Aurora bietet eine modulare Architektur zum Aufbau generativer KI-Agenten, die komplexe Aufgaben durch iterative Planung und Ausführung autonom bewältigen können. Es besteht aus einem Planer, der hochrangige Ziele in umsetzbare Schritte zerlegt, einem Executor, der diese Schritte mit großen Sprachmodellen ausführt, sowie einer Tool-Integrationsschicht für APIs, Datenbanken oder benutzerdefinierte Funktionen. Aurora umfasst auch Speicherverwaltung für Kontextwahrung und dynamische Neuprogrammierung, um sich an neue Informationen anzupassen. Mit anpassbaren Eingabeaufforderungen und Plug-and-Play-Modulen können Entwickler schnell Prototypen für Aufgaben wie Inhaltserstellung, Forschung, Kundensupport oder Prozessautomatisierung erstellen und dabei die vollständige Kontrolle über Workflows und Entscheidungslogik behalten.

GPA-LM ist ein Python-basiertes Framework, das die Erstellung und Orchestrierung KI-gestützter Agenten mit großen Sprachmodellen vereinfacht. Es verfügt über einen Planer, der hochrangige Anweisungen in Unteraufgaben zerlegt, einen Ausführer, der Tool-Aufrufe und Interaktionen verwaltet, und eine Speicherfunktion, die den Kontext über Sitzungen hinweg erhält. Die Plugin-Architektur ermöglicht es Entwicklern, benutzerdefinierte Tools, APIs und Entscheidungslogik hinzuzufügen. Mit Multi-Agent-Unterstützung kann GPA-LM Rollen koordinieren, Aufgaben verteilen und Ergebnisse aggregieren. Es lässt sich nahtlos in beliebte LLMs wie OpenAI GPT integrieren und auf verschiedenen Umgebungen bereitstellen. Das Framework beschleunigt die Entwicklung autonomer Agenten für Forschung, Automatisierung und Anwendungsprototyping.