ExampleAgent est une boîte à outils axée sur le développement pour accélérer la création d'assistants pilotés par l'IA. Il s'intègre directement aux modèles GPT d'OpenAI pour gérer la compréhension et la génération du langage naturel et propose un système plug-in pour ajouter des outils ou API personnalisés. Le framework gère le contexte de conversation, la mémoire et la gestion des erreurs, permettant aux agents d'effectuer la récupération d'informations, l'automatisation des tâches et des workflows de prise de décision. Avec des modèles de code clairs, une documentation et des exemples, les équipes peuvent rapidement créer des agents spécifiques au domaine pour les chatbots, l'extraction de données, la planification, etc.

Jaaz est un cadre d'agent IA extensible conçu pour créer des solutions de chatbot et d'assistant vocal hautement interactifs. Construit sur Node.js et JavaScript, il fournit des modules principaux pour la gestion des dialogues, la mémoire contextuelle à long terme et l'intégration d'API tierces, permettant l'utilisation dynamique d'outils lors des conversations. Les développeurs peuvent définir des compétences personnalisées, exploiter de grands modèles linguistiques pour la compréhension du langage naturel et intégrer des moteurs de parole-texte et texte-parole pour des expériences vocales. L'architecture modulaire de Jaaz simplifie le déploiement sur les infrastructures cloud et sur site, supportant la création rapide de prototypes et des workflows à niveau production.

JASA fournit un ensemble complet de bibliothèques Java pour construire et exécuter des simulations de systèmes multi-agents. Il supporte la gestion du cycle de vie des agents, la planification d'événements, la transmission asynchrone de messages et la modélisation d'environnements. Les développeurs peuvent étendre les classes principales pour implémenter des comportements personnalisés, intégrer des sources de données externes et visualiser les résultats de la simulation. La conception modulaire et la documentation API claire facilitent la création rapide de prototypes et la scalabilité, ce qui le rend adapté à la recherche académique, à l'enseignement et au développement de preuves de concept en modélisation basée sur les agents.

L’interface LangServe Assistant UI est une application frontale modulaire construite avec React et TypeScript qui communique parfaitement avec le backend LangServe pour offrir une expérience IA conversationnelle complète. Elle fournit des fenêtres de chat personnalisables, un streaming en temps réel des messages, des invites contextuelles, une orchestration multi-agent et des hooks pour API externes. L’UI supporte le theming, la localisation, la gestion des sessions et des hooks d’événements pour capturer les interactions utilisateur. Elle peut être intégrée dans des applications Web existantes ou déployée comme une SPA autonome, permettant un déploiement rapide de bots de service client, d’assistants de génération de contenu et d’agents de connaissances interactifs. Son architecture extensible garantit une personnalisation et une maintenance faciles.

L'adaptateur d'outils pour agents MCP agit comme une couche middleware entre les agents basés sur des modèles linguistiques et les implémentations d'outils externes. En enregistrant des signatures de fonction ou des descripteurs d'outil, le framework analyse automatiquement les sorties de l’agent qui spécifient des appels d’outils, déploie l’adaptateur approprié, gère la sérialisation des entrées et renvoie le résultat au contexte de raisonnement. Les fonctionnalités incluent la découverte dynamique d’outils, le contrôle de la concurrence, la journalisation et des pipelines de gestion d’erreurs. Il prend en charge la définition d'interfaces d'outils personnalisés et l'intégration de services cloud ou sur site. Cela permet de construire des workflows complexes multi-outils tels que l’orchestration d’API, la récupération de données et les opérations automatisées sans modifier le code de l’agent sous-jacent.

micro-agent fournit une abstraite minimaliste mais puissante pour créer des agents IA autonomes. Écrite en TypeScript, elle fonctionne parfaitement à la fois dans le navigateur et dans Node.js, permettant de définir des agents avec des modèles de prompt personnalisés, une logique de décision et une intégration d'outils extensible. Les agents peuvent exploiter le raisonnement par chaîne de pensée, interagir avec des API externes et maintenir une mémoire conversationnelle ou spécifique à une tâche. La bibliothèque inclut des utilitaires pour la gestion des réponses API, la gestion des erreurs et la persistance des sessions. Avec micro-agent, les développeurs peuvent prototyper et déployer des agents pour une gamme de tâches — automatisation de workflows, construction d'interfaces conversationnelles ou orchestration de pipelines de traitement de données — sans la surcharge de frameworks plus importants. Son design modulaire et son API claire permettent une extension facile et une intégration dans des applications existantes.

