Banana Prompts est une plateforme en ligne gratuite qui collecte, vérifie et partage des modèles de prompts IA pour les modèles de génération d'images et de vidéos. En proposant des prompts réels qui produisent des résultats concrets, elle aide aussi bien les débutants que les utilisateurs expérimentés à améliorer leurs projets créatifs alimentés par l'IA. Les utilisateurs peuvent accéder à la formulation exacte, aux paramètres et aux techniques d'une large communauté, permettant un apprentissage plus rapide et de meilleurs résultats dans la production d'art IA.

Banana Prompts est une bibliothèque de prompts en ligne conçue spécifiquement pour la génération d'images avec Nano Banana AI. Elle fournit aux utilisateurs des modèles de prompts testés et optimisés professionnellement dans divers styles artistiques. Les utilisateurs peuvent parcourir, filtrer et copier facilement des prompts pour générer des images de haute qualité, rendant le processus créatif plus rapide et plus efficace. La plateforme prend en charge la découverte de prompts pour les artistes numériques, les créateurs de contenu, les équipes marketing, les designers et les amateurs, leur permettant de libérer tout le potentiel de la création d'images pilotée par l'IA.

Par GPT fournit une interface simple pour dispatcher en parallèle de gros volumes d'appels GPT d'OpenAI, optimisant l'utilisation de l'API et réduisant la latence de bout en bout. Les développeurs définissent des tâches de prompt, et Par GPT gère automatiquement les workers en sous-processus, impose des limites de débit, refait les demandes échouées et consolide les sorties en résultats structurés. Il supporte la personnalisation du nombre de workers, des délais d'attente et des contrôles de concurrence sur Windows, macOS et Linux.

Augini permet aux développeurs de définir des agents intelligents capables d'interpréter les entrées utilisateur, d'invoquer des API externes, de charger la mémoire contextuelle et de produire des réponses cohérentes et multi-étapes. Les utilisateurs peuvent configurer chaque agent avec des kits d'outils personnalisables pour la recherche web, les requêtes de base de données, l_operations de fichiers ou des fonctions Python personnalisées. Le module de mémoire intégré conserve l'état de la conversation entre les sessions, assurant une continuité contextuelle. L'API déclarative d'Augini permet la construction de workflows complexes avec logique conditionnelle, tentatives et gestion des erreurs. Il s'intègre parfaitement avec les principaux fournisseurs de LLM tels qu'OpenAI, Anthropic, et Azure AI, et supporte le déploiement en tant que scripts autonomes, conteneurs Docker ou microservices évolutifs. Augini permet aux équipes de prototyper, tester et maintenir rapidement des agents intelligents en production.

Ernie Bot Agent est un cadre de développement conçu pour simplifier la création d'agents conversationnels basés sur l'IA utilisant Baidu ERNIE Bot. Il fournit des abstractions pour les appels API, les modèles d'invite, la gestion de la mémoire et l'intégration d'outils. Le SDK supporte les conversations multi-tours avec prise en compte du contexte, les workflows personnalisés pour l'exécution de tâches et un système de plugins pour des extensions spécifiques au domaine. Avec une journalisation intégrée, une gestion d'erreurs et des options de configuration, il réduit la quantité de code répétitif et permet de prototyper rapidement des chatbots, assistants virtuels et scripts d'automatisation.

CrewAI Agent Generator utilise une interface en ligne de commande pour initialiser un nouveau projet d’agent IA avec des structures de dossiers solidement établies, des modèles de prompts d’exemple, des définitions d’outils et des stubs de test. Vous pouvez configurer des connexions à OpenAI, Azure ou des endpoints LLM personnalisés ; gérer la mémoire de l’agent avec des magasins vectoriels ; orchestrer plusieurs agents dans des workflows collaboratifs ; consulter des logs détaillés de conversation ; et déployer vos agents sur Vercel, AWS Lambda ou Docker avec des scripts intégrés. Il accélère le développement et garantit une architecture cohérente pour les projets d’agents IA.

