour évaluer la performance, la sécurité et les stratégies de coordination dans des conditions contrôlées.

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.

MultiAgentPuzzleSolver fournit un environnement modulaire où des agents d’IA indépendants travaillent ensemble pour résoudre des énigmes telles que les puzzles à glissières, la Cube de Rubik, et les grilles logiques. Les agents partagent des informations d’état, négocient des affectations de sous-tâches, et appliquent diverses heuristiques pour explorer l’espace de solutions plus efficacement que les approches à un seul agent. Les développeurs peuvent ajouter de nouveaux comportements d’agents, personnaliser les protocoles de communication, et introduire de nouvelles définitions d’énigmes. Le cadre inclut des outils pour la visualisation en temps réel, la collecte de métriques de performance, et la scripting d’expériences. Il supporte Python 3.8+, les bibliothèques standard, et des outils ML populaires pour une intégration transparente dans les projets de recherche.

PromptHub est conçu pour optimiser le processus d'ingénierie des prompts pour les modèles d'IA. La plateforme offre une interface facile à utiliser, des capacités de versionnement et de journalisation robustes, ainsi qu'une API simple. Cet outil complet aide les équipes à organiser, tester et affiner leurs prompts plus efficacement, permettant des itérations plus rapides et de meilleurs résultats. En éliminant le besoin de solutions sur mesure, PromptHub permet aux utilisateurs de se concentrer sur la créativité et l'innovation, en en faisant un outil essentiel pour les ingénieurs de prompts, les fondateurs et toute personne impliquée dans le développement de modèles d'IA.

TinyAgent est un constructeur d'agents IA à code faible qui permet à tous de concevoir, tester et déployer des agents intelligents. Définissez des invites personnalisées, intégrez des API externes ou des sources de données, et configurez la mémoire de l'agent pour conserver le contexte. Une fois configurés, les agents peuvent être utilisés via une interface de chat Web, une extension Chrome ou un code d'intégration. Avec des analyses et des journaux, vous pouvez surveiller les performances et itérer rapidement. TinyAgent rationalise les tâches répétitives telles que la génération de rapports, le tri des e-mails et la qualification de prospects, réduisant le travail manuel et augmentant la productivité de l'équipe.

MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

AgentSimJS est conçu pour faciliter la création et l'exécution de modèles à grande échelle basés sur des agents en JavaScript. Grâce à son architecture modulaire, les développeurs peuvent définir des agents avec des états, capteurs, fonctions de décision et actionneurs personnalisés, puis les intégrer dans des environnements dynamiques paramétrés par des variables globales. Le framework orchestre des simulations à étapes discrets, gère la messagerie basée sur des événements entre agents et enregistre les données d'interaction pour analyse. Les modules de visualisation supportent le rendu en temps réel via Canvas HTML5 ou des bibliothèques externes, tandis que les plugins permettent une intégration avec des outils statistiques. AgentSimJS fonctionne à la fois dans les navigateurs modernes et sous Node.js, le rendant adapté aux applications web interactives, à la recherche académique, aux outils éducatifs et au prototypage rapide d'intelligence en essaim, de dynamique des foules ou d'expériences d'IA distribuée.

AI Receptionist est une application web basée sur Python et Flask qui intègre les modèles GPT d'OpenAI et l'API Google Calendar pour agir en tant qu'agent virtuel de la réception. Les visiteurs interagissent via un widget de chat ou une interface vocale, recevant des réponses instantanées aux FAQ, des informations personnalisées sur les services et une planification de réunions fluide. Le système enregistre les détails des visiteurs, envoie des notifications par e-mail et conserve un historique consultable des interactions. Il supporte la configuration de scripts de salutation personnalisés, de relances automatiques et de réponses multilingues, ce qui en fait une solution adaptable pour les startups, cliniques, espaces de coworking et bureaux distants recherchant une automatisation moderne et évolutive de la réception.

ProficientAI Agent Framework est une solution complète pour concevoir et déployer des agents IA avancés. Elle permet aux utilisateurs de définir un comportement personnalisé de l’agent via des définitions modulaires d’outils et des spécifications de fonctions, garantissant une intégration sans faille avec des API et services externes. Le sous-système de gestion de mémoire fournit un stockage de contexte à court et long terme, permettant des conversations cohérentes sur plusieurs tours. Les développeurs peuvent facilement basculer entre différents modèles de langage ou les combiner pour des tâches spécialisées. Des outils intégrés de surveillance et de journalisation offrent des aperçus sur la performance et les métriques d’utilisation de l’agent. Que vous construisiez des bots support client, des assistants de recherche de connaissances ou des workflows d’automatisation, ProficientAI simplifie l’ensemble du processus — du prototype à la production — en assurant échelle et fiabilité.

