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.

La traduction automatique machine agentique est un cadre open-source conçu pour la recherche et le développement en traduction automatique. Il orchestre trois agents principaux — un générateur, un évaluateur et un affinateur — pour produire, évaluer et affiner collaborativement les traductions. Basé sur PyTorch et des modèles de transformeurs, le système supporte la pré-formation supervisée, l'optimisation par apprentissage par renforcement, et des politiques d'agents configurables. Les utilisateurs peuvent effectuer des benchmarks sur des jeux de données standard, suivre les scores BLEU, et étendre le pipeline avec des agents ou fonctions de récompense personnalisés pour explorer la collaboration entre agents dans les tâches de traduction.

Multi-Agent-RAG offre un cadre modulaire pour construire des applications de génération augmentée par récupération (RAG) en orchestrant plusieurs agents d'IA spécialisés. Les développeurs configurent des agents individuels : un agent de récupération connecte des magasins vectoriels pour extraire des documents pertinents ; un agent de raisonnement effectue une analyse en chaîne de pensée ; et un agent de génération synthétise les réponses finales en utilisant de grands modèles de langage. Le framework supporte des extensions via plugins, des prompts configurables, et une journalisation complète, permettant une intégration transparente avec des API LLM populaires et des bases de données vectorielles pour améliorer la précision RAG, la scalabilité, et l'efficacité du développement.

OLI (OpenAI Logic Interpreter) est un cadre côté client conçu pour simplifier la création d'agents IA dans les applications web en tirant parti de l'API OpenAI. Les développeurs peuvent définir des fonctions personnalisées que OLI sélectionne intelligemment en fonction des invites utilisateur, gérer le contexte de la conversation pour maintenir un état cohérent lors de plusieurs interactions et chaîner les appels API pour des flux de travail complexes comme la réservation de rendez-vous ou la génération de rapports. En outre, OLI inclut des utilitaires pour analyser les réponses, gérer les erreurs et intégrer des services tiers via webhooks ou endpoints REST. Étant entièrement modulaire et open-source, les équipes peuvent personnaliser le comportement des agents, ajouter de nouvelles fonctionnalités et déployer des agents OLI sur n’importe quelle plateforme web sans dépendances back-end. OLI accélère le développement d’interfaces conversationnelles et d'automatisations.

FastMCP est un framework Python open-source pour construire des serveurs et des clients MCP (Model Context Protocol) qui habilitent les LLM avec des outils externes, des sources de données et des invites personnalisées. Les développeurs définissent des classes d'outils et des gestionnaires de ressources en Python, les enregistrent auprès du serveur FastMCP et les déploient en utilisant des protocoles de transport comme HTTP, STDIO ou SSE. La bibliothèque client offre une interface asynchrone pour interagir avec n'importe quel serveur MCP, facilitant l'intégration transparente des agents IA dans les applications.

Ce framework open-source combine la bibliothèque de modélisation des agents AgentSimJs avec le moteur graphique 3D de Three.js pour fournir des simulations multi-agents interactives basées sur le navigateur. Les utilisateurs peuvent définir des types d'agents, des comportements et des règles environnementales, configurer la détection de collision et la gestion des événements, et visualiser les simulations en temps réel avec des options de rendu personnalisables. La bibliothèque prend en charge la gestion dynamique des contrôles, des scènes et du tuning des performances, ce qui l rend idéale pour la recherche, l'éducation et le prototypage de scénarios complexes basés sur des agents.

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.

Colosseum Agent Battles fournit un SDK Python modulaire pour construire des compétitions d'agents IA dans des arènes personnalisables. Les utilisateurs peuvent définir des environnements avec des terrains, ressources et règles spécifiques, puis implémenter des stratégies d'agents via une interface standardisée. Le framework gère la planification des batailles, la logique d'arbitrage et la journalisation en temps réel des actions et résultats des agents. Il comprend des outils pour organiser des tournois, suivre les statistiques de victoire/défaite et visualiser la performance des agents via des graphiques. Les développeurs peuvent intégrer des bibliothèques de ML populaires pour entraîner des agents, exporter les données de bataille pour analyse, et étendre les modules d'arbitrage pour appliquer des règles personnalisées. Enfin, il facilite le benchmarking des stratégies IA en compétition directe. La journalisation en formats JSON et CSV est également supportée pour les analyses ultérieures.

