L'agent MLE est un cadre d'agent polyvalent basé sur l'IA qui simplifie et accélère les opérations d'apprentissage automatique en tirant parti de modèles linguistiques avancés. Il interprète des requêtes utilisateur de haut niveau pour exécuter des tâches ML complexes telles que le suivi automatique des expériences avec l'intégration de MLflow, la surveillance en temps réel des performances des modèles, la détection de dérive des données et la vérification de la santé des pipelines. Les utilisateurs peuvent interagir avec l'agent via une interface conversationnelle pour obtenir des métriques d'expériences, diagnostiquer des échecs d'entraînement ou planifier des retrainements. L'agent MLE s'intègre de façon transparente avec des plateformes d'orchestration populaires comme Kubeflow et Airflow, permettant des déclencheurs automatiques de workflows et des notifications. Sa architecture modulaire de plugins permet de personnaliser les connecteurs de données, les tableaux de bord de visualisation et les canaux d'alerte, le rendant adaptable aux flux de travail variés des équipes ML.

Rigging est un cadre axé sur le développement qui facilite la création et l'orchestration d'agents IA. Il fournit l'enregistrement d'outils et de fonctions, la gestion du contexte et de la mémoire, le chaînage de flux de travail, des événements de rappel et la journalisation. Les développeurs peuvent intégrer plusieurs fournisseurs LLM, définir des plugins personnalisés et assembler des pipelines à plusieurs étapes. Le SDK TypeScript sécurisé de Rigging garantit modularité et réutilisabilité, accélérant le développement d'agents IA pour les chatbots, le traitement des données et la génération de contenu.

En substance, SpongeCake est une couche d'abstraction de haut niveau sur Langchain conçue pour accélérer le développement d'agents IA. Elle offre un support intégré pour enregistrer des outils — comme la recherche web, les connecteurs de bases de données ou les APIs personnalisées — gérer des modèles de prompts et persister la mémoire de conversation. Avec des configurations basées sur le code ou YAML, les équipes peuvent définir de manière déclarative le comportement des agents, chaîner des flux de travail multi-étapes et permettre une sélection dynamique des outils. La CLI incluse facilite les tests locaux, le débogage et le déploiement, faisant de SpongeCake un choix idéal pour construire des chatbots, des automatisateurs de tâches et des assistants spécifiques au domaine, le tout sans répétition de boilerplate.

SquadflowAI Studio permet aux utilisateurs de composer visuellement des agents AI en définissant des rôles, des tâches et des communications entre agents. Les agents peuvent être enchaînés pour gérer des processus complexes à plusieurs étapes—interroger des bases de données ou des API, effectuer des actions et transmettre du contexte entre eux. La plateforme prend en charge les extensions via plugins, le débogage en temps réel et les logs étape par étape. Les développeurs configurent les invites, gèrent l'état de la mémoire et définissent la logique conditionnelle sans code boilerplate. Les modèles d'OpenAI, Anthropic et locaux sont supportés. Les équipes peuvent déployer des workflows via des endpoints REST ou WebSocket, surveiller les métriques de performance et ajuster les comportements des agents via un tableau de bord centralisé.

ToolAgents est un cadre modulaire open-source pour agents IA qui intègre de grands modèles de langage avec des outils externes pour automatiser des workflows complexes. Les développeurs enregistrent des outils via un registre centralisé, en définissant des points de terminaison pour des tâches telles que les appels API, les requêtes de base de données, l'exécution de code et l'analyse de documents. Les agents peuvent planifier des opérations en plusieurs étapes, invoquant ou enchaînant dynamiquement des outils en fonction des sorties de LLM. Le cadre prend en charge l'exécution séquentielle et parallèle des tâches, la gestion des erreurs et des plug-ins extensibles pour des intégrations d'outils personnalisés. Avec des API basées sur Python, ToolAgents simplifie la création, le test et le déploiement d'agents intelligents qui récupèrent des données, génèrent du contenu, exécutent des scripts et traitent des documents, permettant un prototypage rapide et une automatisation évolutive dans l'analyse, la recherche et les opérations commerciales.

TypeAI Core offre un cadre complet pour créer des agents pilotés par IA qui exploitent de grands modèles linguistiques. Il inclut des utilitaires de modèles de prompts, une mémoire conversationnelle avec stockage vectoriel, une intégration transparente d'outils externes (API, bases de données, runners de code) et un support pour des agents imbriqués ou collaboratifs. Les développeurs peuvent définir des fonctions personnalisées, gérer l'état des sessions et orchestrer des flux de travail via une API TypeScript intuitive. En abstraisant les interactions complexes avec les LLM, TypeAI Core accélère le développement d'une IA conversationnelle contextuelle et multi-tours avec un minimum de boilerplate.

