Mina fournit une base légère mais puissante pour construire des agents IA en Python. Vous pouvez définir des outils personnalisés (tels que des extracteurs Web, des calculateurs ou des connecteurs de base de données), attacher des buffers de mémoire pour conserver le contexte de conversation, et orchestrer des séquences d'appels aux modèles linguistiques pour un raisonnement en plusieurs étapes. Basé sur des API LLM courantes, Mina gère l'exécution asynchrone, la gestion des erreurs et la journalisation. Sa conception modulaire facilite l'extension avec de nouvelles capacités, tandis que l'interface CLI permet une prototypage rapide et le déploiement d'applications pilotées par des agents.

Lila fournit un cadre complet d'agents IA adapté au raisonnement multi-étapes et à l'exécution autonome de tâches. Les développeurs peuvent définir des outils personnalisés (API, bases de données, webhooks) et configurer Lila pour les appeler dynamiquement pendant l'exécution. Il offre des modules de mémoire pour stocker l'historique des conversations et les faits, une composante de planification pour séquencer les sous-tâches, et une incitation à la réflexion en chaîne pour des chemins de décision transparents. Son système de plugins permet une extension transparente avec de nouvelles capacités, tandis que la surveillance intégrée suit les actions et sorties de l'agent. La conception modulaire de Lila facilite l'intégration dans des projets Python existants ou le déploiement en tant que service hébergé pour des workflows d'agents en temps réel.

L'exemple d'agents LLM offre une base de code pratique pour construire des agents IA en Python. Il démontre l'enregistrement d'outils personnalisés (recherche web, solveur mathématique via WolframAlpha, analyseur CSV, REPL Python), la création d'agents de chat et basés sur la récupération, ainsi que la connexion à des magasins vectoriels pour la réponse aux questions de documents. Le dépôt illustre des modèles pour maintenir la mémoire conversationnelle, dispatcher dynamiquement les appels aux outils et enchaîner plusieurs invites LLM pour résoudre des tâches complexes. Les utilisateurs apprennent à intégrer des API tierces, structurer les flux de travail des agents et étendre le cadre avec de nouvelles fonctionnalités — un guide pratique pour l'expérimentation et le prototypage par les développeurs.

SmartRAG est une bibliothèque Python modulaire conçue pour les workflows de génération augmentée par récupération (RAG) avec de grands modèles de langage. Elle combine l'ingestion de documents, l'indexation vectorielle et des API LLM de pointe pour fournir des réponses précises et riches en contexte. Les utilisateurs peuvent importer des PDFs, des fichiers texte ou des pages web, les indexer en utilisant des magasins vectoriels populaires comme FAISS ou Chroma, et définir des modèles de prompts personnalisés. SmartRAG orchestre la récupération, la composition des prompts et l'inférence LLM, renvoyant des réponses cohérentes basées sur les documents sources. En abstraisant la complexité des pipelines RAG, il accélère le développement de systèmes de questions-réponses, de chatbots et d'assistants de recherche. Les développeurs peuvent étendre les connecteurs, échanger les fournisseurs LLM et affiner les stratégies de récupération pour s'adapter à des domaines de connaissance spécifiques.