DeepMind MAS Environment est une bibliothèque Python fournissant une interface standardisée pour construire et simuler des tâches d'apprentissage par renforcement multi-agent. Elle permet aux utilisateurs de configurer le nombre d'agents, de définir les espaces d'observation et d'action, et de personnaliser les structures de récompense. Le framework supporte les canaux de communication entre agents, la journalisation des performances et les capacités de rendu. Les chercheurs peuvent intégrer sans problème DeepMind MAS Environment avec des bibliothèques RL populaires comme TensorFlow et PyTorch pour benchmarker de nouveaux algorithmes, tester des protocoles de communication et analyser les domaines de contrôle discret et continu.

MultiAgentPacman offre un environnement de jeu en Python où les utilisateurs peuvent implémenter, visualiser et benchmarker plusieurs agents IA dans le domaine Pacman. Il supporte des algorithmes de recherche adverse tels que minimax, expectimax, élagage alpha-bêta, ainsi que des agents personnalisés utilisant l'apprentissage par renforcement ou des heuristiques. Le cadre inclut une GUI simple, des contrôles en ligne de commande et des outils pour enregistrer les statistiques de jeu et comparer la performance des agents dans des scénarios compétitifs ou coopératifs.

Eliza est une plateforme de conversation légère et open-source qui simule un psychothérapeute via la reconnaissance de motifs et des modèles de scripts. Les développeurs peuvent définir des scripts, motifs, et variables de mémoire personnalisés pour ajuster les réponses et les flux de conversation. Elle fonctionne dans tout navigateur moderne ou environnement webview, supporte plusieurs sessions, et journalise les interactions pour analyse. Son architecture extensible permet l'intégration dans des pages web, des applications mobiles ou des wrappers de bureau, en faisant un outil polyvalent pour l'apprentissage, la recherche, le prototypage et les installations interactives.

Les Agents Autonomes sont une bibliothèque Python open-source conçue pour simplifier la création d'agents d'IA autonomes alimentés par de grands modèles de langage. En abstraisant des composants clés tels que la perception, le raisonnement et l'action, ils permettent aux développeurs de définir des outils, des mémoires et des stratégies personnalisés. Les agents peuvent planifier de manière autonome des tâches multi-étapes, interroger des API externes, traiter des résultats via des parseurs personnalisés et maintenir un contexte conversationnel. Le cadre prend en charge la sélection dynamique d'outils, l'exécution séquentielle et parallèle des tâches, ainsi que la persistance de la mémoire, permettant une automatisation robuste allant de l'analyse de données et la recherche à la synthèse de courriels et le web scraping. Son design extensible facilite l'intégration avec différents fournisseurs de LLM et modules personnalisés.

Skeernir est un cadre open-source d'agents IA conçu pour accélérer le développement d'agents maître marionnette pour l'automatisation de jeux et l'orchestration de processus. Le projet comprend un modèle de base, des API principales et des modules d'exemple illustrant comment connecter la logique de l'agent aux environnements cibles, que ce soit pour simuler des parties ou contrôler des tâches du système d'exploitation. Son architecture extensible permet aux utilisateurs de mettre en œuvre des stratégies de prise de décision personnalisées, d'intégrer des modèles d'apprentissage automatique et de gérer le cycle de vie des agents sur Windows, Linux et macOS. Avec une journalisation intégrée et un support de configuration, Skeernir facilite les tests, le débogage et le déploiement d'agents IA autonomes.

HackerGCLASS Agent API est un framework open-source en Python qui expose des points de terminaison RESTful pour exécuter des agents IA. Les développeurs peuvent définir des intégrations d'outils personnalisés, configurer des modèles de prompt et maintenir l'état et la mémoire des agents à travers les sessions. Le framework supporte la coordination simultanée de plusieurs agents, la gestion de flux de conversation complexes et l'intégration de services externes. Il simplifie le déploiement via Uvicorn ou d'autres serveurs ASGI et offre une extensibilité avec des modules de plugins, permettant la création rapide d'agents IA spécifiques à un domaine pour divers cas d'utilisation.

SelfDrivingCarSimulator est un framework Python léger basé sur Pygame qui offre un environnement de conduite 2D pour entraîner des agents de véhicules autonomes à l'aide de l'apprentissage par renforcement. Il supporte des tracés personnalisables, des modèles de capteurs configurables (comme LiDAR et caméra), une visualisation en temps réel et un enregistrement des données pour l'analyse des performances. Les développeurs peuvent intégrer leurs algorithmes RL, ajuster les paramètres physiques, et surveiller des métriques telles que la vitesse, le taux de collision et les fonctions de récompense pour faire évoluer rapidement leurs projets de recherche et éducatifs.

