L'agent IA blockchain intègre de grands modèles linguistiques avec une prise en charge multi-chaînes pour offrir une récupération rapide et précise des données blockchain via des requêtes en langage naturel. Les utilisateurs posent des questions comme 'Quelle était la gas utilisée dans le dernier bloc Ethereum ?' ou 'Montre-moi les transactions récentes pour une adresse Solana', et l'agent invoque automatiquement les appels RPC sous-jacents vers les nœuds Bitcoin, Ethereum et Solana. Basé sur Python et utilisant web3.py, solana-py et les bibliothèques Bitcoin, il gère sans problème les données de bloc, l’analyse des transactions, les soldes de comptes et les informations sur les prix. L’architecture modulaire permet aux développeurs d’étendre l’agent avec des fonctions personnalisées ou d’ajouter la prise en charge d’autres chaînes. Cet outil permet aux développeurs blockchain, analystes, éducateurs et passionnés d’accéder à des données complexes en chaîne sans écrire de code bas niveau.

Joule est l'agent IA intelligent de SAP conçu pour transformer la façon dont les entreprises exploitent les données pour la prise de décision. Il s'intègre parfaitement aux systèmes existants pour fournir des insights en temps réel sur les opérations, permettant aux utilisateurs de faire des choix éclairés qui améliorent la productivité et l'efficacité. Grâce à ses capacités de traitement du langage naturel, Joule peut comprendre les requêtes des utilisateurs et fournir rapidement des informations personnalisées, garantissant que les connaissances critiques en affaires soient facilement accessibles. Sa capacité à apprendre des interactions avec les utilisateurs signifie également que Joule s'améliore continuellement, évoluant avec les besoins de l'entreprise.

L'agent de conversation intelligent basé sur RAG combine une couche de récupération supportée par un magasin vectoriel avec le Gemini LLM de Google via LangChain, afin d'extraire la connaissance dans un contexte de conversation riche. Les utilisateurs insèrent et indexent des documents—PDF, pages web ou bases de données—dans une base de données vectorielle. Lorsqu'une requête est posée, l'agent récupère les passages les plus pertinents, les alimente dans un modèle de prompt, et génère des réponses concises et précises. Les composants modulaires permettent de personnaliser les sources de données, les magasins vectoriels, l'ingénierie des prompts et les backends LLM. Ce cadre open-source facilite le développement de bots Q&A spécifiques au domaine, d'explorateurs de connaissances et d'assistants de recherche, offrant des insights scalables et en temps réel à partir de grandes collections de documents.