Sherpa de CartographAI est un cadre d'agent basé sur Python conçu pour rationaliser la création d'assistants intelligents et de flux de travail automatisés. Il permet aux développeurs de définir des agents qui interprètent les entrées utilisateur, sélectionnent les points de terminaison LLM appropriés ou API externes, et orchestrent des tâches complexes telles que le résumé de documents, la récupération de données et les Q&R conversationnels. Grâce à son architecture plugin, Sherpa prend en charge une intégration facile d'outils personnalisés, de magasins de mémoire et de stratégies de routage pour optimiser la pertinence des réponses et les coûts. Les utilisateurs peuvent configurer des pipelines à plusieurs étapes où chaque module exécute une fonction distincte — comme la recherche sémantique, l'analyse de texte ou la génération de code — tandis que Sherpa gère la propagation du contexte et la logique de secours. Cette approche modulaire accélère le développement de prototypes, améliore la maintenabilité et permet aux équipes de construire des solutions évolutives pilotées par IA pour diverses applications.

AgenticIR (Agentic Information Retrieval) offre un cadre modulaire où des agents alimentés par des LLM planifient et exécutent de manière autonome des flux de travail IR. Il permet de définir des rôles d'agents — tels que générateur de requêtes, récupérateur de documents et résumé —, qui s'exécutent dans des séquences personnalisables. Les agents peuvent récupérer du texte brut, affiner leurs requêtes en fonction des résultats intermédiaires, et fusionner les passages extraits en résumés concis. Le cadre supporte des pipelines multi-étapes incluant la recherche web itérative, l’ingestion de données via API, et l’analyse locale de documents. Les développeurs peuvent ajuster les paramètres des agents, intégrer différents LLM, et affiner les politiques de comportement. AgenticIR offre aussi la journalisation, la gestion des erreurs et l’exécution parallèle des agents pour accélérer la collecte d’informations à grande échelle. Avec une configuration minimale, chercheurs et ingénieurs peuvent prototyper et déployer des systèmes de récupération autonomes.