Xemantic AI Tool Schema es un conjunto de definiciones de esquema JSON y tipos TypeScript diseñados para estandarizar cómo se describen, validan y llaman las herramientas de agentes IA. Los desarrolladores pueden definir metadatos de herramientas como nombre, descripción y parámetros, luego validar instancias contra el esquema o usar las interfaces TypeScript generadas durante el desarrollo. El esquema soporta tipos de parámetros, estructuras anidadas, valores predeterminados y control de versiones, asegurando validación robusta y compatibilidad. Al seguir un esquema coherente, los agentes IA pueden descubrir y llamar herramientas de manera confiable en tiempo de ejecución, mejorando la mantenibilidad y reduciendo errores de integración. El paquete se integra sin problemas con Xemantic AI Agents y puede extenderse para casos de uso personalizados.

Memor ofrece un subsistema de memoria para agentes de modelos lingüísticos, permitiéndoles almacenar incrustaciones de eventos pasados, preferencias del usuario y datos contextuales en bases de datos vectoriales. Soporta múltiples backends como FAISS, ElasticSearch y almacenes en memoria. Con búsquedas semánticas de similitud, los agentes pueden recuperar memorias relevantes basándose en incrustaciones de consultas y filtros de metadatos. Las pipelines de memoria personalizables de Memor incluyen segmentación, indexado y políticas de expulsión, asegurando una gestión escalable y a largo plazo del contexto. Integra esto en el flujo de trabajo de tu agente para enriquecer los prompts con contexto histórico dinámico y mejorar la relevancia en respuestas en interacciones multisesión.

RecurSearch es una biblioteca de Python de código abierto diseñada para mejorar la generación aumentada por recuperación (RAG) y los flujos de trabajo de agentes de IA mediante búsqueda semántica recursiva. Los usuarios definen un pipeline de búsqueda que incrusta consultas y documentos en espacios vectoriales, luego refina iterativamente las consultas basándose en resultados previos, aplica filtros de metadatos o palabras clave, y resume o agrega hallazgos. Este refinamiento paso a paso proporciona mayor precisión, reduce llamadas API y ayuda a los agentes a identificar información profundamente anidada o específica del contexto a partir de grandes corpus.