Aurora fournit une architecture modulaire pour construire des agents IA génératifs capables de traiter de manière autonome des tâches complexes via une planification et une exécution itératives. Elle se compose d'un composant Planificateur qui décompose des objectifs élevés en étapes exploitables, d'un Exécuteur qui invoque ces étapes avec de grands modèles linguistiques, et d'une couche d'intégration d'outils pour connecter des API, des bases de données ou des fonctions personnalisées. Aurora inclut également une gestion de la mémoire pour la rétention du contexte et des capacités de re-planification dynamique pour s'adapter aux nouvelles informations. Avec des invites personnalisables et des modules plug-and-play, les développeurs peuvent rapidement prototyper des agents IA pour des tâches telles que la génération de contenu, la recherche, le support client ou l'automatisation des processus, tout en conservant un contrôle total sur les flux de travail et la logique de décision.

GPA-LM est un framework basé sur Python conçu pour simplifier la création et l'orchestration d'agents IA alimentés par de grands modèles linguistiques. Il comporte un planificateur qui décompose les instructions de haut niveau en sous-tâches, un exécuteur qui gère les appels d'outils et les interactions, et un module de mémoire qui conserve le contexte entre les sessions. L'architecture plugin permet aux développeurs d'ajouter des outils, API et logiques de décision personnalisés. Avec le support multi-agent, GPA-LM peut coordonner des rôles, répartir des tâches et agréger des résultats. Il s'intègre facilement à des LLM populaires comme OpenAI GPT et prend en charge le déploiement dans divers environnements. Le cadre accélère le développement d'agents autonomes pour la recherche, l'automatisation et la prototypie d'applications.