Modus est un framework orienté développeur qui simplifie la création d'agents d'IA en fournissant des composants principaux pour l'intégration de LLM, le stockage de mémoire et l'orchestration d'outils. Il supporte des bibliothèques d'outils basées sur des plugins, permettant aux agents d'exécuter des tâches telles que la récupération de données, l'analyse et l'exécution d'actions. Avec des modules de mémoire intégrés, les agents peuvent maintenir le contexte de conversation et apprendre au fil des interactions. Son architecture extensible accélère le développement et le déploiement de l'IA dans diverses applications.

Multi-Agent Systems fournit une boîte à outils complète pour créer, contrôler et observer les interactions entre agents autonomes. Les développeurs peuvent définir des classes d'agents avec une logique décisionnelle personnalisée, configurer des environnements complexes avec des ressources et des règles configurables, et mettre en œuvre des canaux de communication pour l'échange d'informations. Le framework prend en charge la planification synchrone et asynchrone, les comportements basés sur des événements, et intègre la journalisation pour les métriques de performance. Les utilisateurs peuvent étendre les modules de base ou intégrer des modèles d'IA externes pour améliorer l'intelligence des agents. Les outils de visualisation offrent une représentation en temps réel ou après exécution, pour analyser les comportements émergents et optimiser les paramètres du système. De la recherche académique aux prototypes d’applications distribuées, Multi-Agent Systems simplifie les simulations multi-agents de bout en bout.

PulpGen fournit une plateforme unifiée et configurable pour construire des applications avancées basées sur LLM. Elle offre des intégrations transparentes avec des magasins de vecteurs populaires, des services d'intégration, et des fournisseurs LLM. Les développeurs peuvent définir des pipelines personnalisés pour la génération augmentée par récupération, activer des sorties en streaming en temps réel, traiter par lot de grandes collections de documents, et surveiller la performance du système. Son architecture extensible permet des modules plug-and-play pour la gestion du cache, la journalisation et l'auto-scaling, ce qui le rend idéal pour la recherche alimentée par IA, la question-réponse, la synthèse, et la gestion des connaissances.

Le modèle AgentForce Custom Client fournit une base de code utilisant JavaScript/TypeScript et les API Salesforce pour s'authentifier auprès d'une organisation Salesforce, gérer les sessions de chat AgentForce, envoyer et recevoir des messages, et personnaliser les composants de l'interface utilisateur. Il met en avant la souscription aux événements, l'intégration de logique métier personnalisée, et le style via Lightning Web Components. Les développeurs peuvent utiliser ce modèle pour créer des agents conversationnels IA, ajuster les flux de messages, intégrer des systèmes externes et étendre le cadre pour répondre aux flux de travail et aux exigences de branding spécifiques à leur organisation.

Saga offre une architecture flexible pour créer des agents AI qui planifient et exécutent des flux de travail multi-étapes. Les composants principaux incluent un module de planification qui décompose les objectifs en actions, un stockage de mémoire pour le contexte conversationnel et des tâches, et un registre d'outils pour intégrer des services ou scripts externes. Les agents s'exécutent de manière asynchrone, gèrent l'état entre les sessions et prennent en charge le développement d'outils personnalisés. Saga permet un prototypage rapide d'assistants autonomes, automatisant des tâches telles que la collecte de données, les alertes et les questions-réponses interactives dans votre environnement Python.

Taiat (TypeScript AI Agent Toolkit) est un cadre léger et extensible pour construire des agents IA autonomes dans les environnements Node.js et navigateur. Il permet aux développeurs de définir des comportements d'agents, d'intégrer des API de grands modèles de langage comme OpenAI et Hugging Face, et d'orchestrer des flux de travail d'exécution d'outils multi-étapes. Le framework supporte des backend mémoire personnalisables pour des conversations à état, l'enregistrement d'outils pour recherches web, opérations de fichiers et appels API externes, ainsi que des stratégies de décision modulables. Avec Taiat, vous pouvez rapidement prototyper des agents qui planifient, raisonnent et exécutent des tâches de manière autonome, allant de la récupération de données et la synthèse jusqu'à la génération automatique de code et assistants conversationnels.

Tiny-OAI-MCP-Agent fournit une architecture d'agent extensible et compacte basée sur l'API OpenAI. Il implémente une boucle de processus multi-cognitif (MCP) pour le raisonnement, la mémoire et l'utilisation d'outils. Vous définissez des outils (API, opérations sur fichiers, exécution de code), et l'agent planifie les tâches, rappelle le contexte, invoque les outils, et itère sur les résultats. Cette base de code minimaliste permet aux développeurs d'expérimenter avec des workflows autonomes, des heuristiques personnalisées et des modèles de prompt avancés tout en gérant automatiquement les appels API, la gestion d'état et la récupération d'erreurs.

