AI_RAG fournit une solution modulaire de génération augmentée par récupération combinant l'indexation de documents, la recherche vectorielle, la génération d'intégrations et la composition de réponses pilotée par LLM. Les utilisateurs préparent des corpus de documents textuels, connectent un magasin vectoriel comme FAISS ou Pinecone, configurent les points de terminaison d'intégration et de LLM, puis lancent le processus d'indexation. Lorsqu'une requête arrive, AI_RAG récupère les passages les plus pertinents, les alimente avec le prompt dans le modèle de langage choisi, et renvoie une réponse contextuellement ancrée. Sa conception extensible permet des connecteurs personnalisés, la prise en charge multi-modèles et un contrôle précis des paramètres de récupération et de génération, idéal pour les bases de connaissances et les agents conversationnels avancés.

FlyingAgent offre une architecture modulaire qui exploite de grands modèles linguistiques pour simuler des agents autonomes capables de raisonner, planifier et exécuter des actions dans divers domaines. Les agents disposent d'une mémoire interne pour conserver le contexte et peuvent intégrer des boîtiers à outils externes pour des tâches telles que la navigation web, l'analyse de données ou l'appel à des API tierces. Le cadre supporte la coordination multi-agents, les extensions basées sur des plugins et des politiques de décision personnalisables. Avec sa conception ouverte, les développeurs peuvent adapter les backend de mémoire, les intégrations d'outils et les gestionnaires de tâches, facilitant les applications dans l'automatisation du support client, l'aide à la recherche, la génération de contenu et l'orchestration de main-d'œuvre digitale.

Tongui Agent fournit une architecture modulaire pour créer des agents IA capables de maintenir l'état de la conversation, d'utiliser des outils externes et de coordonner plusieurs sous-agents. Les développeurs configurent les backends LLM, définissent des actions personnalisées et attachent des modules de mémoire pour stocker le contexte. Le framework inclut un SDK, une CLI et des hooks middleware pour l'observabilité, facilitant ainsi l'intégration dans des applications web ou Node.js. Les LLMs pris en charge incluent OpenAI, Azure OpenAI et des modèles open-source.