Questie est une plateforme de compagnons IA orientée jeu qui combine chat vocal en temps réel, vision d’écran, mémoire persistante et personnalités personnalisables. Elle regarde votre gameplay pendant que vous jouez, réagit aux événements à l’écran et répond avec des commentaires conscients du contexte plutôt qu’avec des réponses génériques de chatbot. Les utilisateurs peuvent choisir des compagnons fantasy, anime ou réalistes, ou créer un personnage personnalisé avec une voix, une histoire et un comportement sur mesure. La plateforme prend en charge la recherche web en direct pour les guides et les mises à jour de patch, ce qui la rend utile aussi bien pour les sessions casual que pour le jeu compétitif. Questie est également conçue pour les streamers, avec des commentaires pilotés par le compagnon et un soutien à l’engagement du public. Sa valeur principale est de rendre le gameplay plus social, immersif et réactif.

Agentic est une plateforme web conçue pour habiliter les utilisateurs à concevoir, déployer et gérer des agents IA autonomes sans écrire de code. Elle offre un constructeur d'agents glisser-déposer, des intégrations API transparentes, une mémoire persistante et des tableaux de bord analytiques. Les utilisateurs peuvent définir des personas d'agents, configurer des invites et déclencheurs d'événements personnalisés, et les relier à des services externes comme Slack ou des CRM. La plateforme prend également en charge la planification, la gestion des erreurs et la collaboration en équipe, permettant aux organisations d'automatiser des tâches comme l'enrichissement de données, la réponse aux emails, la génération de rapports et la qualification de prospects avec une visibilité et un contrôle complets.

Cerebellum propose une plateforme modulaire où les développeurs définissent des agents à l’aide de plans déclaratifs composés d’étapes séquentielles ou d’appels d’outils. Chaque plan peut appeler des outils intégrés ou personnalisés — tels que des connecteurs API, des récupérateurs ou des processeurs de données — via une interface unifiée. Les modules de mémoire permettent aux agents de stocker, récupérer et oublier des informations entre les sessions, permettant des interactions contextuelles et à état. Il s’intègre avec des LLM populaires (OpenAI, Hugging Face), supporte l’enregistrement d’outils personnalisés et comporte un moteur d’exécution événementiel pour un contrôle en temps réel. Avec des journaux, une gestion des erreurs et des hooks de plugin, Cerebellum augmente la productivité, facilitant le développement rapide d’agents pour l’automatisation, les assistants virtuels et la recherche.

WanderMind offre une architecture modulaire pour la construction d'agents IA auto-guidés. Il gère un stockage de mémoire persistante pour conserver le contexte entre les sessions, s'intègre avec des outils et APIs externes pour des fonctionnalités étendues, et orchestre le raisonnement à plusieurs étapes par le biais de planificateurs personnalisables. Les développeurs peuvent connecter différents fournisseurs LLM, définir des tâches asynchrones, et étendre le système avec de nouveaux adaptateurs d'outils. Ce cadre accélère l'expérimentation de flux de travail autonomes, permettant des applications allant de l'exploration d'idées à des assistants de recherche automatisés sans surcharge technique importante.

Huly Labs est une plateforme cloud-native d'agents IA qui permet aux développeurs et aux équipes produit de concevoir, déployer et surveiller des assistants intelligents. Les agents peuvent conserver leur contexte via une mémoire persistante, appeler des API ou bases de données externes, et exécuter des flux de travail multi-étapes grâce à un constructeur visuel. La plateforme comprend des contrôles d'accès basés sur les rôles, un SDK Node.js et une CLI pour le développement local, des composants UI personnalisables pour le chat et la voix, ainsi que des analyses en temps réel pour la performance et l'utilisation. Huly Labs gère le dimensionnement, la sécurité et la journalisation par défaut, permettant une itération rapide et des déploiements à l'échelle de l'entreprise.

PersonalAI offre un cadre d’agent complet combinant des intégrations LLM avancées avec une mémoire sémantique persistante et un système de plugins extensible. Les développeurs peuvent configurer des backends de mémoire tels que Redis, SQLite, PostgreSQL ou des magasins vectoriels pour gérer les embeddings et rappeler des conversations passées. Les plugins intégrés supportent des tâches comme la recherche web, la lecture/écriture de fichiers et l’exécution de code Python, tandis qu’une API robuste de plugins permet le développement d’outils personnalisés. L’agent coordonne les requêtes LLM et les invocations d’outils dans un flux de travail dirigé, permettant des réponses contextuelles et des actions automatisées. Utilisez des LLM locaux via Hugging Face ou des services cloud via OpenAI et Azure OpenAI. La conception modulaire de PersonalAI facilite le prototypage rapide d’assistants spécifiques à un domaine, de bots de recherche automatisés ou d’agents de gestion des connaissances qui apprennent et s’adaptent au fil du temps.

