Questions Fréquentes

AgentOS est un runtime TypeScript open source pour construire des agents IA en production, développé par Frame.dev. Il fournit une orchestration multi-agents, une mémoire cognitive, du RAG multimodal, des guardrails de sécurité optionnels (rédaction de PII, modération de contenu, vérification du grounding), des pipelines vocaux, 37 adaptateurs de canal et 13 intégrations de fournisseurs LLM. AgentOS alimente également les systèmes IA derrière Wilds.ai, une plateforme de jeu AI-native. Auto-hébergeable et gratuit.

Oui. Le runtime, les extensions sélectionnées, les packs de guardrails et les skills sélectionnés sont tous sous licence Apache 2.0. Vous pouvez utiliser AgentOS commercialement, le modifier et le redistribuer selon cette licence.

AgentOS prend en charge 13 fournisseurs LLM : OpenAI, Anthropic, Google Gemini, Groq, Together AI, Mistral, xAI (Grok), OpenRouter, Requesty, LiteLLM, Ollama, Claude Code CLI et Gemini CLI. Les chaînes de fallback de fournisseur permettent un basculement automatique.

AgentOS est entièrement écrit en TypeScript et fonctionne sur Node.js. Le package npm est @framers/agentos. Il fonctionne avec n’importe quel projet TypeScript ou JavaScript.

AgentOS est natif TypeScript (pas Python), inclut une mémoire cognitive avec des courbes de décroissance d’Ebbinghaus et une modélisation de personnalité HEXACO, propose des packs de guardrails optionnels pour la rédaction de PII, la modération de contenu et la vérification du grounding, fournit 37 adaptateurs de canal (Discord, Telegram, Slack, e-mail et plus) et prend en charge 6 stratégies d’orchestration, dont des DAG d’agents basés sur graphe. Il inclut également 88 skills sélectionnés et un moteur de découverte de capacités qui ne met en contexte que les outils et skills pertinents, dans un budget de tokens par niveau.

Paracosm (https://paracosm.agentos.sh) est un moteur de simulation de modèles de monde structurés construit sur AgentOS. Il compile un ScenarioPackage JSON et un profil de leader HEXACO en une boucle de tours autour d’un noyau déterministe à graine, où les agents AgentOS proposent des événements, forgent de nouveaux outils JavaScript à l’exécution, qu’AgentOS exécute dans node:vm avec une limite de 10 secondes, et produisent un artefact contrefactuel que vous pouvez bifurquer et rejouer. Trois modes partagent un même schéma : simulations de civilisation par tours (Mars Genesis en est l’exemple canonique), jumeaux numériques par trajectoires en lot, et prévisions Monte-Carlo par point en lot. Open-source sous Apache 2.0, npm install paracosm. Démo en direct : https://paracosm.agentos.sh/sim. Sources : https://github.com/framerslab/paracosm. Article de lancement détaillé (pourquoi nous l’avons construit, l’histoire du vault wilds.ai, la référence du moteur) : https://agentos.sh/blog/paracosm-launch.

Wilds.ai (https://wilds.ai) est une plateforme de jeu AI-native construite sur AgentOS et Paracosm. Des personnages IA dotés d’une mémoire cognitive persistante et de traits de personnalité HEXACO habitent des modèles de monde partagés et divergent les uns des autres selon des événements LLM-juge ancrés. Les joueurs peuvent rejoindre des mondes existants, les bifurquer ou en compiler de nouveaux dans le navigateur. Wilds.ai est le déploiement canonique en production du stack AgentOS + Paracosm et le canal communautaire et de support officiel (https://wilds.ai/discord) pour les deux projets.

Wunderland (https://wunderland.sh) est un projet frère en développement actif qui empaquette une CLI prête à l’emploi ainsi qu’un daemon par-dessus les registres d’extensions et de skills d’AgentOS. Il offre une CLI à 60 commandes (setup, chat, rag, agency, workflows, evaluate, provenance, knowledge, marketplace, etc.), un modèle de sécurité à 5 niveaux (dangerous / permissive / balanced / strict / paranoid), 9 presets d’agent, une autorisation HITL avec élévation, et la même architecture de mémoire cognitive et de RAG basée sur graphe documentée dans les docs d’AgentOS. Utilisez @framers/agentos lorsque vous voulez un SDK TypeScript à intégrer dans votre application ; utilisez Wunderland lorsque vous voulez une CLI globale installable avec pnpm add -g wunderland et configurable via un assistant. Sources sur github.com/jddunn/wunderland (Apache 2.0 depuis 0.71.0). Version preview ; les APIs et la surface de la CLI peuvent encore changer. Guide de démarrage : https://docs.agentos.sh/wunderland.

