SnowChat combine des embeddings vectoriels et une IA conversationnelle pour vous permettre d'interroger des documents en temps réel. Téléchargez des PDF, texte ou fichiers markdown ; il convertit le contenu en embeddings consultables, maintient le contexte dans le chat, et génère des réponses ou résumés précis en utilisant les modèles GPT d'OpenAI. SnowChat permet également d'ajuster les paramètres du modèle, de visualiser des extraits de sources pour la transparence, et d'exporter les journaux de conversation pour une revue ultérieure.

Crawlr est un agent IA open-source en CLI conçu pour rationaliser le processus d'insertion d'informations en ligne dans des bases de connaissances structurées. Utilisant les modèles GPT-3.5/4 d'OpenAI, il parcourt les URL spécifiées, nettoie et divise le HTML brut en segments de texte significatifs, génère des résumés concis et crée des embeddings vecteurs pour une recherche sémantique efficace. L'outil prend en charge la configuration de la profondeur d'exploration, des filtres de domaine et de la taille des chunks, permettant aux utilisateurs d'adapter les pipelines d'insertion aux besoins du projet. En automatisant la découverte de liens et le traitement du contenu, Crawlr réduit l'effort de collecte manuelle de données, accélère la création de FAQ, chatbots et archives de recherche, et s'intègre de manière transparente avec des bases de données vectorielles comme Pinecone, Weaviate ou SQLite local. Sa conception modulaire permet une extension facile pour des analyseurs personnalisés et des fournisseurs d'embeddings.

Granite Retrieval Agent offre aux développeurs une plateforme flexible pour construire des agents IA génératives augmentés par récupération combinant recherche sémantique et grands modèles linguistiques. Les utilisateurs peuvent ingérer des documents provenant de sources diverses, créer des embeddings vectoriels et configurer des index Azure Cognitive Search ou d'autres magasins vectoriels. Lorsqu’une requête arrive, l’agent récupère les passages les plus pertinents, construit des fenêtres contextuelles et appelle les API LLM pour des réponses ou résumés précis. Il supporte la gestion de la mémoire, l’orchestration en chaîne de la réflexion et des plugins personnalisés pour le pré et post-traitement. Déployable via Docker ou directement en Python, Granite Retrieval Agent accélère la création de chatbots basés sur la connaissance, assistants d'entreprise et systèmes Q&A avec moins d’hallucinations et une meilleure précision factuelle.

OpenKBS transforme le contenu d'entreprise—PDFs, documents, pages Web—en embeddings vectoriels stockés dans un graphe de connaissances. Les utilisateurs interagissent avec un chatbot IA qui récupère des réponses précises en analysant l'index sémantique. La plateforme propose des endpoints API robustes, des widgets UI personnalisables et un contrôle d'accès basé sur les rôles. Elle accélère le support interne, la recherche documentaire et l'intégration des développeurs grâce à des réponses automatisées, contextuelles, et un apprentissage continu à partir de nouvelles données.

Query-Bot intègre l'ingestion de documents, la segmentation de texte et les embeddings vectoriels pour créer un index consultable à partir de PDFs, fichiers texte et documents Word. En utilisant LangChain et GPT-3.5 Turbo d'OpenAI, il traite les requêtes des utilisateurs en récupérant les passages pertinents et en générant des réponses concises. L'interface UI basée sur Streamlit permet aux utilisateurs de télécharger des fichiers, de suivre l'historique des conversations et d'ajuster les paramètres. Il peut être déployé localement ou sur des environnements cloud, offrant un cadre extensible pour des agents personnalisés et des bases de connaissances.

Rawr Agent est un cadre Python modulaire et open-source qui permet aux développeurs de construire des agents AI autonomes en orchestrant des flux de travail complexes d’interactions LLM. En utilisant LangChain en arrière-plan, Rawr Agent vous permet de définir des séquences de tâches via des configurations YAML ou du code Python, en intégrant des outils tels que les API web, les requêtes de bases de données et les scripts personnalisés. Il comprend des composants de mémoire pour stocker l’historique des conversations et les embeddings vectoriels, des mécanismes de mise en cache pour optimiser les appels répétés, ainsi que des journaux de bord et une gestion robuste des erreurs pour surveiller le comportement de l’agent. Son architecture extensible permet d’ajouter des outils et des connecteurs personnalisés, rendant l’outil adapté pour des tâches telles que la recherche automatisée, l’analyse de données, la génération de rapports et les chatbots interactifs. Avec sa API simple, les équipes peuvent rapidement prototyper et déployer des agents intelligents pour diverses applications.

RecurSearch est une bibliothèque Python open-source conçue pour améliorer la génération augmentée par récupération (RAG) et les workflows d'agents IA en permettant une recherche sémantique récursive. Les utilisateurs définissent un pipeline de recherche qui embed des requêtes et des documents dans des espaces vectoriels, puis affineit itérativement les requêtes en fonction des résultats précédents, applique des filtres de métadonnées ou de mots-clés, et résume ou agrège les résultats. Cette étape de raffinement étape par étape permet d'obtenir une précision accrue, de réduire les appels API et d'aider les agents à faire ressortir des informations profondément imbriquées ou spécifiques au contexte à partir de grands corpus.

