ResearchGPT automatise entièrement les flux de travail de recherche académique en intégrant la récupération de papiers, l’analyse de PDFs, l’extraction de texte basée sur le NLP, et la synthèse alimentée par GPT-4. À partir d’un sujet de recherche défini par l’utilisateur, il interroge les API de Semantic Scholar et arXiv pour rassembler des papiers pertinents, télécharge et analyse le contenu des PDFs, et utilise GPT-4 pour dégager les concepts clés, méthodologies et résultats. L’agent compile les insights de chaque papier en un rapport cohérent et structuré, exportable en Markdown ou PDF. Des options de configuration avancées permettent aux utilisateurs d’ajuster les filtres de recherche, définir des prompts personnalisés, et modifier le style des sorties. En orchestrant ces étapes, ResearchGPT réduit le travail manuel, accélère les revues de la littérature, et assure une couverture exhaustive des sources académiques.

Au cœur, Memary fournit un système de gestion de mémoire modulaire adapté aux agents de modèles linguistiques de grande taille. En abstraisant les interactions de mémoire via une API commune, il supporte plusieurs backends, notamment des dictionnaires en mémoire, Redis pour la mise en cache distribuée, et des magasins vectoriels comme Pinecone ou FAISS pour la recherche sémantique. Les utilisateurs définissent des schémas de mémoire (épisodes, sémantique ou à long terme) et exploitent des modèles d’embedding pour remplir automatiquement les magasins vectoriels. Les fonctions de récupération permettent de rappeler la mémoire pertinente contextuellement lors des conversations, améliorant les réponses des agents avec des interactions passées ou des données spécifiques au domaine. Conçu pour l’extensibilité, Memary peut intégrer des backends et fonctions d’embedding personnalisées, rendant idéal le développement d’applications IA robustes et à états, comme les assistants virtuels, bots de service client, et outils de recherche nécessitant une connaissance persistante au fil du temps.

Rags fournit un pipeline modulaire pour construire des applications génératives augmentées par récupération. Il s'intègre avec des magasins vectoriels populaires (par ex., FAISS, Pinecone), propose des modèles de prompt configurables et inclut des modules de mémoire pour maintenir le contexte conversationnel. Les développeurs peuvent passer d’un fournisseur LLM à un autre comme Llama-2, GPT-4 et Claude2 via une API unifiée. Rags supporte la réponse en flux, la prétraitement personnalisé et des hooks d’évaluation. Son design extensible permet une intégration transparente dans les services de production, permettant l’ingestion automatique de documents, la recherche sématique et la génération de tâches pour chatbots, assistants de connaissances et le résumé de documents à grande échelle.