GMI signifie Generalized Mind Instance. C’est l’agent que le runtime AgentOS crée pour chaque session : il conserve la persona de la session (traits HEXACO), l’historique de la conversation, l’humeur et la trace de raisonnement, exécute chaque tour en passant par la récupération, l’assemblage du prompt, l’appel du modèle et les appels d’outils, et peut recevoir une mémoire cognitive qui persiste d’une session à l’autre. Le helper léger agent() appelle directement le modèle et ne crée aucun GMI, sauf si vous lui passez runtime: 'gmi' ; gmi() et le runtime complet (AgentOS.processRequest) créent des GMI.

HEXACO est un modèle de personnalité à 6 facteurs issu de la recherche en psychologie (Ashton & Lee, 2007). Les six dimensions sont Honnêteté-Humilité, Émotionnalité, Extraversion, Agréabilité, Conscience et Ouverture à l’Expérience. Dans AgentOS, les traits HEXACO déterminent la façon dont les agents communiquent et mémorisent. agent() écrit les traits supérieurs à 0.65 ou inférieurs à 0.35 dans le prompt système sous forme de directives de comportement. Dans la mémoire cognitive, une forte Émotionnalité augmente la part réécrite d’un souvenir lors de son rappel (reconsolidation), tandis qu’une forte Conscience renforce l’oubli induit par la récupération des souvenirs concurrents.

La mémoire cognitive d’AgentOS implémente 8 mécanismes issus de la recherche en sciences cognitives : reconsolidation, oubli induit par la récupération, rappel involontaire, sentiment de savoir, extraction de gist temporel, encodage de schémas, décroissance de la confiance de la source et régulation émotionnelle. Les souvenirs s’estompent avec le temps en suivant les courbes d’oubli d’Ebbinghaus (Ebbinghaus, 1885), et chaque récupération réussie rend un souvenir plus stable, comme dans la répétition espacée. La mémoire de travail suit le modèle multicomposant de Baddeley (Baddeley, 2000) avec 7 emplacements par défaut : une Ouverture élevée en ajoute un, une Conscience élevée en retire un, et le total reste entre 5 et 9. Un nouveau souvenir est stocké par défaut comme souvenir épisodique et occupe un emplacement de la mémoire de travail. Quand les emplacements sont pleins, le moins actif est libéré et son souvenir reste stocké. La consolidation transforme ensuite les souvenirs épisodiques anciens et souvent récupérés en souvenirs sémantiques.

AgentOS propose six packs de guardrails optionnels : rédaction de PII (noms, e-mails, téléphones, SSN et plus), classificateurs ML pour la toxicité, les menaces et le contenu NSFW, analyse statique du code généré à la recherche de motifs dangereux, vérification du grounding contre les documents sources, application de topicalité pour garder les agents sur la tâche et un réécriveur de politique de contenu qui réécrit ou bloque les sorties contraires à votre politique. Chaque pack est une extension que vous activez sur le runtime AgentOS. Le pack de classificateurs ne note la prompt injection que lorsque son modèle local ne peut pas se charger ; pour les phrases d’injection connues, utilisez le guardrail intégré par liste de phrases.

Le moteur de découverte de capacités trouve outils et skills par recherche sémantique et les place dans le prompt en trois niveaux, chacun avec un budget de tokens strict. Le niveau 0 garde en contexte des résumés de catégorie (200 tokens par défaut). Le niveau 1 ajoute les 5 meilleurs matches sémantiques du tour (800 tokens). Le niveau 2 ajoute les schémas complets ou le texte SKILL.md des 2 meilleurs matches (2,000 tokens). Un méta-outil nommé discover_capabilities permet aux agents de consulter les outils disponibles à l’exécution.

