VisQueryPDF traite les fichiers PDF en les divisant en segments, en générant des embeddings vectoriels via OpenAI ou des modèles compatibles, et en stockant ces embeddings dans un magasin de vecteurs local. Les utilisateurs peuvent soumettre des requêtes en langage naturel pour récupérer les segments les plus pertinents. Les résultats de recherche sont affichés avec du texte mis en surbrillance sur les pages PDF originales et tracés dans un espace d'embedding bidimensionnel, permettant une exploration interactive des relations sémantiques entre les segments de documents.

Le Prototype du Moteur Cognitif de Contexte AGI (CCE) Axé sur le Contexte offre une boîte à outils robuste pour que les développeurs mettent en œuvre des agents IA contextuels. Il utilise des embeddings vectoriels pour stocker les interactions utilisateur historiques, permettant une récupération efficace des morceaux de contexte pertinents. Le moteur résume automatiquement les longues conversations pour respecter les limites de tokens des LLM, assurant la continuité et la cohérence dans les dialogues multi-tours. Les développeurs peuvent configurer des stratégies de priorisation du contexte, gérer le cycle de vie de la mémoire et intégrer des pipelines de récupération personnalisés. Le CCE supporte des architectures modulaires de plugins pour les fournisseurs d'embeddings et les backends de stockage, offrant une flexibilité pour l'évolution des projets. Avec des API intégrées pour le stockage, la requête et la synthèse du contexte, le CCE facilite la création d'applications conversationnelles personnalisées, d'assistants virtuels et d'agents cognitifs nécessitant une mémoire à long terme.