Ce dépôt regroupe une collection complète de composants de systèmes multi-agent et de techniques de coordination IA distribuée. Il offre des implémentations d'algorithmes de consensus, de protocoles de négociation Contract-Net, d'attribution de tâches basée sur des enchères, de stratégies de formation de coalitions et de cadres de communication inter-agent. Les utilisateurs peuvent exploiter des environnements de simulation intégrés pour modéliser et tester le comportement des agents sous diverses topologies de réseau, scénarios de latence et modes de défaillance. La conception modulaire permet aux développeurs et chercheurs d'intégrer, d'étendre ou de personnaliser des modules de coordination individuels pour des applications dans les essaims de robotique, la collaboration entre dispositifs IoT, les réseaux électriques intelligents et la prise de décision distribuée.

AIAgents4Pharma provides an orchestrated framework of AI-driven agents tailored for pharmaceutical research. The platform includes data ingestion agents that aggregate clinical and molecular datasets, simulation agents that model virtual patient responses under varying treatment scenarios, and analytical agents that evaluate biomarkers, predict efficacy, and optimize dosage regimens. By chaining these agents into automated workflows, researchers can conduct virtual clinical trials, accelerate lead identification, and generate regulatory-grade reports. The modular architecture allows customization of agent behaviors, integration with external APIs or in-house data stores, and visual monitoring dashboards for real-time insights into pipeline execution. This reduces experimental costs and timelines while ensuring reproducible, data-driven decisions in drug development.

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.

Cognify permet aux utilisateurs de définir leurs objectifs en science des données et de laisser les agents IA gérer la partie difficile. Les agents peuvent écrire et déboguer du code, se connecter à des bases de données pour obtenir des insights, produire des visualisations interactives et même exporter des rapports. Grâce à une architecture de plugins, les utilisateurs peuvent étendre la fonctionnalité aux API personnalisées, aux systèmes de planification et aux services cloud. Cognify offre la reproductibilité, des fonctionnalités de collaboration et un journal de bord pour suivre les décisions et sorties des agents, le rendant adapté au prototypage rapide et aux flux de travail en production.

LinkAgent fournit un micronoyau léger pour construire des agents d'IA avec des composants plug-in. Les utilisateurs peuvent enregistrer des backends de modèles de langage, des modules de récupération et des API externes en tant qu'outils, puis les assembler en workflows utilisant des planificateurs et routeurs intégrés. LinkAgent supporte des gestionnaires de mémoire pour la persistance du contexte, l'invocation dynamique d'outils et une logique de décision configurable pour un raisonnement complexe à plusieurs étapes. Avec peu de code, les équipes peuvent automatiser des tâches telles que le QA, l'extraction de données, l'orchestration de processus et la génération de rapports.

Minerva est un framework d'agents IA extensible conçu pour automatiser des flux de travail complexes en utilisant de grands modèles de langage. Les développeurs peuvent intégrer des outils externes — tels que la recherche web, les API ou les processeurs de fichiers — définir des stratégies de planification personnalisées et gérer la mémoire conversationnelle ou persistante. Minerva supporte l'exécution synchrone et asynchrone de tâches, la journalisation configurable et une architecture de plugins, facilitant le prototypage, le test et le déploiement d'agents intelligents capables de raisonner, planifier et utiliser des outils dans des scénarios réels.

La chouette fournit une boîte à outils axée sur le développement qui permet de créer des agents d'IA autonomes capables d'exécuter des tâches complexes à plusieurs étapes. Au cœur, elle exploite des grands modèles de langage (LLMs) pour le raisonnement, renforcés par un système de plugins pour appeler des API externes, exécuter du code et interroger des bases de données. Les développeurs définissent des agents à l'aide d'une API TypeScript simple, spécifient des ensembles d'outils et configurent des modules de mémoire pour conserver l'état entre les interactions. La runtime de la chouette orchestre les boucles de raisonnement, gère l'invocation d'outils et la concurrence. Elle supporte à la fois les environnements Node.js et Deno, assurant une large compatibilité multiplateforme. Avec une journalisation intégrée, la gestion des erreurs et des hooks d'extensibilité, la chouette simplifie le prototypage et le déploiement en production de flux de travail, chatbots et assistants automatisés alimentés par l'IA.