NeuralGPT vise à simplifier le développement d'agents d'IA en offrant des composants modulaires et des pipelines standardisés. Au cœur, il propose des classes d'agents personnalisables, la génération augmentée par récupération (RAG) et des couches de mémoire pour maintenir le contexte conversationnel. Les développeurs peuvent intégrer des bases de données vectorielles (par exemple, Chroma, Pinecone, Qdrant) pour la recherche sémantique et définir des agents outils pour exécuter des commandes externes ou des appels API. Le framework supporte plusieurs backends LLM tels que OpenAI, Hugging Face et Azure OpenAI. NeuralGPT inclut une CLI pour un prototypage rapide et un SDK Python pour le contrôle programmatique. Avec une journalisation intégrée, une gestion des erreurs et une architecture extensible de plugins, il accélère le déploiement d'assistants intelligents, de chatbots et de workflows automatisés.

Le cadre Controllable RAG offre une approche modulaire pour construire des systèmes de génération augmentée par récupération. Il permet de configurer et de chaîner les composants de récupération, les modules de mémoire et les stratégies de génération. Les développeurs peuvent brancher différents LLM, bases de données vectorielles et contrôleurs de politique pour ajuster la façon dont les documents sont récupérés et traités avant la génération. Basé sur Python, il comprend des utilitaires pour l'indexation, les requêtes, le suivi de l'historique de conversation et les flux de contrôle basés sur des actions, ce qui le rend idéal pour les chatbots, les assistants de connaissance et les outils de recherche.

ragChatbot est un framework orienté développeur visant à simplifier la création de chatbots RAG. Il intègre des pipelines LangChain avec OpenAI ou d'autres API LLM pour traiter les requêtes sur des corpus documentaires personnalisés. Les utilisateurs peuvent télécharger des fichiers de différents formats (PDF, DOCX, TXT), extraire automatiquement le texte et générer des embeddings via des modèles populaires. Le framework supporte plusieurs bases vectorielles comme FAISS, Chroma et Pinecone pour une recherche par similarité efficace. Il dispose d'une couche de mémoire conversationnelle pour les interactions multi-tours et d'une architecture modulaire permettant de personnaliser les modèles de prompt et les stratégies de récupération. Avec une CLI simple ou une interface web, vous pouvez ingérer des données, configurer les paramètres de recherche et lancer un serveur de chat pour répondre aux questions avec pertinence et précision.