GPTMe fournit une plateforme robuste pour orchestrer des agents IA qui conservent le contexte conversationnel, intègrent des outils externes et exposent une API cohérente. Les développeurs installent un paquet Python léger, définissent des agents avec des backends mémoire plug-and-play, enregistrent des outils personnalisés (par exemple, recherche web, requêtes de base de données, opérations sur fichiers), et démarrent un service local ou cloud. GPTMe gère le suivi des sessions, la logique à plusieurs étapes, le templating de prompts et le changement de modèles, en fournissant des assistants prêts pour la production destinés au service client, à la productivité, à l'analyse de données, et plus encore.

GRASP propose un pipeline structuré pour construire des agents IA dans des environnements TypeScript ou JavaScript. Au cœur, les développeurs définissent des agents en enregistrant un ensemble d'outils—fonctions ou connecteurs API externes—et en spécifiant des modèles de prompts qui guident le comportement de l'agent. Des modules de mémoire intégrés permettent aux agents de stocker et de récupérer des informations contextuelles, permettant des conversations multi-tours avec un état persistant. La composante de planification orchestre la sélection et l'exécution des outils en fonction de l'entrée utilisateur, tandis que la couche d'exécution gère les appels API et le traitement des résultats. Le système de plugins de GRASP supporte des extensions personnalisées, permettant des fonctionnalités telles que la génération augmentée par récupération (RAG), la planification de tâches et la journalisation. Sa conception modulaire permet aux équipes de choisir uniquement les composants dont elles ont besoin, facilitant l'intégration avec des systèmes et services existants pour les chatbots, assistants virtuels et workflows automatisés.

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.

AI-Agent-Framework offre une base complète pour créer des agents alimentés par l'IA en Python. Il comprend des modules pour gérer la mémoire des conversations, intégrer des outils externes et construire des modèles de prompts. Les développeurs peuvent se connecter à divers fournisseurs de LLM, doter les agents de plugins personnalisés et orchestrer plusieurs agents dans des workflows coordonnés. Des outils de journalisation et de surveillance intégrés aident à suivre la performance des agents et à déboguer leurs comportements. La conception extensible du framework permet l'ajout transparent de nouveaux connecteurs ou capacités spécifiques à un domaine, le rendant idéal pour le prototypage rapide, les projets de recherche et l'automatisation de niveau production.

AI-OnChain-Agent intègre les modèles GPT d'OpenAI avec les protocoles Web3 pour créer des agents blockchain autonomes. Il se connecte aux réseaux Ethereum via des points de terminaison RPC configurables, utilise LangChain pour l'orchestration des prompts et Ethers.js/Hardhat pour les interactions avec les contrats intelligents. Les développeurs peuvent spécifier des stratégies de trading ou de gouvernance via des modèles de prompts, surveiller en temps réel les métriques des jetons, signer les transactions avec des clés privées et exécuter des opérations d'achat/vente ou de staking/déstaking. Des journaux détaillés suivent les décisions et les résultats on-chain, et la conception modulaire supporte l'extension vers des oracles, la gestion de liquidités ou la participation automatisée à la gouvernance via plusieurs protocoles DeFi.

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.

Exo est un framework centré sur le développeur permettant la création d'agents pilotés par IA capables de communiquer avec les utilisateurs, d'invoquer des API externes et de préserver le contexte de conversation. Au cœur, Exo utilise des définitions TypeScript pour décrire des outils, des couches de mémoire et la gestion du dialogue. Les utilisateurs peuvent enregistrer des actions personnalisées pour des tâches telles que la récupération de données, la planification ou l'orchestration d'API. Le framework gère automatiquement des modèles de prompt, la gestion des messages et la gestion des erreurs. Le module de mémoire d'Exo peut stocker et rappeler des informations spécifiques à l'utilisateur à travers différentes sessions. Les développeurs déploient des agents dans des environnements Node.js ou sans serveur avec une configuration minimale. Exo prend aussi en charge des middlewares pour la journalisation, l'authentification et les métriques. Son architecture modulaire permet de réutiliser des composants dans plusieurs agents, accélérant le développement et réduisant la redondance.

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.

