30 dépôts GitHub qui alimentent la pile IA, des agents à l'inférence locale

Si vous construisez avec l'IA en 2026, vous avez probablement déjà utilisé une poignée de ces dépôts. Mais à moins de suivre le domaine quotidiennement, certains vous seront nouveaux. Un fil sur X du développeur @DivyanshT91162 a rassemblé 30 dépôts GitHub qui couvrent l'ensemble de la pile de développement IA, de l'orchestration d'agents à la recherche vectorielle, l'inférence locale, et même la colle backend qui lie le tout.

Ce qui rend cette liste utile, c'est qu'elle ne se contente pas de citer les suspects habituels. Elle inclut à la fois les poids lourds (LangChain, vLLM, Transformers) et les outils émergents qui résolvent des problèmes spécifiques (Unsloth pour un fine-tuning plus rapide, MLX pour Apple Silicon, Open WebUI comme alternative hébergée à ChatGPT). Pris dans leur ensemble, la collection vous indique où se trouve l'écosystème IA open-source en ce moment : modulaire, axé sur l'expérience développeur, et de plus en plus optimisé pour fonctionner sur du matériel grand public.

Frameworks d'agents et orchestration

La plus grande partie de la liste traite des agents. LangChain et LangGraph mènent la voie pour la construction de workflows alimentés par LLM et d'agents avec état. AutoGen de Microsoft et CrewAI abordent tous deux la coordination multi-agents, mais avec des approches différentes : AutoGen s'appuie sur des modèles conversationnels, CrewAI sur des équipes basées sur des rôles. OpenHands et Bolt.diy vont plus loin, visant à automatiser des workflows entiers de génie logiciel. n8n et Flowise offrent des interfaces visuelles pour intégrer l'IA dans des pipelines d'automatisation, tandis que Dify fournit une plateforme applicative complète avec RAG et gestion de modèles intégrée.

Inférence LLM et déploiement local

Exécuter des modèles efficacement est un problème différent de la construction d'agents. vLLM est la référence pour l'inférence GPU haute performance en production. Ollama apporte la même simplicité aux machines locales : une commande et vous exécutez Llama, Qwen ou Mistral sur votre ordinateur portable. LiteLLM abstrait les API des fournisseurs afin que vous puissiez basculer entre OpenAI, Anthropic et les modèles locaux avec une seule interface. Open WebUI enveloppe Ollama dans une interface similaire à ChatGPT que vous hébergez vous-même, et AnythingLLM ajoute le RAG au mélange pour la recherche et le chat de documents privés.

Bases de données vectorielles, la couche mémoire

Presque chaque pile RAG a besoin d'un magasin vectoriel. Cinq bases de données apparaissent dans cette liste, chacune avec un compromis différent :

Le choix dépend de votre échelle et de l'infrastructure que vous souhaitez gérer. Chroma et FAISS sont parfaits pour le prototypage et l'utilisation intégrée ; Qdrant et Milvus gèrent les charges de production avec réplication et partitionnement. Weaviate se situe au milieu avec une recherche hybride intégrée.

Fine-tuning, modèles spécialisés et le reste

La liste se complète avec des outils pour le fine-tuning et des domaines spécifiques. Unsloth accélère l'entraînement LoRA et QLoRA, réduisant souvent de moitié l'utilisation de la mémoire GPU. Transformers de Hugging Face reste la bibliothèque de référence pour exécuter presque n'importe quel modèle. Whisper gère la reconnaissance vocale dans plusieurs langues, ComfyUI vous donne un contrôle basé sur des nœuds des pipelines Stable Diffusion, et MLX est le framework d'Apple pour un entraînement et une inférence efficaces sur l'appareil. FastAPI et Supabase apparaissent aussi, non spécifiques à l'IA, mais ils sont l'échafaudage backend sur lequel de nombreux services IA sont construits.

Le fil inclut également OpenAI Cookbook (modèles de production d'OpenAI), LlamaIndex (connecteurs données-LLM), Continue (assistant de codage open-source pour VS Code), Haystack (framework de recherche et RAG), et n8n déjà mentionné.

Ajoutez ce fil à vos favoris. Vous y reviendrez.