AgenticIR (Agentic Information Retrieval) offre un cadre modulaire où des agents alimentés par des LLM planifient et exécutent de manière autonome des flux de travail IR. Il permet de définir des rôles d'agents — tels que générateur de requêtes, récupérateur de documents et résumé —, qui s'exécutent dans des séquences personnalisables. Les agents peuvent récupérer du texte brut, affiner leurs requêtes en fonction des résultats intermédiaires, et fusionner les passages extraits en résumés concis. Le cadre supporte des pipelines multi-étapes incluant la recherche web itérative, l’ingestion de données via API, et l’analyse locale de documents. Les développeurs peuvent ajuster les paramètres des agents, intégrer différents LLM, et affiner les politiques de comportement. AgenticIR offre aussi la journalisation, la gestion des erreurs et l’exécution parallèle des agents pour accélérer la collecte d’informations à grande échelle. Avec une configuration minimale, chercheurs et ingénieurs peuvent prototyper et déployer des systèmes de récupération autonomes.

Semantic Scholar FastMCP Server est conçu pour rationaliser la recherche académique en exposant une API RESTful placée entre votre application et la base de données Semantic Scholar. Il orchestre plusieurs chaînes de prompt (MCP) en parallèle—comme la récupération de métadonnées, le résumé d'abstraits, l'extraction de citations et la réponse à des questions—pour produire des résultats entièrement traités en une seule réponse. Les développeurs peuvent configurer les paramètres de chaque chaîne, échanger les modèles de langue ou ajouter des gestionnaires personnalisés, permettant un déploiement rapide d'assistants en revue de la littérature, de chatbots de recherche et de pipelines de connaissances spécifiques au domaine, sans construire de logique d'orchestration complexe de zéro.