PHP AI Tool Bridge est un cadre PHP flexible conçu pour abstraire la complexité de l'interaction avec diverses APIs d'IA et de modèles de langage étendus. En définissant une interface AiTool standard, il permet aux développeurs de passer d'un fournisseur à l'autre, comme OpenAI, Azure OpenAI et Hugging Face, sans modifier la logique métier. La bibliothèque comprend la prise en charge des modèles de prompts, la configuration des paramètres, le streaming, les appels de fonctions, la mise en cache des requêtes et la journalisation. Elle dispose également d'un modèle d'exécution d'outils permettant de chaîner plusieurs outils d'IA, de créer des agents conversationnels et de gérer l'état via des magasins de mémoire. PHP AI Tool Bridge accélère le développement de fonctionnalités alimentées par l'IA en réduisant le code boilerplate et en garantissant une utilisation cohérente de l'API.

Chat MulanAI offre une interface web transparente pour des conversations en langage naturel avec des modèles IA. Les utilisateurs peuvent choisir parmi plusieurs modèles préconfigurés ou intégrer des points de terminaison personnalisés, créer et enregistrer des prompts, et maintenir un contexte à long terme grâce à une mémoire persistante. La plateforme enregistre l'historique des sessions pour la révision, l'exportation ou la collaboration, permettant une génération d'idées efficace, une assistance à la recherche, le débogage de code et le soutien à l'écriture créative. Les outils intégrés incluent l'analyse de sentiment, la traduction et les utilitaires de mise en forme, aidant les équipes et les individus à rationaliser leurs flux de travail et à augmenter leur productivité.

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.

KoG Playground est une plateforme open-source basée sur le navigateur, conçue pour simplifier le développement d'agents de génération augmentée par récupération (RAG). Elle se connecte à des bases de données vectorielles populaires comme Pinecone ou FAISS, permettant aux utilisateurs d'ingérer des corpus de texte, de calculer des embeddings et de configurer visuellement des pipelines de récupération. L'interface offre des composants modulaires pour définir des modèles de prompts, des backends LLM (OpenAI, Hugging Face) et des gestionnaires de chaîne. Des logs en temps réel affichent l'utilisation des tokens et les métriques de latence pour chaque appel API, aidant ainsi à optimiser la performance et le coût. Les utilisateurs peuvent ajuster les seuils de similarité, les algorithmes de re-ranking et les stratégies de fusion des résultats à la volée, puis exporter leur configuration sous forme d'extraits de code ou de projets reproductibles. KoG Playground facilite le prototypage pour les chatbots basés sur la connaissance, les applications de recherche sémantique et les assistants IA personnalisés avec peu de programmation nécessaire.

Micro-agent est une bibliothèque JavaScript légère et sans opinion, conçue pour simplifier la création d'agents IA sophistiqués utilisant de grands modèles de langage. Elle expose des abstractions de base telles que agents, outils, planificateurs et magasins de mémoire, permettant aux développeurs de assembler des flux conversationnels personnalisés. Les agents peuvent invoquer des API externes ou des utilitaires internes en tant qu'outils, permettant une récupération dynamique de données et l'exécution d'actions. La bibliothèque supporte à la fois la mémoire conversationnelle à court terme et la mémoire persistante à long terme pour maintenir le contexte à travers les sessions. Les planificateurs orchestrent les processus de chaîne de pensée, décomposant des tâches complexes en appels d'outils ou requêtes de modèle linguistique. Avec des modèles de prompts configurables et des stratégies d'exécution, micro-agent s'adapte parfaitement aux applications web frontend, aux services Node.js et aux environnements en périphérie, fournissant une base flexible pour les chatbots, assistants virtuels ou systèmes de décision autonomes.

Le système RAG piloté par LLM est un framework destiné aux développeurs pour la construction de pipelines RAG. Il fournit des modules pour l’intégration de collections de documents, l’indexation via FAISS, Pinecone ou Weaviate, et la récupération de contexte pertinent en temps réel. Le système utilise des wrappers LangChain pour orchestrer les appels LLM, supporte les modèles de prompt, la diffusion de réponses, et les adaptateurs multi-vecteurs. Il simplifie le déploiement de RAG de bout en bout pour des bases de connaissances, avec une personnalisation à chaque étape — de la configuration du modèle d’intégration à la conception du prompt et au post-traitement des résultats.