Langchainrb es una biblioteca de Ruby de código abierto diseñada para agilizar el desarrollo de aplicaciones impulsadas por IA mediante un marco modular para agentes, cadenas y herramientas. Los desarrolladores pueden definir plantillas de indicaciones, ensamblar cadenas de llamadas LLM, integrar componentes de memoria para preservar el contexto y conectar herramientas personalizadas como cargadores de documentos o APIs de búsqueda. Soporta generación de incrustaciones para búsqueda semántica, manejo de errores integrado y configuración flexible de modelos. Con abstracciones de agentes, puedes implementar asistentes conversacionales que decidan qué herramientas o cadenas invocar según la entrada del usuario. La arquitectura extensible de Langchainrb permite fácil personalización, facilitando rápidamente prototipos de chatbots, pipelines de resumen automatizado, sistemas QA y automatización de flujos de trabajo complejos.

rag-services es una plataforma extensible que descompone las pipelines RAG en microservicios discretos. Ofrece un servicio de almacenamiento de documentos, un servicio de indexación vectorial, un servicio de embedding, múltiples servicios de inferencia LLM y un orquestador para coordinar los flujos de trabajo. Cada componente expone APIs REST, permitiéndote mezclar y combinar bases de datos y proveedores de modelos. Con soporte para Docker y Docker Compose, puedes desplegar localmente o en clústeres Kubernetes. El framework habilita soluciones RAG escalables y tolerantes a fallos para chatbots, bases de conocimientos y Q&A automáticos.

RAG para Ciberseguridad combina el poder de los modelos de lenguaje grandes con recuperación basada en vectores para transformar el acceso y análisis de información de ciberseguridad. Los usuarios comienzan cargando documentos como matrices MITRE ATT&CK, entradas CVE y avisos de seguridad. Luego, el marco genera incrustaciones para cada documento y las almacena en una base de datos vectorial. Cuando se realiza una consulta, RAG recupera los fragmentos más relevantes, los pasa al LLM y devuelve respuestas precisas y ricas en contexto. Este enfoque garantiza que las respuestas se basen en fuentes autorizadas, reduce las alucinaciones y mejora la precisión. Con pipelines de datos personalizables y soporte para múltiples proveedores de incrustaciones y LLM, los equipos pueden adaptar el sistema a sus necesidades únicas de inteligencia de amenazas.

Memonto funciona como una librería middleware para agentes de IA, orquestando todo el ciclo de vida de la memoria. Durante cada turno de conversación, registra los mensajes del usuario y de la IA, destila detalles relevantes y genera resúmenes concisos. Estos resúmenes se convierten en incrustaciones y se almacenan en bases de datos vectoriales o en archivos. Al construir nuevos prompts, Memonto realiza búsquedas semánticas para recuperar las memorias pasadas más relevantes, permitiendo que los agentes mantengan el contexto, recuerden preferencias del usuario y proporcionen respuestas personalizadas. Soporta múltiples sistemas de almacenamiento (SQLite, FAISS, Redis) y ofrece pipelines configurables para incrustaciones, resúmenes y recuperación. Los desarrolladores pueden integrar fácilmente Memonto en marcos de agentes existentes, mejorando la coherencia y el compromiso a largo plazo.

CrewAI Anthropic Similar Company Finder es un agente de IA de línea de comandos que procesa una lista proporcionada por el usuario de nombres de empresas, los envía a Anthropic Claude para generar incrustaciones y luego calcula puntajes de similitud coseno para clasificar empresas relacionadas. Aprovechando las representaciones vectoriales, descubre relaciones ocultas y grupos de pares dentro de conjuntos de datos. Los usuarios pueden especificar parámetros como modelo de incrustación, umbral de similitud y número de resultados para adaptar la salida a sus necesidades de investigación y análisis competitivo.