CopilotKit est un framework Python open source conçu pour permettre aux développeurs de construire des agents IA personnalisés. Il offre une architecture modulaire où vous pouvez enregistrer et configurer des outils — tels que l’accès au système de fichiers, la recherche web, un REPL Python, et des connecteurs SQL — que vous pouvez ensuite intégrer dans des agents utilisant n'importe quel LLM pris en charge. Des modules de mémoire intégrés permettent la persistance de l’état de la conversation, tandis que LangGraph vous permet de définir des flux de raisonnement structurés pour des tâches complexes. Les agents peuvent être déployés dans des scripts, des services web ou des applications CLI et peuvent évoluer sur plusieurs fournisseurs cloud. CopilotKit fonctionne parfaitement avec les modèles OpenAI, Azure OpenAI et Anthropic, permettant des workflows automatisés, des chatbots et des bots d’analyse de données.

GPT-agents est un ensemble d'outils axé sur les développeurs qui simplifie la création et l'orchestration d'agents IA autonomes utilisant GPT. Il offre des classes d'agents intégrées, un système modulaire d'intégration d'outils et une gestion de mémoire persistante pour soutenir le contexte en cours. Le framework gère des boucles de planification conversationnelle et la collaboration multi-agents, permettant d’assigner des objectifs, de planifier des sous-tâches et de relier des agents pour des workflows complexes. Supporte des outils personnalisables, la sélection de modèles et la gestion des erreurs pour une automatisation robuste et scalable dans divers domaines.

LemLab est un framework modulaire pour le développement d'agents IA alimentés par de grands modèles de langage. Les développeurs peuvent définir des modèles d'invite personnalisés, chaîner des pipelines de raisonnement multi-étapes, intégrer des outils et API externes, et configurer des backends de mémoire pour stocker le contexte des conversations. Il comprend également des suites d'évaluation pour benchmarker la performance des agents sur des tâches définies. En fournissant des composants réutilisables et des abstractions claires pour les agents, outils et mémoire, LemLab accélère l'expérimentation, le débogage et le déploiement d'applications LLM complexes en recherche et en production.

GPT Labs est une plateforme No-Code complète pour créer, former et déployer des agents IA alimentés par GPT. Elle propose des fonctionnalités telles que mémoire persistante, navigation web, chargement et traitement de fichiers, ainsi qu'une intégration transparente avec des API externes. Grâce à une interface intuitive de glisser-déposer, les utilisateurs conçoivent des workflows conversationnels, injectent des connaissances spécifiques au domaine et testent en temps réel. Une fois configurés, les agents peuvent être déployés via API REST ou intégrés dans des sites web et applications, permettant la prise en charge automatisée du service client, des assistants virtuels et des analyses de données, sans écrire une seule ligne de code. La plateforme supporte la collaboration, fournit des analyses sur la performance des agents et offre un contrôle de version pour des améliorations itératives. Son architecture flexible s'adapte aux besoins des entreprises et inclut des fonctionnalités de sécurité comme l'accès basé sur les rôles et le chiffrement.

Le cadre Multi-Agent AI fournit une solution complète pour orchestrer plusieurs agents autonomes dans des environnements cloud. Il exploite la base de données Neon compatible Postgres pour stocker l'historique des conversations et l'état des agents, Azure Functions pour exécuter la logique des agents à grande échelle, et les APIs OpenAI pour la compréhension et la génération de langage naturel. Des files d'attente de messages intégrées et des comportements basés sur les rôles permettent aux agents de collaborer sur des tâches telles que la recherche, la planification, le support client et l'analyse de données. Les développeurs peuvent personnaliser les politiques des agents, les règles de mémoire et les workflows pour répondre à divers besoins métier.

Venus est une bibliothèque Python open-source qui permet aux développeurs de concevoir, configurer et exécuter facilement des agents IA intelligents. Elle fournit une gestion intégrée des conversations, des options de stockage de mémoire persistante et un système de plugins flexible pour intégrer des outils et API externes. Les utilisateurs peuvent définir des workflows personnalisés, chaîner plusieurs appels LLM et incorporer des interfaces d'appel de fonction pour effectuer des tâches telles que la récupération de données, le web scraping ou les requêtes de base de données. Venus supporte une exécution synchrone et asynchrone, la journalisation, la gestion des erreurs et la surveillance des activités des agents. En abstraisant les interactions API de bas niveau, Venus permet un prototypage rapide et un déploiement de chatbots, assistants virtuels et workflows automatisés, tout en conservant un contrôle total sur le comportement des agents et l'utilisation des ressources.

