AGNO Agent UI est une bibliothèque de composants React optimisée pour la création d'expériences de chat d'agents IA. Elle comprend des fenêtres de chat préconstruites, des bulles de message, des formulaires d'entrée, des indicateurs de chargement et des patterns de gestion des erreurs. Les développeurs peuvent exploiter le streaming en temps réel des réponses du modèle, gérer l'état de la conversation avec des hooks personnalisés et thématiser les composants pour correspondre à leur marque. La bibliothèque s'intègre avec des frameworks d'agents populaires tels que LangChain, permettant des workflows multi-étapes et la prise en charge de plugins. Avec un design réactif et la conformité ARIA, AGNO Agent UI garantit des interactions accessibles multiplateformes, permettant aux équipes de se concentrer sur la logique de l'agent plutôt que sur la mise en place de l'UI.

AgentReader est un cadre d'agent IA convivial pour les développeurs, qui vous permet de charger et d'indexer diverses sources de données telles que PDFs, fichiers textes, documents markdown et pages web. Il s'intègre parfaitement avec les principaux fournisseurs de LLM pour alimenter des sessions de chat interactives et des questions-réponses sur votre base de connaissances. Les fonctionnalités incluent le streaming en temps réel des réponses du modèle, des pipelines de récupération personnalisables, le web scraping via un navigateur sans tête, et une architecture de plugins pour étendre les capacités d'ingestion et de traitement.

AiChat offre une boîte à outils polyvalente pour créer des agents de chat intelligents en fournissant une gestion des prompts basée sur le rôle, la gestion de la mémoire et des capacités de réponse en streaming. Les utilisateurs peuvent définir plusieurs rôles conversationnels, tels que système, assistant et utilisateur, pour façonner le contexte du dialogue et le comportement. Le cadre supporte l'intégration de plugins pour des API externes, la récupération de données ou la logique personnalisée, permettant une extension fluide des fonctionnalités. La conception modulaire d'AiChat permet de changer facilement les modèles linguistiques et de configurer des boucles de rétroaction pour affiner les réponses. Les fonctionnalités de mémoire intégrée assurent la persistance du contexte entre les sessions, tandis que le support API en streaming offre une faible latence dans les interactions. Les développeurs bénéficient d'une documentation claire et de projets d'exemples pour accélérer le déploiement de chatbots sur des environnements web, desktop ou serveur.

AIFoundry-AgentService-Streamlit est une application démo open source construite avec Streamlit, permettant aux utilisateurs de lancer rapidement des agents IA via l'API AgentService d'AIFoundry. L'interface comprend des options pour sélectionner des profils d'agents, ajuster des paramètres de conversation comme la température et le nombre maximal de tokens, et afficher l'historique des conversations. Elle supporte les réponses en streaming, plusieurs environnements d'agents, et enregistre les requêtes et réponses pour le débogage. Écrite en Python, elle facilite le test et la validation de différentes configurations d'agents, accélérant le cycle de prototypage et réduisant la charge d’intégration en amont du déploiement en production.

AutoGen UI est une boîte à outils frontend conçue pour rendre et gérer les flux de conversations multi-agents. Elle offre des composants prêts à l'emploi tels que les fenêtres de chat, les sélecteurs d'agents, les chronologies de messages et les panneaux de débogage. Les développeurs peuvent configurer plusieurs agents IA, diffuser des réponses en temps réel, consigner chaque étape de la conversation et appliquer des styles personnalisés. Il s'intègre facilement aux bibliothèques d'orchestration backend pour fournir une interface complète de bout en bout pour construire et surveiller les interactions des agents IA.

Chatchat Lite est un framework UI open-source léger pour chat, conçu pour fonctionner dans le navigateur et se connecter à plusieurs backends d'IA — y compris OpenAI, Azure, les points de terminaison HTTP personnalisés et les modèles linguistiques locaux. Il offre des réponses en streaming en temps réel, rendu Markdown, mise en forme de blocs de code, bascules de thèmes et historique de conversation persistant. Les développeurs peuvent l'étendre avec des plugins personnalisés, des configurations basées sur l'environnement et une adaptabilité pour des services d'IA auto-hébergés ou tiers, ce qui le rend idéal pour des prototypes, démos et applications de chat en production.

DelphiGemini fournit une enveloppe légère et facile à utiliser autour de l’API Google Gemini LLM pour les développeurs Delphi. Elle gère l’authentification, la mise en forme des requêtes et l’analyse des réponses, permettant d’envoyer des prompts et de recevoir des complétions de texte ou des réponses de chatbot. Avec la prise en charge de la sortie en streaming, vous pouvez afficher les tokens en temps réel. La bibliothèque propose également des méthodes synchrones et asynchrones, des délais d’attente configurables et des rapports d’erreurs détaillés. Utilisez-la pour créer des chatbots, générateurs de contenu, traducteurs, résumeurs ou toute autre fonctionnalité alimentée par l’IA directement dans vos applications Delphi.