L'agent de conversation intelligent basé sur RAG combine une couche de récupération supportée par un magasin vectoriel avec le Gemini LLM de Google via LangChain, afin d'extraire la connaissance dans un contexte de conversation riche. Les utilisateurs insèrent et indexent des documents—PDF, pages web ou bases de données—dans une base de données vectorielle. Lorsqu'une requête est posée, l'agent récupère les passages les plus pertinents, les alimente dans un modèle de prompt, et génère des réponses concises et précises. Les composants modulaires permettent de personnaliser les sources de données, les magasins vectoriels, l'ingénierie des prompts et les backends LLM. Ce cadre open-source facilite le développement de bots Q&A spécifiques au domaine, d'explorateurs de connaissances et d'assistants de recherche, offrant des insights scalables et en temps réel à partir de grandes collections de documents.

Multi-Agent-Blueprint est une base de code open-source complète pour construire et orchestrer plusieurs agents alimentés par IA collaborant pour aborder des tâches complexes. Au cœur, il offre un système modulaire pour définir des rôles d'agents distincts — tels que chercheurs, analystes et exécutants — chacun avec des mémoires dédiées et des modèles de prompts. Le framework s'intègre parfaitement avec de grands modèles de langage, des API de connaissances externes et des outils personnalisés, permettant une délégation dynamique des tâches et des boucles de rétroaction itératives entre agents. Il inclut également une journalisation et une surveillance intégrées pour suivre les interactions et sorties des agents. Avec des flux de travail personnalisables et des composants interchangeables, les développeurs et chercheurs peuvent rapidement prototyper des pipelines multi-agents pour des applications telles que la génération de contenu, l'analyse de données, le développement de produits ou le support client automatisé.

Lagent est un cadre axé sur les développeurs, qui permet la création d'agents intelligents sur la base de grands modèles linguistiques. Il propose des modules de planification dynamique qui divisent les tâches en sous-objectifs, des systèmes de mémoire pour maintenir le contexte sur de longues sessions et des interfaces d’intégration d’outils pour les appels API ou l’accès à des services externes. Avec des pipelines personnalisables, les utilisateurs définissent le comportement de l’agent, les stratégies de prompt, la gestion des erreurs et l’analyse des sorties. Les outils de journalisation et de débogage de Lagent aident à surveiller les étapes de décision, tandis que son architecture évolutive supporte les déploiements locaux, cloud ou en entreprise. Il accélère la création d’assistants autonomes, d’analyses de données et d’automatisations de flux de travail.

SPEAR (Scalable Platform for Edge AI Real-Time) est conçu pour gérer le cycle de vie complet de l'inférence IA en périphérie. Les développeurs peuvent définir des pipelines de flux qui ingèrent des données de capteurs, vidéos ou journaux via des connecteurs vers Kafka, MQTT ou sources HTTP. SPEAR déploie dynamiquement des modèles containerisés sur des nœuds de travail, équilibrant la charge à travers des clusters tout en garantissant des réponses à faible latence. Il comprend une gestion de version intégrée, des contrôles de santé et de la télémétrie, et expose des métriques à Prometheus et Grafana. Les utilisateurs peuvent appliquer des transformations personnalisées ou des alertes via une architecture de plugins modulaires. Avec une mise à l’échelle automatisée et une récupération d’erreurs, SPEAR fournit une analyse en temps réel fiable pour l’IoT, l’automatisation industrielle, les villes intelligentes et les systèmes autonomes dans des environnements hétérogènes.

RAGENT est conçu pour créer des agents IA autonomes pouvant interagir avec divers outils et sources de données. En coulisses, il utilise la génération augmentée par récupération pour obtenir du contexte pertinent à partir de fichiers locaux ou de sources externes, puis compose des réponses via des modèles OpenAI. Les développeurs peuvent ajouter des outils pour recherche web, automatisation du navigateur avec Selenium, opérations de lecture/écriture de fichiers, execution de code dans des sandbox sécurisés, et OCR pour l'extraction de texte d'images. Le framework gère la mémoire de conversation, orchestre les outils et supporte des modèles de prompts personnalisés. Avec RAGENT, les équipes peuvent rapidement prototyper des agents intelligents pour Q&A, automatisation de recherche, résumé de contenu et automatisation de flux de travail de bout en bout, tout dans un environnement Python.