Agentic AI Workflow est une bibliothèque Python extensible conçue pour orchestrer plusieurs agents IA pour une automatisation complexe de tâches. Elle comprend un agent de planification pour décomposer les objectifs en étapes concrètes, des agents d’exécution pour réaliser ces étapes via des LLM connectés, et un agent de réflexion pour examiner les résultats et affiner les stratégies. Les développeurs peuvent personnaliser les modèles de prompts, les modules de mémoire et les intégrations de connecteurs pour tout grand modèle de langage. Le framework fournit des composants réutilisables, une journalisation et des métriques de performance pour faciliter la création d’assistants de recherche autonomes, de pipelines de contenu et de flux de traitement de données.

Agent Forge fournit une architecture modulaire pour définir, exécuter et coordonner des agents IA. Il offre des API intégrées pour l'orchestration des tâches, des modules de mémoire pour la conservation du contexte à long terme et un système de plugins pour intégrer des services externes (par exemple, LLMs, bases de données, API tiers). Les développeurs peuvent rapidement prototyper, tester et déployer des agents en production, en combinant des flux de travail complexes sans gérer une infrastructure de bas niveau.

VillagerAgent fournit une boîte à outils complète pour la construction d'agents IA exploitant de grands modèles linguistiques. Au cœur, les développeurs définissent des interfaces d'outils modulaires, telles que recherche Web, récupération de données ou APIs personnalisées. Le framework gère la mémoire de l'agent en stockant le contexte de la conversation, les faits et l'état de la session pour des interactions multi-tours sans couture. Un système de templating de prompt flexible garantit une communication cohérente et un contrôle du comportement. Les fonctionnalités avancées incluent l'orchestration de plusieurs agents pour collaborer sur des tâches et la planification des opérations en arrière-plan. Écrit en Python, VillagerAgent supporte une installation facile via pip et s'intègre avec les fournisseurs LLM populaires. Que ce soit pour construire des bots de support client, des assistants de recherche ou des outils d'automatisation de workflows, VillagerAgent simplifie la conception, le test et le déploiement d'agents intelligents.

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.

Claude Code MCP (Memory Context Provider) est un outil CLI basé sur Python conçu pour simplifier les interactions avec le modèle Claude Code d’Anthropic. Il offre un historique de conversation persistant, des modèles de prompts réutilisables, et des utilitaires pour générer, revoir et refactoriser du code. Les développeurs peuvent invoquer des commandes pour la génération de code, les modifications automatisées, la comparaison de diffs et les explications en ligne, tout en étendant la fonctionnalité via un système de plugins. MCP facilite l’intégration de Claude Code dans les pipelines de développement pour une assistance plus cohérente et contextuelle.

Joylive Agent offre une architecture modulaire basée sur des plugins, conçue pour créer des agents IA sophistiqués. Il fournit une intégration transparente avec des LLM tels que OpenAI GPT, des backends de mémoire configurables pour la persistance des sessions, et un gestionnaire de kits d'outils pour exposer des API externes ou des fonctions personnalisées comme capacités d'agent. Le cadre inclut également une orchestration de chaîne de réflexion intégrée, une gestion de dialogue multi-tours et un serveur RESTful pour un déploiement facile. Son noyau Java garantit une stabilité de niveau entreprise, permettant aux équipes de prototyper rapidement, d'étendre et de faire évoluer des assistants intelligents pour divers cas d'utilisation.

La démo d'agent IA offre un modèle polyvalent pour construire des agents IA capables d'interagir avec les utilisateurs et des sources de données externes. Elle utilise LangChain pour orchestrer des chaînes, des outils et des modules de mémoire, permettant à l'agent d'effectuer des recherches web via SerpAPI, de résumer le contenu web, de maintenir un historique de conversation avec une mémoire basée sur des vecteurs, et d'exécuter des extraits de code via un environnement Python sécurisé. L'agent expose des commandes CLI et des points de terminaison HTTP via FastAPI, supportant l'entrée texte et vocale. Les développeurs peuvent personnaliser la définition des outils et la logique des chaînes pour adapter les agents à l'assistance client, la récupération de données ou des flux de travail automatisés. L'architecture modulaire facilite l'intégration de nouvelles capacités comme des requêtes à la base de données ou d'autres API tierces.

CereBro propose une architecture modulaire pour créer des agents IA capables de décomposer les tâches de manière autonome, de maintenir une mémoire persistante et d'utiliser des outils de manière dynamique. Il comprend un noyau Brain pour gérer pensées, actions et mémoire, supporte des plugins personnalisés pour des API externes et offre une interface CLI pour l'orchestration. Les utilisateurs peuvent définir des objectifs d'agent, configurer des stratégies de raisonnement et intégrer des fonctions telles que la recherche Web, la manipulation de fichiers ou des outils spécifiques au domaine pour exécuter les tâches de bout en bout sans intervention manuelle.