MInD est un cadre de mémoire basé sur Python conçu pour renforcer les agents IA pilotés par LLM avec des capacités de mémoire robustes. Il permet aux agents de capturer les entrées utilisateur et les événements système comme des journaux épisodiques, de condenser ces journaux en résumés sémantiques et de récupérer des souvenirs pertinents à la demande. Avec des politiques de rétention configurables, une recherche de similarité et un résumé automatique, MInD maintient une base de connaissances persistante que les agents consultent lors de l’inférence. Cela garantit qu’ils se souviennent avec précision des interactions précédentes, adaptent leurs réponses en fonction de l’historique et offrent des dialogues personnalisés et cohérents sur plusieurs sessions.

Tiny-OAI-MCP-Agent fournit une architecture d'agent extensible et compacte basée sur l'API OpenAI. Il implémente une boucle de processus multi-cognitif (MCP) pour le raisonnement, la mémoire et l'utilisation d'outils. Vous définissez des outils (API, opérations sur fichiers, exécution de code), et l'agent planifie les tâches, rappelle le contexte, invoque les outils, et itère sur les résultats. Cette base de code minimaliste permet aux développeurs d'expérimenter avec des workflows autonomes, des heuristiques personnalisées et des modèles de prompt avancés tout en gérant automatiquement les appels API, la gestion d'état et la récupération d'erreurs.

EveryAnswer utilise un traitement avancé du langage naturel pour comprendre les questions des utilisateurs et fournir des réponses précises. Il est conçu pour aider les utilisateurs à trouver rapidement des informations, ce qui est particulièrement bénéfique pour les étudiants, les professionnels et toute personne cherchant à optimiser ses efforts de recherche. EveryAnswer comprend le contexte et les nuances du langage, permettant une communication plus efficace et des résultats plus rapides.

L'agent IA avec MCP est un cadre complet conçu pour rationaliser le développement d'agents IA avancés capables de maintenir un contexte à long terme, effectuer un raisonnement multi-étapes, et adapter leurs stratégies en fonction de la mémoire. Il utilise une conception modulaire composée d'un gestionnaire de mémoire, d'un planificateur conditionnel, et d'un gestionnaire d'invite, permettant des intégrations personnalisées et une extension avec divers LLMs. Le gestionnaire de mémoire stocke de façon persistante les interactions passées, garantissant la conservation du contexte. Le planificateur conditionnel évalue les conditions à chaque étape et sélectionne dynamiquement la prochaine action. Le gestionnaire d'invite formate les entrées et enchaîne les tâches de manière fluide. Écrit en Python, il s'intègre via API avec les modèles GPT d'OpenAI, supporte la génération augmentée par récupération, et facilite la création d'agents conversationnels, l'automatisation des tâches, ou des systèmes de support à la décision. Une documentation étendue et des exemples guident les utilisateurs dans l'installation et la personnalisation.

Dial4JaCa est un plugin de bibliothèque Java pour la plateforme multi-agent JaCaMo qui intercepte les messages inter-agents, encode les intentions des agents et les routent via des backend LLM (OpenAI, modèles locaux). Il gère le contexte de dialogue, met à jour les bases de croyances et intègre la génération de réponse directement dans les cycles de raisonnement AgentSpeak(L). Les développeurs peuvent personnaliser les invites, définir des artefacts de dialogue et gérer des appels asynchrones, permettant aux agents d'interpréter les énoncés des utilisateurs, de coordonner des tâches et de récupérer des informations externes en langage naturel. Son design modulaire prend en charge la gestion des erreurs, la journalisation et la sélection de plusieurs LLM, idéal pour la recherche, l'éducation et le prototypage rapide de MAS conversationnels.