llm-ReAct implementiert die ReAct-Architektur (Reasoning and Acting) für große Sprachmodelle, die eine nahtlose Integration von Ketten-von-Denken-Reasoning mit externer Werkzeugausführung und Speicherverwaltung ermöglicht. Entwickler können eine Sammlung benutzerdefinierter Werkzeuge konfigurieren – wie Websuche, Datenbankabfragen, Dateibearbeitung und Rechner – und den Agenten anweisen, mehrstufige Aufgaben zu planen, wobei bei Bedarf Werkzeuge aufgerufen werden, um Informationen abzurufen oder zu verarbeiten. Das integrierte Speicher-Modul bewahrt den Gesprächszustand und vergangene Aktionen, was kontextbezogenes Verhalten des Agenten unterstützt. Mit modularem Python-Code und Unterstützung für OpenAI-APIs vereinfacht llm-ReAct Experimente und die Bereitstellung intelligenter Agenten, die adaptiv Probleme lösen, Arbeitsabläufe automatisieren und kontextreiche Antworten liefern.

Eule bietet ein entwicklerorientiertes Toolkit, das die Erstellung autonomer KI-Agenten ermöglicht, die komplexe, mehrstufige Aufgaben ausführen können. Im Kern nutzt Eule große Sprachmodelle (LLMs) für das Reasoning, erweitert durch ein Plugin-System zur Anbindung externer APIs, Codeausführung und Datenbankabfragen. Entwickler definieren Agenten mit einer einfachen TypeScript-API, spezifizieren Toolsets und konfigurieren Speichermodule, um den Zustand über Interaktionen hinweg zu bewahren. Die Laufzeit von Eule steuert die Reasoning-Schleifen, verwaltet Tool-Aufrufe und nebenläufige Prozesse. Es unterstützt sowohl Node.js- als auch Deno-Umgebungen, um eine breite Plattformkompatibilität zu gewährleisten. Mit integrierter Protokollierung, Fehlerbehandlung und Erweiterungspunkten vereinfacht Eule die Prototypentwicklung und den produktiven Einsatz von KI-gesteuerten Workflows, Chatbots und automatisierten Assistenten.

Der KI-Agenten-Workshop ist ein umfassendes Repository mit praktischen Beispielen und Vorlagen zur Entwicklung von KI-Agenten mit Python. Der Workshop umfasst Jupyter-Notebooks, die Agentenframeworks, Tool-Integrationen (z.B. Websuche, Dateiverwaltung, Datenbankabfragen), Speichermechanismen und Multi-Schritt-Reasoning demonstrieren. Nutzer lernen, benutzerdefinierte Agentenplaner zu konfigurieren, Tool-Schemas zu definieren und schleifenbasierten Konversations-Workflows zu implementieren. Jedes Modul enthält Übungen zur Fehlerbehandlung, Prompt-Optimierung und Evaluierung der Agentenausgaben. Der Code unterstützt OpenAI's Funktionsaufrufe und LangChain-Verbindungen, ermöglicht eine nahtlose Erweiterung für domänenspezifische Aufgaben. Ideal für Entwickler, die autonome Assistenten, Aufgabenautomatisierungs-Bots oder Frage-Antwort-Agenten prototypisch entwickeln möchten, und bietet einen schrittweisen Ansatz von einfachen Agenten bis zu fortgeschrittenen Workflows.