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.

MIU CS589 AI Agent API offre une interface standardisée pour fabriquer des agents d'IA personnalisés. Les développeurs peuvent définir des comportements d'agents, intégrer des outils ou services externes, et gérer des réponses en streaming ou par lot via des endpoints HTTP. Le framework prend en charge l'authentification, le routage des requêtes, la gestion des erreurs et la journalisation. Il est entièrement extensible — les utilisateurs peuvent enregistrer de nouveaux outils, ajuster la mémoire de l'agent et configurer les paramètres LLM. Convient pour l'expérimentation, les démos et les prototypes de production, il simplifie l'orchestration multi-outils et accélère le développement d'agents IA sans verrouiller sur une plateforme monolithique.

PowershellGPT est une extension PowerShell complète permettant aux développeurs d'invoquer directement les modèles GPT d'OpenAI depuis leur shell. Elle comprend des cmdlets comme Invoke-ChatGPT et Get-ChatCompletion pour soumettre des prompts, recevoir des sorties en streaming et gérer l'état de la conversation. Les utilisateurs peuvent définir des messages système, régler la température et les limites de jetons, et intégrer les réponses IA dans des scripts ou pipelines existants. Avec une prise en charge multiplateforme, un stockage crypté de la clé API et des paramètres personnalisables, PowershellGPT facilite la génération de code, la refactorisation, le débogage, la documentation et les tâches d'automatisation en intégrant directement l'intelligence GPT dans les flux de travail.

Python AI Agent fournit une boîte à outils conviviale pour orchestrer des agents autonomes pilotés par de grands modèles linguistiques. Il offre des mécanismes intégrés pour définir des outils et actions personnalisés, maintenir l'historique des conversations avec des modules de mémoire et diffuser des réponses pour des expériences interactives. Les utilisateurs peuvent étendre son architecture plugin pour intégrer des API, des bases de données et des services externes, permettant aux agents de récupérer des données, effectuer des calculs et automatiser des flux de travail. La bibliothèque supporte des pipelines configurables, la gestion des erreurs et la journalisation pour des déploiements robustes. Avec un minimum de boilerplate, les développeurs peuvent créer des chatbots, des assistants virtuels, des analyseurs de données ou des automateurs de tâches exploitant la raisonnement LLM et la prise de décisions à plusieurs étapes. La nature open-source encourage la contribution communautaire et s'adapte à tout environnement Python.

Les démos AWS Sample Model Context Protocol sont un référentiel open-source présentant des modèles standard pour la gestion du contexte de grands modèles de langage (LLM) et l'invocation d'outils. Il comporte deux démos complètes — une en JavaScript/TypeScript et une en Python — qui implémentent le Protocole de Contexte du Modèle, permettant aux développeurs de construire des agents AI pouvant appeler des fonctions AWS Lambda, conserver l'historique des conversations et diffuser des réponses. Le code d'exemple montre la mise en forme des messages, la sérialisation des arguments de fonction, la gestion des erreurs et des intégrations d'outils personnalisables, accélérant le prototypage des applications d'IA générative.

Stellar Chat permet aux équipes de créer des agents d'IA conversationnelle en fournissant un cadre robuste qui abstrait les interactions LLM, la gestion de la mémoire et l'intégration d'outils. Au cœur, il présente un pipeline extensible qui gère le prétraitement des entrées utilisateur, l'enrichissement du contexte via la récupération de mémoire basée sur des vecteurs, et l'invocation de LLM avec des stratégies de prompting configurables. Les développeurs peuvent utiliser des solutions de stockage vectoriel populaires comme Pinecone, Weaviate ou FAISS, et intégrer des API tierces ou des plugins personnalisés pour des tâches comme la recherche Web, les requêtes à la base de données ou le contrôle d'applications d'entreprise. Avec un support pour la sortie en streaming et des boucles de rétroaction en temps réel, Stellar Chat garantit des expériences utilisateur réactives. Il inclut également des modèles de départ et des exemples de bonnes pratiques pour les bots d'assistance client, la recherche de connaissances et l'automatisation des flux de travail internes. Déployé avec Docker ou Kubernetes, il évolue pour répondre aux exigences de production tout en restant entièrement open-source sous licence MIT.