Le SDK A2A est une boîte à outils pour les développeurs afin de construire, chaîner et gérer des agents IA en Python. Il fournit des API pour définir le comportement des agents via des invites ou du code, connecter les agents dans des pipelines ou workflows, et permettre la transmission de messages asynchrones. Les intégrations avec OpenAI, Llama, Redis et les services REST permettent aux agents de récupérer des données, d'appeler des fonctions et de stocker des états. Une interface utilisateur intégrée permet de surveiller l'activité des agents, tandis que la conception modulaire garantit la possibilité d'étendre ou de remplacer des composants pour répondre à des cas d'utilisation personnalisés.

A2A4J est un cadre Java léger conçu pour construire des agents IA autonomes. Il offre des abstractions pour les agents, outils, mémoires et planificateurs, supportant l'exécution asynchrone des tâches et une intégration transparente avec OpenAI et d'autres API LLM. Sa conception modulaire vous permet de définir des outils et des magasins de mémoire personnalisés, d'orchestrer des workflows multi-étapes et de gérer des boucles de décision. Avec la gestion des erreurs intégrée, la journalisation et l'extensibilité, A2A4J accélère le développement d'applications Java intelligentes et de microservices.

Inngest AgentKit offre un cadre complet pour développer des agents IA dans un environnement Node.js. Il exploite l'architecture événementielle d'Inngest pour déclencher des flux de travail d'agents basés sur des événements externes tels que les requêtes HTTP, les tâches planifiées ou les appels Webhook. La boîte à outils comprend des utilitaires de rendu de modèle pour créer des réponses dynamiques, une gestion intégrée de l'état pour maintenir le contexte lors des sessions, et une intégration transparente avec des API externes et des modèles de langage. Les agents peuvent transmettre des réponses partielles en streaming en temps réel, gérer une logique complexe, et orchestrer des processus à plusieurs étapes avec gestion des erreurs et tentatives. En abstraisant l'infrastructure et les préoccupations de workflow, AgentKit permet aux développeurs de se concentrer sur la conception de comportements intelligents, tout en réduisant le code répétitif et en accélérant le déploiement d'assistants conversationnels, de pipelines de traitement de données, et de bots d'automatisation.

Le dépôt Agent Supervisor Example démontre comment orchestrer plusieurs agents AI autonomes dans un flux de travail coordonné. Écrit en Python, il définit une classe Supervisor pour dispatcher des tâches, surveiller le statut des agents, gérer les échecs et agréger les réponses. Vous pouvez étendre les classes d'agents de base, brancher différentes API de modèles et configurer les politiques de planification. Il enregistre les activités pour l'audit, supporte l'exécution parallèle et offre une conception modulaire pour une personnalisation facile et une intégration dans de plus grands systèmes d'IA.

Agentic Framework est un framework polyvalent et open-source conçu pour simplifier la création d'agents IA autonomes exploitant de grands modèles linguistiques et MongoDB. Il fournit des composants modulaires pour gérer la mémoire de l'agent, définir des ensembles d'outils, orchestrer des workflows multi-étapes et templatiser des prompts. Le magasin de mémoire intégré, basé sur MongoDB, permet aux agents de préserver un contexte persistant entre les sessions, tandis que des interfaces d'outils modulables permettent une interaction fluide avec des API externes et des sources de données. Basé sur Node.js, le framework inclut la journalisation, des hooks de surveillance et des exemples de déploiement pour prototyper et faire évoluer rapidement des agents intelligents. Avec une configuration personnalisable, les développeurs peuvent adapter les agents à des tâches telles que la récupération de connaissances, le support client automatisé, l'analyse de données et l'automatisation des processus, réduisant ainsi la charge de développement et accélérant la mise en production.

Le module Terraform AI Agent fournit une configuration Terraform réutilisable qui automatise le provisioning complet d'un backend d'agent IA. Il crée un VPC AWS, des rôles IAM avec des politiques de moindre privilège, des fonctions Lambda reliées aux API OpenAI ou personnalisées, des interfaces REST API Gateway, et des Step Functions optionnels pour l'orchestration de workflows. Les utilisateurs peuvent personnaliser les variables d'environnement, les paramètres de mise à l'échelle, la journalisation et la surveillance. Le module abstrait la complexité de la configuration cloud en entrées simples, permettant un déploiement rapide, cohérent et sécurisé d'agents conversationnels IA, d'automatisations de tâches ou de bots de traitement de données en quelques minutes.