Le Framework de Simulation d'Agents LLM permet la conception, l'exécution et l'analyse d'environnements simulés où des agents autonomes interagissent via de grands modèles de langage. Les utilisateurs peuvent enregistrer plusieurs instances d'agents, assigner des invites et rôles personnalisables, et spécifier des canaux de communication tels que la transmission de messages ou un état partagé. Le framework orchestre les cycles de simulation, collecte des journaux et calcule des métriques comme la fréquence de passage de tour, la latence de réponse et les taux de succès. Il supporte une intégration transparente avec OpenAI, Hugging Face et des LLM locaux. Les chercheurs peuvent créer des scénarios complexes — négociation, allocation de ressources ou résolution collaborative de problèmes — pour observer des comportements émergents. Une architecture de plugins extensible permet d’ajouter de nouveaux comportements d'agents, contraintes environnementales ou modules de visualisation, favorisant des expériences reproductibles.

SyntropAI est une bibliothèque Python orientée développeur conçue pour simplifier la construction d'agents IA autonomes. Elle offre une architecture modulaire avec des composants de base pour la gestion de la mémoire, l'intégration d'outils et d'API, l'abstraction du backend LLM et un moteur de planification orchestrant des flux de travail multi-étapes. Les utilisateurs peuvent définir des outils personnalisés, configurer une mémoire persistante ou à court terme et choisir parmi les fournisseurs LLM pris en charge. SyntropAI comprend également des hooks de journalisation et de surveillance pour suivre les décisions des agents. Ses modules plug-and-play permettent aux équipes d'itérer rapidement sur le comportement des agents, ce qui la rend idéale pour les chatbots, les assistants de connaissance, l'automatisation des tâches et les prototypes de recherche.

Adorable est un cadre à faible code qui permet aux développeurs et aux entreprises de créer des agents IA autonomes capables de naviguer sur le web, d'extraire des données, d'effectuer des appels API et des flux de travail planifiés. Les utilisateurs définissent des objectifs, des déclencheurs et des actions via un tableau de bord web ou un SDK, puis testent et déploient les agents dans le cloud ou sur site. Adorable gère l'authentification, les relances d'erreur et la journalisation, tout en proposant des modèles pour des cas d'utilisation courants comme le scraping Web, les alertes par email et la surveillance des réseaux sociaux. Son tableau de bord fournit des insights en temps réel et des contrôles de scalabilité, réduisant le temps de développement et la charge opérationnelle pour les tâches d'automatisation routinières.

AgentCrew est conçu pour simplifier la création et la gestion d’agents IA en abstraisant des fonctionnalités courantes telles que le cycle de vie des agents, la persistance de la mémoire, la planification des tâches et la communication entre agents. Les développeurs peuvent définir des profils d’agents personnalisés, spécifier des déclencheurs et des conditions, et intégrer des principaux fournisseurs de LLM comme OpenAI et Anthropic. Le framework fournit un SDK Python, des outils CLI, des points de terminaison REST et un tableau de bord web intuitif pour surveiller la performance des agents. Les fonctionnalités d’automatisation des flux permettent aux agents de travailler en parallèle ou en séquence, d’échanger des messages et de journaliser les interactions pour l’audit et la ré-formation. L’architecture modulaire supporte des extensions via des plugins, permettant aux organisations d’adapter la plateforme à divers cas d’utilisation, des bots de service client aux assistants de recherche automatisés et pipelines d’extraction de données.

Les agents IA pour Pierre-Papier-Ciseaux sont un projet Python open-source démontrant comment construire, entraîner et évaluer différentes stratégies d'IA—jeu aléatoire, reconnaissance de motifs basée sur des règles, et apprentissage par renforcement (Q-learning)—dans le jeu classique Pierre-Papier-Ciseaux. Il fournit des classes d'agents modulaires, un moteur de jeu configurable, une journalisation des performances, et des utilitaires de visualisation. Les utilisateurs peuvent échanger facilement des agents, ajuster les paramètres d'apprentissage, et explorer le comportement de l'IA dans des scénarios compétitifs.

Blue Agent sert d'outil complet pour la construction d'agents pilotés par IA dans Node.js. Il permet aux développeurs de mettre en œuvre des prompts de raisonnement en chaîne de pensées pour améliorer le raisonnement, d’intégrer des outils et API externes pour des fonctionnalités enrichies, et de maintenir une mémoire de conversation pour la conservation du contexte. Le framework comprend un moteur de planification qui séquence les tâches, un module d'exécution pour effectuer des actions, et une journalisation intégrée pour suivre les décisions de l'agent. Les développeurs peuvent définir des interfaces d'outils personnalisés, orchestrer des flux de travail à plusieurs étapes et exploiter l'appel de fonctions pour interagir avec des services. La architecture modulaire de Blue Agent permet une extension transparente avec des plugins et supporte des outils de débogage pour observer le comportement de l'agent, ce qui en fait une solution idéale pour la création de chatbots avancés, d’assistants autonomes et de pipelines automatisés.