DelphiMistralAI es un conjunto de herramientas Python de código abierto que integra el potente modelo LLM Mistral-7B con el modelo de razonamiento moral Delphi. Ofrece una interfaz de línea de comandos y una API RESTful para proporcionar juicios éticos fundamentados sobre escenarios suministrados por el usuario. Los usuarios pueden desplegar el agente localmente, personalizar los criterios de juicio, e inspeccionar las justificaciones generadas para cada decisión moral. Esta herramienta busca acelerar la investigación en ética de IA, demostraciones educativas y sistemas de soporte de decisiones seguros y explicables.

Bosch AI tiene como objetivo elevar el mundo digitalizado utilizando IA avanzada para hacer la vida más fácil y segura. Aprovechan datos de más de 230 plantas de Bosch, llevando a cabo investigaciones de IA seguras, robustas y explicables. Se centran en aplicaciones del mundo real en diversos sectores y fomentan colaboraciones con líderes de la industria y el ámbito académico para expandir su red de investigación.

El repositorio ofrece un tutorial paso a paso y una implementación de referencia para crear un agente de IA basado en ReAct que utilice DeepSeek para recuperación vectorial de alta dimensión. Cubre la configuración del entorno, la instalación de dependencias y la configuración de las tiendas de vectores para datos personalizados. El agente emplea el patrón ReAct para combinar las trayectorias de razonamiento con búsquedas de conocimientos externas, resultando en respuestas transparentes y explicables. Los usuarios pueden ampliar el sistema integrando cargadores de documentos adicionales, ajustando plantillas de prompts o intercambiando bases de datos vectoriales. Este marco flexible permite a desarrolladores e investigadores crear prototipos rápidamente de agentes conversacionales potentes que razonan, recuperan e interactúan sin problemas con diversas fuentes de conocimiento en pocas líneas de código Python.

Graphium es un marco de orquestación de gráficos de conocimiento y LLM que soporta la ingesta de datos estructurados, la creación de incrustaciones semánticas y recuperación híbrida para preguntas y respuestas y chat. Se integra con LLMs populares, bases de datos gráficas y almacenes de vectores para habilitar agentes de IA explicables y potentes por grafo. Los usuarios pueden visualizar estructuras de grafo, consultar relaciones y emplear razonamiento de múltiples saltos. Ofrece APIs REST, SDK y una interfaz web para gestionar pipelines, monitorear consultas y personalizar prompts, ideal para gestión del conocimiento empresarial y aplicaciones de investigación.

Graph_RAG es un marco basado en Python diseñado para construir y consultar grafos de conocimiento para generación aumentada por recuperación (RAG). Soporta la ingestión de documentos no estructurados, la extracción automática de entidades y relaciones usando LLMs o herramientas NLP, y el almacenamiento en bases de datos gráficas como Neo4j. Con Graph_RAG, los desarrolladores pueden construir grafos de conocimiento conectados, ejecutar consultas semánticas para identificar nodos y caminos relevantes, y alimentar los contextos recuperados en prompts de LLM. El marco proporciona pipelines modulares, componentes configurables y ejemplos de integración para facilitar aplicaciones de extremo a extremo RAG, mejorando la precisión de respuestas e interpretabilidad mediante la representación estructurada del conocimiento.

Dioptra AI ofrece una plataforma sofisticada para la revisión de contratos, aprovechando la inteligencia artificial para lograr una precisión comparable a la de un abogado. Confiada por numerosos profesionales del derecho, la plataforma busca optimizar el proceso de revisión de contratos, haciéndolo más rápido y preciso. La explicabilidad de la IA garantiza que los usuarios puedan confiar y entender el proceso de toma de decisiones, mientras que la alta tasa de precisión la convierte en una herramienta vital para equipos legales que buscan eficiencia y precisión.

multiagent_envs ofrece un conjunto modular de entornos en Python diseñados para la investigación y desarrollo en aprendizaje por refuerzo multi-agente. Incluye escenarios como navegación cooperativa, depredador-presa, dilemas sociales y arenas competitivas. Cada entorno permite definir el número de agentes, características de observación, funciones de recompensa y dinámica de colisión. El framework se integra perfectamente con bibliotecas RL populares como Stable Baselines y RLlib, permitiendo bucles de entrenamiento vectorizados, ejecución paralela y registro sencillo. Los usuarios pueden extender escenarios existentes o crear otros nuevos mediante una API sencilla, acelerando la experimentación con algoritmos como MADDPG, QMIX y PPO en un entorno reproducible y consistente.