Le QueryRouter classe chaque requête dans l’un de 4 niveaux et récupère en conséquence : T0 répond depuis la conversation sans récupération, T1 lance une seule recherche vectorielle (une recherche par mots-clés quand aucun fournisseur d’embeddings n’est configuré), T2 récupère 15 extraits, ajoute des extraits liés par l’expansion du graphe et reclasse l’ensemble pour garder les 5 meilleurs, et T3 découpe la requête en phrases, en 5 sous-requêtes au plus, récupère 10 extraits pour chacune, ajoute des extraits liés par l’expansion du graphe, reclasse l’ensemble pour garder les 10 meilleurs puis, quand la recherche approfondie est activée (par défaut, quand SERPER_API_KEY est définie), lance une passe de recherche approfondie dont il fusionne les résultats. Il répond ensuite à partir de ce qu’il a récupéré et renvoie la réponse avec les citations de ses sources.

L’intelligence adaptative désigne la façon dont les agents AgentOS ajustent leur comportement sans réentraînement. Cinq mécanismes travaillent ensemble : (1) Assemblage du prompt à chaque tour : le PromptEngine d’un GMI construit le prompt système à chaque tour à partir de la persona, de l’humeur, de l’historique de conversation, des souvenirs récupérés et des outils disponibles. (2) Auto-évaluation : avec l’auto-amélioration activée, l’outil self_evaluate note la réponse de l’agent et peut changer la temperature ou la verbosité de la session, ou ajuster un trait via adapt_personality. (3) Mémoire modulée par la personnalité : les traits HEXACO règlent les mécanismes de mémoire ; une forte Ouverture rend le rappel involontaire plus probable, et une forte Conscience renforce l’oubli induit par la récupération des souvenirs concurrents. (4) Consolidation de la mémoire : les passes de consolidation élaguent les souvenirs affaiblis, fusionnent les doublons, transforment les souvenirs épisodiques anciens et souvent récupérés en souvenirs sémantiques et, avec un LLM configuré, dérivent des souvenirs de synthèse à partir de groupes de souvenirs. (5) Niveaux du QueryRouter : la profondeur de récupération suit la requête, de l’absence de récupération quand la conversation contient déjà la réponse jusqu’à une recherche approfondie sur tout le corpus pour les plus difficiles.

Les comportements émergents sont des capacités que les agents développent à l’exécution au lieu d’être programmées explicitement. AgentOS en prend en charge cinq formes : (1) Forge d’outils à l’exécution : avec emergent: true sur le runtime AgentOS, les agents écrivent de nouveaux outils en JavaScript via forge_tool. L’EmergentCapabilityEngine exécute chacun dans node:vm avec une limite de temps, et un juge LLM examine le code et ses exécutions de test avant l’enregistrement de l’outil. (2) Personnalité auto-ajustable : adapt_personality déplace un trait HEXACO dans des bornes fixées pour l’agent en cours d’exécution. Avec persistWithDecay et un mutation store, chaque changement est enregistré, et les enregistrements stockés perdent de la force au plus une fois par jour, lorsque l’agent s’adapte. (3) Gestion dynamique des skills : les agents activent ou désactivent des skills à l’exécution via manage_skills, en adaptant leur répertoire de comportements à la tâche. (4) Création de workflows composables : les agents combinent des outils enregistrés en pipelines multi-étapes via create_workflow, construisant de nouvelles capacités à partir de briques existantes. (5) Promotion d’outils par niveaux : un outil forgé démarre au niveau session. Après au moins 5 utilisations avec un taux de réussite de 0.8 ou plus, et l’approbation de deux relecteurs LLM, il passe au niveau agent. Un hôte peut promouvoir un outil au niveau shared avec EmergentToolRegistry.promote().

Oui. AgentOS fournit deux mécanismes complémentaires de LLM-as-judge. Au niveau de l’agency, hitl.llmJudge() crée un handler d’approbation qui délègue les décisions à un LLM. Il évalue chaque ApprovalRequest selon des critères configurables et renvoie une décision structurée avec un score de confiance. Lorsque la confiance tombe sous le seuil, la décision est escaladée vers un handler de fallback (un autre hitl handler ou un humain). Au niveau du graph, le builder humanNode() accepte une option judge qui délègue la décision d’interruption à un LLM. Si le juge est confiant, le graph continue sans suspension. Si la confiance est faible, l’exécution retombe sur une interruption humaine normale. Les deux approches prennent en charge model, provider, criteria et confidence threshold configurables.