Aladin propose une architecture modulaire permettant aux développeurs de définir des agents autonomes propulsés par de grands modèles de langage (LLMs). Chaque agent peut charger des backends mémoire (ex. SQLite, en mémoire), utiliser des modèles de prompts dynamiques et intégrer des plugins personnalisés pour des appels API externes ou l'exécution de commandes locales. Il possède un planificateur de tâches qui décompose des objectifs de haut niveau en actions séquencées, les exécutant dans l'ordre et les réitérant basés sur le feedback de l'LLM. La configuration est gérée via des fichiers YAML et des variables d'environnement, l'adaptant à divers cas d'usage. Les utilisateurs peuvent déployer Aladin via Docker Compose ou pip. Les interfaces CLI et HTTP basées sur FastAPI permettent de lancer des agents, surveiller leur exécution et inspecter l'état de la mémoire, facilitant l'intégration avec des pipelines CI/CD, interfaces de chat ou dashboards personnalisés.

autogen_multiagent offre une manière structurée d'instancier, configurer et coordonner plusieurs agents IA en Python. Il propose la création dynamique d'agents, des canaux de messagerie entre agents, la planification de tâches, des boucles d'exécution et des utilitaires de surveillance. En s'intégrant parfaitement avec l'API OpenAI, il permet d'assigner des rôles spécialisés—comme planificateur, exécutant, résumé—à chaque agent et d'orchestrer leurs interactions. Ce framework est idéal pour des scénarios nécessitant des workflows IA modulaires et évolutifs, tels que l'analyse automatisée de documents, l'orchestration du support client, et la génération de code multi-étapes.

Flyte est une plateforme d'orchestration de flux de travail open-source flexible et évolutive. Il s'intègre sans effort dans votre stack de données et de ML, vous permettant de définir, déployer et gérer facilement des flux de travail de données et de ML robustes. Ses puissantes fonctionnalités extensibles sont utiles pour créer des flux de travail de niveau production qui sont reproductibles et hautement concurrents, ce qui en fait un outil essentiel pour les data scientists, les ingénieurs et les analystes.

Hashiru AgentX est un orchestrateur de flux de travail IA unifié hébergé sur Hugging Face Spaces. Il permet aux utilisateurs d'entrer des instructions en langage naturel et de choisir parmi des agents préconstruits pour l'exécution de code, la recherche web et l'analyse de documents. En coulisse, il compose dynamiquement des chaînes d'outils, exécute des extraits Python dans un sandbox sécurisé, interroge des ressources en ligne et extrait des insights à partir de fichiers téléchargés. Les résultats sont renvoyés au format conversationnel, permettant un affinement itératif et un téléchargement facile des résultats.

Microsoft AutoGen a été conçu pour faciliter le développement complet d'agents IA autonomes en fournissant des composants modulaires pour la gestion de la mémoire, la planification des tâches, l'intégration d'outils et la communication. Les développeurs peuvent définir des outils personnalisés avec des schémas structurés et se connecter à des fournisseurs LLM majeurs comme OpenAI et Azure OpenAI. Le framework supporte l'orchestration d'un ou plusieurs agents, permettant des workflows collaboratifs où les agents coordonnent l'exécution de tâches complexes. Son architecture plug-and-play permet une extension facile avec de nouveaux magasins de mémoire, stratégies de planification et protocoles de communication. En abstraisant les détails d'intégration de bas niveau, AutoGen accélère la création de prototypes et le déploiement d'applications pilotées par IA dans des domaines tels que le support client, l'analyse de données et l'automatisation des processus.

L'agent LangGraph combine les LLMs avec une mémoire structurée en graphe pour construire des agents autonomes capables de se souvenir des faits, de raisonner sur les relations, et d'appeler des fonctions ou outils externes lorsque nécessaire. Les développeurs définissent des schémas de mémoire sous forme de nœuds et d'arêtes de graphe, intégrent des outils ou API personnalisés, et orchestrent les flux de travail des agents via des planificateurs et exécutants configurables. Cette approche améliore la conservation du contexte, permet la prise de décisions basée sur la connaissance, et supporte l'invocation dynamique d'outils dans diverses applications.

L'API LangGraphJS fournit une interface programmatique pour concevoir des flux de travail d'agents IA en utilisant des graphes dirigés. Chaque nœud du graphique représente un appel LLM, une logique de décision ou une transformation de données. Les développeurs peuvent enchaîner des nœuds, gérer la logique de branchement et gérer l'exécution asynchrone de manière transparente. Avec des définitions TypeScript et des intégrations intégrées pour des fournisseurs LLM populaires, cela facilite le développement d'agents conversationnels, de pipelines d'extraction de données et de processus complexes multi-étapes sans code boilerplate.

MAGI (Modular AI Generative Intelligence) est un cadre open-source conçu pour simplifier la création et la gestion d'agents IA. Il offre une architecture de plugins pour l'intégration d'outils personnalisés, des modules de mémoire persistante, la planification par chaînes de pensée, et l'orchestration en temps réel de flux de travail en plusieurs étapes. Les développeurs peuvent enregistrer des APIs externes ou des scripts locaux en tant qu'outils d'agent, configurer des backends de mémoire, et définir des politiques de tâches. La conception extensible de MAGI supporte à la fois les tâches synchrones et asynchrones, ce qui le rend idéal pour les chatbots, les pipelines d'automatisation, et les prototypes de recherche.