Rags fournit un pipeline modulaire pour construire des applications génératives augmentées par récupération. Il s'intègre avec des magasins vectoriels populaires (par ex., FAISS, Pinecone), propose des modèles de prompt configurables et inclut des modules de mémoire pour maintenir le contexte conversationnel. Les développeurs peuvent passer d’un fournisseur LLM à un autre comme Llama-2, GPT-4 et Claude2 via une API unifiée. Rags supporte la réponse en flux, la prétraitement personnalisé et des hooks d’évaluation. Son design extensible permet une intégration transparente dans les services de production, permettant l’ingestion automatique de documents, la recherche sématique et la génération de tâches pour chatbots, assistants de connaissances et le résumé de documents à grande échelle.

AiChat offre une boîte à outils polyvalente pour créer des agents de chat intelligents en fournissant une gestion des prompts basée sur le rôle, la gestion de la mémoire et des capacités de réponse en streaming. Les utilisateurs peuvent définir plusieurs rôles conversationnels, tels que système, assistant et utilisateur, pour façonner le contexte du dialogue et le comportement. Le cadre supporte l'intégration de plugins pour des API externes, la récupération de données ou la logique personnalisée, permettant une extension fluide des fonctionnalités. La conception modulaire d'AiChat permet de changer facilement les modèles linguistiques et de configurer des boucles de rétroaction pour affiner les réponses. Les fonctionnalités de mémoire intégrée assurent la persistance du contexte entre les sessions, tandis que le support API en streaming offre une faible latence dans les interactions. Les développeurs bénéficient d'une documentation claire et de projets d'exemples pour accélérer le déploiement de chatbots sur des environnements web, desktop ou serveur.

AIFoundry-AgentService-Streamlit est une application démo open source construite avec Streamlit, permettant aux utilisateurs de lancer rapidement des agents IA via l'API AgentService d'AIFoundry. L'interface comprend des options pour sélectionner des profils d'agents, ajuster des paramètres de conversation comme la température et le nombre maximal de tokens, et afficher l'historique des conversations. Elle supporte les réponses en streaming, plusieurs environnements d'agents, et enregistre les requêtes et réponses pour le débogage. Écrite en Python, elle facilite le test et la validation de différentes configurations d'agents, accélérant le cycle de prototypage et réduisant la charge d’intégration en amont du déploiement en production.

Chatchat Lite est un framework UI open-source léger pour chat, conçu pour fonctionner dans le navigateur et se connecter à plusieurs backends d'IA — y compris OpenAI, Azure, les points de terminaison HTTP personnalisés et les modèles linguistiques locaux. Il offre des réponses en streaming en temps réel, rendu Markdown, mise en forme de blocs de code, bascules de thèmes et historique de conversation persistant. Les développeurs peuvent l'étendre avec des plugins personnalisés, des configurations basées sur l'environnement et une adaptabilité pour des services d'IA auto-hébergés ou tiers, ce qui le rend idéal pour des prototypes, démos et applications de chat en production.

Le système RAG piloté par LLM est un framework destiné aux développeurs pour la construction de pipelines RAG. Il fournit des modules pour l’intégration de collections de documents, l’indexation via FAISS, Pinecone ou Weaviate, et la récupération de contexte pertinent en temps réel. Le système utilise des wrappers LangChain pour orchestrer les appels LLM, supporte les modèles de prompt, la diffusion de réponses, et les adaptateurs multi-vecteurs. Il simplifie le déploiement de RAG de bout en bout pour des bases de connaissances, avec une personnalisation à chaque étape — de la configuration du modèle d’intégration à la conception du prompt et au post-traitement des résultats.

Les démos AWS Sample Model Context Protocol sont un référentiel open-source présentant des modèles standard pour la gestion du contexte de grands modèles de langage (LLM) et l'invocation d'outils. Il comporte deux démos complètes — une en JavaScript/TypeScript et une en Python — qui implémentent le Protocole de Contexte du Modèle, permettant aux développeurs de construire des agents AI pouvant appeler des fonctions AWS Lambda, conserver l'historique des conversations et diffuser des réponses. Le code d'exemple montre la mise en forme des messages, la sérialisation des arguments de fonction, la gestion des erreurs et des intégrations d'outils personnalisables, accélérant le prototypage des applications d'IA générative.

L'API Junjo Python est un SDK qui permet aux développeurs d'intégrer des agents IA dans des applications Python. Il fournit une interface unifiée pour définir des agents, se connecter à des LLM, orchestrer des outils tels que la recherche Web, des bases de données ou des fonctions personnalisées, et maintenir la mémoire conversationnelle. Les développeurs peuvent construire des chaînes de tâches avec une logique conditionnelle, diffuser des réponses en temps réel aux clients et gérer gracieusement les erreurs. L'API supporte les extensions par plugins, le traitement multilingue et la récupération de données en temps réel, permettant des cas d'usage allant du support client automatisé aux bots d'analyse de données. Grâce à une documentation complète, des exemples de code et une conception à la python, l'API Junjo Python réduit le temps de mise sur le marché et la surcharge opérationnelle associée au déploiement de solutions basées sur des agents intelligents.