DelphiMistralAI ist ein Open-Source-Python-Toolkit, das das leistungsstarke Mistral-7B-LLM mit dem Delphi-Moral-Reasoning-Modell integriert. Es bietet eine Befehlszeilenschnittstelle und eine RESTful API, um begründete ethische Urteile für vom Benutzer bereitgestellte Szenarien zu liefern. Nutzer können den Agenten lokal bereitstellen, Urteilskriterien anpassen und für jede moralische Entscheidung Begründungen einsehen. Dieses Werkzeug soll die KI-Ethik-Forschung beschleunigen, Lehrdemonstrationen ermöglichen und sichere, erklärbare Entscheidungssysteme unterstützen.

Bosch AI hat sich zum Ziel gesetzt, die digitalisierte Welt mit fortschrittlicher KI zu verbessern, um das Leben einfacher und sicherer zu gestalten. Sie nutzen Daten von über 230 Bosch-Werken und führen sichere, robuste und erklärbare KI-Forschungen durch. Sie konzentrieren sich auf praktische Anwendungen in verschiedenen Sektoren und fördern die Zusammenarbeit mit Branchen- und Akademieleitern, um ihr Forschungsnetzwerk zu erweitern.

Das Repository bietet eine Schritt-für-Schritt-Anleitung und Referenzimplementierung für die Erstellung eines ReAct-basierten KI-Agenten, der DeepSeek für hochdimensionale Vektorrückgewinnung nutzt. Es behandelt die Einrichtung der Umgebung, die Installation von Abhängigkeiten und die Konfiguration der Vektorspeicher für benutzerdefinierte Daten. Der Agent verwendet das ReAct-Muster, um reasoning-Spuren mit externen Wissenssuchen zu kombinieren, was zu transparenter und erklärbarer Antwortausgabe führt. Nutzer können das System erweitern, indem sie zusätzliche Dokumenten-Loader integrieren, Prompt-Vorlagen feinabstimmen oder Vektordatenbanken austauschen. Dieses flexible Framework ermöglicht Entwicklern und Forschern die schnelle Entwicklung leistungsstarker konversationaler Agenten, die reasoning, retrieval und Interaktion nahtlos mit verschiedenen Wissensquellen in wenigen Zeilen Python-Code realisieren.

Graphium ist ein Orchestrierungs-Framework für Wissensgraphen und LLMs, das die Ingestion strukturierter Daten, die Erstellung semantischer Einbettungen und hybride Abfrageverfahren für Q&A und Chat unterstützt. Es integriert bekannte LLMs, Graphdatenbanken und Vektorenspeicher, um erklärbare, graphbasierte KI-Agenten zu ermöglichen. Nutzer können Graphstrukturen visualisieren, Beziehungen abfragen und Multi-Hop-Reasoning einsetzen. Es bietet REST-APIs, SDKs und eine Web-UI zur Verwaltung von Pipelines, Überwachung von Anfragen und Anpassung von Prompts, ideal für unternehmensweites Wissensmanagement und Forschungsanwendungen.

Graph_RAG ist ein Python-basiertes Framework zum Aufbau und zur Abfrage von Wissensgraphen für retrieval-augmented generation (RAG). Es unterstützt die Ingestion unstrukturierter Dokumente, die automatische Extraktion von Entitäten und Beziehungen mit LLMs oder NLP-Tools und die Speicherung in Graphdatenbanken wie Neo4j. Mit Graph_RAG können Entwickler verbundene Wissensgraphen erstellen, semantische Graphabfragen ausführen, um relevante Knoten und Pfade zu identifizieren, und den abgerufenen Kontext in LLM-Aufforderungen einspeisen. Das Framework bietet modulare Pipelines, konfigurierbare Komponenten und Integrationsbeispiele, um End-to-End-RAG-Anwendungen zu erleichtern und die Antwortgenauigkeit sowie Interpretierbarkeit durch strukturierte Wissensrepräsentation zu verbessern.

Dioptra AI bietet eine hochentwickelte Plattform zur Vertragsprüfung, die künstliche Intelligenz nutzt, um eine Anwaltstyp-Genauigkeit zu erreichen. Vertraut von zahlreichen Rechtsfachleuten zielt die Plattform darauf ab, den Prozess der Vertragsprüfung zu optimieren, wodurch dieser schneller und genauer wird. Die Erklärbarkeit der KI sorgt dafür, dass Benutzer den Entscheidungsprozess vertrauen und verstehen können, während die hohe Genauigkeitsrate es zu einem unverzichtbaren Werkzeug für Rechtsteams macht, die nach Effizienz und Präzision streben.

multiagent_envs liefert eine modulare Sammlung von Python-basierten Umgebungen, die speziell für die Forschung und Entwicklung im Bereich Multi-Agenten-Verstärkungslernen entwickelt wurden. Es umfasst Szenarien wie kooperative Navigation, Räuber-Beute, soziale Dilemmas und wettbewerbsorientierte Arenen. Jede Umgebung erlaubt die Definition der Agentenzahl, Beobachtungsmerkmale, Belohnungsfunktionen und Kollisionsdynamik. Das Framework integriert sich nahtlos mit beliebten RL-Bibliotheken wie Stable Baselines und RLlib, ermöglicht vektorisiertes Training, parallele Ausführung und einfache Protokollierung. Nutzer können bestehende Szenarien erweitern oder neue durch eine einfache API erstellen, um die Experimentierung mit Algorithmen wie MADDPG, QMIX und PPO in einer konsistenten, reproduzierbaren Umgebung zu beschleunigen.