Oui. Lorsque hitl.guardrailOverride est activé, les guardrails s’exécutent après une décision d’approbation et peuvent encore bloquer des actions destructives ou sensibles. Cela ajoute une seconde couche de sécurité après l’auto-approbation, l’approbation humaine ou hitl.llmJudge(). Les guardrails post-approbation par défaut incluent code-safety et pii-redaction, et vous pouvez configurer la liste avec hitl.postApprovalGuardrails. Ne désactivez l’override que si vous voulez explicitement que le handler d’approbation ait le dernier mot.

Installez via npm : npm install @framers/agentos. AgentOS nécessite Node.js 22 ou supérieur. Pour les outils CLI, installez le package compagnon : npm install -g wunderland.

Import the agent function and configure it with a provider, instructions, and optional personality traits:

import { agent } from '@framers/agentos'

const myAgent = agent({
  provider: 'openai',
  instructions: 'You are a helpful assistant.',
  personality: {
    openness: 0.8,
    conscientiousness: 0.9,
  },
})

const reply = await myAgent.generate('Hello!')
console.log(reply.text)

AgentOS gère la voix avec VoicePipelineOrchestrator. Vous lui fournissez une session STT en streaming, une session TTS en streaming, un détecteur de fin de tour et un gestionnaire d’interruption (barge-in), et il les relie à une session d’agent via un transport tel qu’un WebSocket. Le catalogue vocal liste 13 fournisseurs STT et 13 fournisseurs TTS. Parmi eux, 11 fournisseurs STT, dont Whisper (OpenAI), Deepgram et AssemblyAI, et 10 fournisseurs TTS, dont ElevenLabs, OpenAI TTS et Google Cloud TTS, sont disponibles. Les cinq autres entrées (Whisper.cpp, NVIDIA NeMo, Coqui XTTS, Bark et StyleTTS2) sont marquées comme indisponibles, et le résolveur de fournisseurs les ignore. Les fournisseurs Twilio, Telnyx et Plivo passent et terminent des appels téléphoniques.

AgentOS est auto-hébergeable et fonctionne partout où Node.js 22 ou supérieur fonctionne. Déployez sur votre propre infrastructure avec Docker, sur des fournisseurs cloud comme AWS, GCP ou Azure, ou utilisez des plateformes comme Vercel, Railway ou Fly.io. SQLite ne demande aucune configuration, et le MigrationEngine déplace les données stockées vers Postgres, Qdrant ou Pinecone quand il vous faut plus d’échelle.

Oui. AgentOS fonctionne entièrement hors ligne lorsqu’il est associé à Ollama pour l’inférence LLM locale. Ollama donne accès à des modèles à poids ouverts comme Llama, Mistral et Phi en local. Le backend de stockage SQLite et le vector store en mémoire ne nécessitent aucun service externe. La commande ollama-setup de la CLI Wunderland détecte ou installe Ollama et configure l’agent pour l’utiliser.

Oui. AgentOS fournit des packs de guardrails optionnels qui rédigent les données personnelles, modèrent le contenu et vérifient les réponses contre leurs sources, ainsi que des validations pour les appels d’outils sensibles, des budgets de dépense qui refusent un appel au-delà du plafond et des disjoncteurs qui retirent de la rotation un fournisseur défaillant.

AgentOS inclut un guardrail de rédaction de PII qui supprime les données personnelles avant qu'elles n'atteignent les fournisseurs LLM, et un déploiement auto-hébergé pour que les données restent sur votre infrastructure. La mémoire s'exporte en JSON, Markdown, Obsidian ou SQLite pour une demande d'accès. Oublier un souvenir le retire du rappel mais garde sa ligne dans la base de données ; une demande d'effacement exige donc une suppression dans votre propre stockage. La conformité RGPD et SOC 2 relève de la responsabilité organisationnelle de l'équipe qui déploie, pas d'une propriété de la bibliothèque elle-même.

Oui. Pour les déploiements en production, les licences entreprise, le support dédié et les intégrations personnalisées, contactez l’équipe à [email protected]. Le support entreprise inclut la résolution prioritaire des issues, le conseil en architecture et l’assistance au déploiement.

[email protected]

Absolument. AgentOS est conçu pour être auto-hébergé dès le départ. Pour les déploiements auto-hébergés, vos données restent sur votre infrastructure avec SQLite, Postgres, pgvector, Qdrant ou Neo4j. Si vous préférez une base de données vectorielle gérée par un fournisseur, Pinecone est également pris en charge. Un helper de configuration peut démarrer un conteneur Qdrant local avec Docker.