ThinkThread permet aux développeurs d'ajouter une mémoire persistante aux applications alimentées par ChatGPT. Il encode chaque échange à l'aide de Sentence Transformers et stocke les embeddings dans des magasins de vecteurs populaires. Lors de chaque nouvelle entrée utilisateur, ThinkThread effectue une recherche sémantique pour récupérer les messages passés les plus pertinents et les injecte comme contexte dans le prompt. Ce processus assure la continuité, réduit l'effort d'ingénierie des prompts, et permet aux bots de se souvenir de détails à long terme tels que les préférences utilisateur, l'historique des transactions ou les informations spécifiques au projet.

VisQueryPDF traite les fichiers PDF en les divisant en segments, en générant des embeddings vectoriels via OpenAI ou des modèles compatibles, et en stockant ces embeddings dans un magasin de vecteurs local. Les utilisateurs peuvent soumettre des requêtes en langage naturel pour récupérer les segments les plus pertinents. Les résultats de recherche sont affichés avec du texte mis en surbrillance sur les pages PDF originales et tracés dans un espace d'embedding bidimensionnel, permettant une exploration interactive des relations sémantiques entre les segments de documents.

Agent-OpenAI-Java-Banking-Assistant est une application Java open source qui utilise Azure OpenAI pour le traitement de grands modèles linguistiques et les embeddings vectoriels pour la recherche sémantique. Il charge des PDFs bancaires, génère des embeddings et effectue une QA conversationnelle pour résumer les états financiers, expliquer les accords de prêt et récupérer les détails des transactions. L'exemple illustre l'ingénierie de prompt, l'appel de fonctions et l'intégration avec les services Azure pour construire un assistant bancaire spécifique à un domaine.

Agentic Shared Memory fournit une solution robuste pour la gestion des données contextuelles dans des environnements multi-agents pilotés par l’IA. En utilisant des vecteurs d’intégration et des structures de données efficaces, il stocke des observations, décisions et transitions d’état des agents, permettant un accès et une mise à jour transparents du contexte. Les agents peuvent interroger la mémoire partagée pour accéder à des interactions passées ou à des connaissances globales, favorisant un comportement cohérent et une résolution collaborative de problèmes. La bibliothèque supporte une intégration plug-and-play avec des cadres IA populaires comme LangChain ou des orchestrateurs d’agents personnalisés, offrant des stratégies de rétention personnalisables, des fenêtres de contexte et des fonctions de recherche. En abstraisant la gestion de la mémoire, les développeurs peuvent se concentrer sur la logique de l’agent tout en assurant une gestion scalable et cohérente de la mémoire dans des déploiements distribués ou centralisés. Cela améliore la performance globale du système, réduit les calculs redondants et renforce l’intelligence des agents au fil du temps.

Le Prototype du Moteur Cognitif de Contexte AGI (CCE) Axé sur le Contexte offre une boîte à outils robuste pour que les développeurs mettent en œuvre des agents IA contextuels. Il utilise des embeddings vectoriels pour stocker les interactions utilisateur historiques, permettant une récupération efficace des morceaux de contexte pertinents. Le moteur résume automatiquement les longues conversations pour respecter les limites de tokens des LLM, assurant la continuité et la cohérence dans les dialogues multi-tours. Les développeurs peuvent configurer des stratégies de priorisation du contexte, gérer le cycle de vie de la mémoire et intégrer des pipelines de récupération personnalisés. Le CCE supporte des architectures modulaires de plugins pour les fournisseurs d'embeddings et les backends de stockage, offrant une flexibilité pour l'évolution des projets. Avec des API intégrées pour le stockage, la requête et la synthèse du contexte, le CCE facilite la création d'applications conversationnelles personnalisées, d'assistants virtuels et d'agents cognitifs nécessitant une mémoire à long terme.

CrewAI Code Repo Analyzer est un agent IA open-source qui indexe un dépôt de code, crée des embeddings vectoriels et fournit une recherche sémantique. Les développeurs peuvent poser des questions en langage naturel sur le code, générer des résumés de haut niveau des modules et explorer la structure du projet. Il accélère la compréhension du code, supporte l'analyse du code legacy et automatise la documentation en utilisant de grands modèles de langage pour interpréter et expliquer des bases de code complexes.

Spark Engine utilise des modèles d'IA avancés pour transformer les données textuelles en embeddings vectoriels haute dimension, ce qui permet de dépasser la simple recherche par mot-clé. Lorsqu'un utilisateur soumet une requête, Spark Engine la traite via la compréhension du langage naturel pour saisir l'intention, la compare avec les embeddings des documents indexés et classe les résultats par similarité sémantique. La plateforme supporte le filtrage, la facettisation, la tolérance aux fautes de frappe et la personnalisation des résultats. Avec des options pour des poids de pertinence personnalisables et des tableaux de bord analytiques, les équipes peuvent surveiller la performance de la recherche et ajuster les paramètres. L'infrastructure est entièrement gérée et horizontalement évolutive, assurant des réponses à faible latence sous forte charge. L'API RESTful et les SDK pour plusieurs langages facilitent l'intégration, permettant aux développeurs d'intégrer rapidement une recherche intelligente dans des applications web, mobiles et de bureau.

L'agent e-mail LLaMA local se connecte à votre boîte aux lettres (API Gmail ou mbox), ingère les messages entrants, et crée un contexte local avec des embeddings vectoriels. Il analyse les threads, génère des résumés concis, et rédige des suggestions de réponse adaptées à chaque conversation. Vous pouvez personnaliser les invites, ajuster le ton et la longueur, et étendre ses capacités avec le chaînage et la mémoire. Tout fonctionne sur votre appareil sans envoyer de données à des services externes, garantissant un contrôle total sur votre flux de travail email.