Xemantic AI Tool Schema est un ensemble de définitions de schéma JSON et de types TypeScript conçus pour standardiser la description, la validation et l'invocation des outils d'agents IA. Les développeurs peuvent définir des métadonnées d'outil telles que le nom, la description et les paramètres, puis valider les instances par rapport au schéma ou utiliser les interfaces TypeScript générées lors du développement. Le schéma supporte les types de paramètres, les structures imbriquées, les valeurs par défaut et le contrôle de version, garantissant une validation robuste et une compatibilité. En suivant un schéma cohérent, les agents IA peuvent découvrir et appeler des outils de manière fiable à l'exécution, améliorant la maintenabilité et réduisant les erreurs d'intégration. La bibliothèque s'intègre parfaitement avec Xemantic AI Agents et peut être étendue pour des cas d'utilisation personnalisés.

Memor offre un sous-système de mémoire pour les agents de modèles linguistiques, leur permettant de stocker des embeddings d’événements passés, préférences utilisateur et données contextuelles dans des bases de données vectorielles. Elle supporte plusieurs backends tels que FAISS, ElasticSearch et les stockages en mémoire. Grâce à la recherche par similarité sémantique, les agents peuvent récupérer des mémoires pertinentes basées sur des embeddings de requête et des filtres métadonnées. Les pipelines de mémoire personnalisables de Memor incluent le découpage, l’indexation et les politiques d’éviction, assurant une gestion du contexte à long terme et évolutive. Intégrez-la dans le flux de travail de votre agent pour enrichir ses prompts avec un contexte historique dynamique et améliorer la pertinence des réponses lors de multiples sessions.

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.