HyperChat est un cadre d'agent IA centré sur le développeur, qui simplifie l'intégration de l'IA conversationnelle dans les applications. Il unifie les connexions à divers fournisseurs de LLM, gère le contexte de la session et la persistance de la mémoire, et fournit des réponses partielles en streaming pour des interfaces réactives. La prise en charge intégrée des appels de fonctions et des plugins permet d'exécuter des API externes, d'enrichir les conversations avec des données et actions du monde réel. Son architecture modulaire et sa boîte à outils UI permettent un prototypage rapide et des déploiements en production sur web, Electron et Node.js.

Le SDK Goat est conçu pour simplifier la création et l'orchestration d'agents IA en Go. Il fournit des intégrations LLM modulables (OpenAI, Anthropic, Azure, modèles locaux), un registre d'outils pour les actions personnalisées et des mémoires pour des conversations avec état. Les développeurs peuvent définir des chaînes, des stratégies de représentation et des éditeurs pour produire des interactions via CLI, WebSocket, points d'extrémité REST ou une interface Web intégrée. Goat supporte les réponses en streaming, la journalisation personnalisable et la gestion facile des erreurs. En combinant ces composants, vous pouvez développer des chatbots, des flux de travail d'automatisation et des systèmes de soutien à la décision en Go avec un minimal de boilerplate, tout en conservant la flexibilité de changer ou d'étendre les fournisseurs et outils selon les besoins.

L'API Junjo Python est un SDK qui permet aux développeurs d'intégrer des agents IA dans des applications Python. Il fournit une interface unifiée pour définir des agents, se connecter à des LLM, orchestrer des outils tels que la recherche Web, des bases de données ou des fonctions personnalisées, et maintenir la mémoire conversationnelle. Les développeurs peuvent construire des chaînes de tâches avec une logique conditionnelle, diffuser des réponses en temps réel aux clients et gérer gracieusement les erreurs. L'API supporte les extensions par plugins, le traitement multilingue et la récupération de données en temps réel, permettant des cas d'usage allant du support client automatisé aux bots d'analyse de données. Grâce à une documentation complète, des exemples de code et une conception à la python, l'API Junjo Python réduit le temps de mise sur le marché et la surcharge opérationnelle associée au déploiement de solutions basées sur des agents intelligents.

Rusty Agent est une bibliothèque légère mais puissante en Rust conçue pour simplifier la création d'agents IA autonomes utilisant de grands modèles de langage. Elle introduit des abstractions principales telles que Agents, Outils, et modules de Mémoire, permettant aux développeurs de définir des intégrations d'outils personnalisés—par exemple, clients HTTP, bases de connaissances, calculatrices—et d'orchestrer des conversations multi-étapes de façon programmatique. Rusty Agent supporte la construction dynamique de prompts, les réponses en streaming, et la sauvegarde de mémoire contextuelle entre sessions. Elle s'intègre parfaitement avec l'API OpenAI (GPT-3.5/4) et peut être étendue pour d'autres fournisseurs LLM. La forte typage et les avantages de performance de Rust garantissent une exécution sûre et concurrente des workflows des agents. Les cas d'usage incluent l'analyse automatisée de données, les chatbots interactifs, les pipelines d'automatisation de tâches, et plus encore—permettant aux développeurs Rust d'intégrer des agents intelligents basés sur le langage dans leurs applications.

Rags fournit un pipeline modulaire pour construire des applications génératives augmentées par récupération. Il s'intègre avec des magasins vectoriels populaires (par ex., FAISS, Pinecone), propose des modèles de prompt configurables et inclut des modules de mémoire pour maintenir le contexte conversationnel. Les développeurs peuvent passer d’un fournisseur LLM à un autre comme Llama-2, GPT-4 et Claude2 via une API unifiée. Rags supporte la réponse en flux, la prétraitement personnalisé et des hooks d’évaluation. Son design extensible permet une intégration transparente dans les services de production, permettant l’ingestion automatique de documents, la recherche sématique et la génération de tâches pour chatbots, assistants de connaissances et le résumé de documents à grande échelle.

Sharp-GPT permet aux développeurs .NET de créer des agents d'IA robustes en utilisant des attributs personnalisés sur les interfaces pour définir des modèles d'invite, configurer des modèles et gérer la mémoire conversationnelle. Il offre une sortie en streaming pour une interaction en temps réel, une désérialisation JSON automatique pour des réponses structurées, et un support intégré pour les stratégies de repli et la journalisation. Avec des clients HTTP modulaires et une abstraction du fournisseur, vous pouvez passer facilement entre OpenAI, Azure ou d'autres services LLM. Idéal pour les chatbots, la génération de contenu, la synthèse, la classification, et plus encore, Sharp-GPT réduit le code de boilerplate et accélère le développement d'agents d'IA sous Windows, Linux ou macOS.