Stellar Chat permet aux équipes de créer des agents d'IA conversationnelle en fournissant un cadre robuste qui abstrait les interactions LLM, la gestion de la mémoire et l'intégration d'outils. Au cœur, il présente un pipeline extensible qui gère le prétraitement des entrées utilisateur, l'enrichissement du contexte via la récupération de mémoire basée sur des vecteurs, et l'invocation de LLM avec des stratégies de prompting configurables. Les développeurs peuvent utiliser des solutions de stockage vectoriel populaires comme Pinecone, Weaviate ou FAISS, et intégrer des API tierces ou des plugins personnalisés pour des tâches comme la recherche Web, les requêtes à la base de données ou le contrôle d'applications d'entreprise. Avec un support pour la sortie en streaming et des boucles de rétroaction en temps réel, Stellar Chat garantit des expériences utilisateur réactives. Il inclut également des modèles de départ et des exemples de bonnes pratiques pour les bots d'assistance client, la recherche de connaissances et l'automatisation des flux de travail internes. Déployé avec Docker ou Kubernetes, il évolue pour répondre aux exigences de production tout en restant entièrement open-source sous licence MIT.

EVE AI est une extension de navigateur Chrome offrant un puissant assistant AI personnalisable. Elle permet aux utilisateurs de définir le rôle, le contexte et le comportement de l'IA via des invites de système personnalisables pour une expérience véritablement personnalisée. Intégré directement dans votre navigateur, il élimine le besoin de passer d'un site Web à l'autre ou d'applications, garantissant que votre assistant AI est toujours à portée de main. Avec un accent sur la confidentialité, EVE AI utilise des interactions sans état, garantissant qu'aucune donnée n'est stockée sur des serveurs, et toutes les informations sont sauvegardées localement sur votre appareil. Les utilisateurs peuvent choisir parmi divers modèles d'IA comme GPT-4o, Gemini et Claude 3.5 Sonnet, et ajuster les paramètres pour obtenir des résultats optimaux.

FreeThinker offre une architecture modulable pour définir des agents IA capables d'exécuter des tâches de manière autonome en tirant parti de grands modèles de langage, de modules de mémoire et d'outils externes. Les développeurs peuvent configurer les agents via Python ou YAML, intégrer des outils personnalisés pour la recherche web, le traitement de données ou les appels API, et utiliser des stratégies de planification intégrées. Le framework gère l'exécution étape par étape, la conservation du contexte et l'agrégation des résultats pour que les agents puissent fonctionner de manière autonome dans la recherche, l'automatisation ou les workflows de soutien à la décision.

A-Mem est conçu pour s'intégrer parfaitement aux frameworks d'IA basés sur Python, offrant trois modules de mémoire distincts : mémoire épisodique pour le contexte de chaque épisode, mémoire à court terme pour les actions passées immédiates et mémoire à long terme pour une accumulation de connaissances dans le temps. Les développeurs peuvent personnaliser la capacité de mémoire, les politiques de conservation et les backends de sérialisation tels que la mémoire en mémoire ou Redis. La bibliothèque inclut des algorithmes d'indexation efficaces pour récupérer les mémoires pertinentes basées sur la similarité et les fenêtres de contexte. En insérant les gestionnaires de mémoire d'A-Mem dans la boucle perception-action de l'agent, les utilisateurs peuvent stocker des observations, des actions et des résultats, puis interroger les expériences passées pour éclairer les décisions actuelles. Cette conception modulaire facilite l’expérimentation rapide en apprentissage par renforcement, IA conversationnelle, navigation robotique et autres tâches pilotées par un agent nécessitant une conscience du contexte et un raisonnement temporel.

ModelScope Agent offre un cadre modulaire basé sur Python pour orchestrer des agents IA autonomes. Il comprend une intégration de plugin pour des outils externes (API, bases de données, recherche), une mémoire de conversation pour la préservation du contexte et des chaînes d'agents personnalisables pour gérer des tâches complexes telles que la récupération de connaissances, le traitement de documents et le support à la décision. Les développeurs peuvent configurer les rôles, comportements et prompts des agents, ainsi que tirer parti de plusieurs backends LLM pour optimiser la performance et la fiabilité en production.

Ce projet démontre un cadre complet pour créer des agents AI augmentés par récupération avec LlamaIndex. Il guide les développeurs à travers tout le workflow, en commençant par l'ingestion de documents et la création du magasin vectoriel, puis en définissant une boucle d'agent personnalisée pour la question-réponse contextuelle. En tirant parti des capacités de indexation et de récupération puissantes de LlamaIndex, les utilisateurs peuvent intégrer tout modèle linguistique compatible OpenAI, personnaliser des modèles de prompt, et gérer les flux de conversation via une interface CLI. L'architecture modulaire supporte divers connecteurs de données, extensions de plugins et personnalisation dynamique des réponses, permettant un prototypage rapide d'assistants de connaissance de niveau entreprise, de chatbots interactifs et d'outils de recherche. Cette solution simplifie la construction d'agents IA spécifiques au domaine en Python, assurant évolutivité, flexibilité et facilité d'intégration.

Langroid fournit un cadre d'agents complet qui permet aux développeurs de créer des applications sophistiquées alimentées par l'IA avec un minimum de surcharge. Il présente une conception modulaire permettant des personas d'agents personnalisés, une mémoire stateful pour la conservation du contexte et une intégration transparente avec de grands modèles linguistiques (LLMs) tels que OpenAI, Hugging Face et des points de terminaison privés. Les boîtes à outils de Langroid permettent aux agents d'exécuter du code, de récupérer des données de bases de données, d'appeler des API externes et de traiter des entrées multimodales comme du texte, des images et de l'audio. Son moteur d'orchestration gère les workflows asynchrones et les invocations d'outils, tandis que le système de plugins facilite l'extension des capacités des agents. En abstraisant les interactions complexes avec les LLM et la gestion de la mémoire, Langroid accélère le développement de chatbots, d'assistants virtuels et de solutions d'automatisation des tâches pour divers besoins industriels.

LAuRA simplifie la création d'agents IA intelligents en offrant un pipeline structuré de planification, récupération, exécution et gestion de la mémoire. Les utilisateurs définissent des tâches complexes que le Planificateur de LAuRA décompose en étapes actionnables, le Récupérateur extrait des informations de bases de données vectorielles ou d'API, et l'Exécuteur invoque des services ou outils externes. Un système de mémoire intégré maintient le contexte à travers les interactions, permettant des conversations cohérentes et basées sur l’état. Avec des connecteurs extensibles pour LLM populaires et des magasins de vecteurs, LAuRA supporte le prototypage rapide et la montée en charge d'agents personnalisés pour des cas d'utilisation comme l’analyse de documents, la génération automatique de rapports, les assistants personnalisés et l'automatisation des processus métier. Sa conception open-source favorise la contribution de la communauté et une intégration flexible.