Le SDK Connery est un cadre complet qui simplifie la création d'agents IA. Il fournit des bibliothèques clientes pour Node.js, Python, Deno et le navigateur, permettant aux développeurs de définir les comportements des agents, d'intégrer des outils externes et des sources de données, de gérer la mémoire à long terme, et de se connecter à plusieurs LLM. Avec une télémétrie intégrée et des utilitaires de déploiement, le SDK Connery accélère tout le cycle de vie de l'agent, du développement à la production.

RAGFlow est un moteur de génération augmentée par récupération (RAG) puissant, conçu pour simplifier le développement et le déploiement d’agents IA. Il combine une compréhension approfondie des documents avec une recherche par similarité vectorielle pour ingérer, prétraiter et indexer des données non structurées provenant de PDFs, pages web et bases de données dans des bases de connaissances personnalisées. Les développeurs peuvent tirer parti de son SDK Python ou de son API RESTful pour récupérer le contexte pertinent et générer des réponses précises à l’aide de n’importe quel modèle LLM. RAGFlow prend en charge la création de flux de travail variés, tels que chatbots, résumeurs de documents et générateurs Text2SQL, permettant d’automatiser le support client, la recherche et la création de rapports. Son architecture modulaire et ses points d’extension permettent une intégration transparente avec les pipelines existants, assurant la scalabilité et minimisant les hallucinations dans les applications alimentées par l’IA.

KoG Playground est une plateforme open-source basée sur le navigateur, conçue pour simplifier le développement d'agents de génération augmentée par récupération (RAG). Elle se connecte à des bases de données vectorielles populaires comme Pinecone ou FAISS, permettant aux utilisateurs d'ingérer des corpus de texte, de calculer des embeddings et de configurer visuellement des pipelines de récupération. L'interface offre des composants modulaires pour définir des modèles de prompts, des backends LLM (OpenAI, Hugging Face) et des gestionnaires de chaîne. Des logs en temps réel affichent l'utilisation des tokens et les métriques de latence pour chaque appel API, aidant ainsi à optimiser la performance et le coût. Les utilisateurs peuvent ajuster les seuils de similarité, les algorithmes de re-ranking et les stratégies de fusion des résultats à la volée, puis exporter leur configuration sous forme d'extraits de code ou de projets reproductibles. KoG Playground facilite le prototypage pour les chatbots basés sur la connaissance, les applications de recherche sémantique et les assistants IA personnalisés avec peu de programmation nécessaire.

En tant qu'implémentation robuste en Go du populaire framework LlamaIndex, Llama-Index-Go offre des capacités de bout en bout pour la construction et la requête d'index basés sur des vecteurs à partir de données textuelles. Les utilisateurs peuvent charger des documents via des chargeurs intégrés ou personnalisés, générer des embeddings en utilisant OpenAI ou d'autres fournisseurs, et stocker les vecteurs en mémoire ou dans des bases de données vectorielles externes. La bibliothèque expose une API QueryEngine qui supporte la recherche par mots-clés et sémantique, des filtres booléens, et la génération augmentée par récupération avec des LLM. Les développeurs peuvent étendre les parseurs pour Markdown, JSON ou HTML, et intégrer des modèles d'encodage alternatifs. Conçue avec des composants modulaires et des interfaces claires, elle offre haute performance, débogage facile, et une intégration flexible dans des microservices, outils CLI ou applications web, permettant un prototypage rapide de solutions de recherche et de chat alimentées par l’IA.

Open WebUI Pipeline pour RAGFlow fournit aux développeurs et data scientists une pipeline modulaire pour construire des applications RAG (recherche augmentée par génération). Il supporte le téléchargement de documents, le calcul d'embeddings via diverses API LLM, et le stockage des vecteurs dans des bases de données locales pour une recherche de similarité efficace. Le framework orchestre les flux de récupération, synthèse et conversation, permettant des interfaces de chat en temps réel qui référencent des connaissances externes. Avec des prompts personnalisables, une compatibilité multi-modèles et une gestion de mémoire, il permet aux utilisateurs de créer des systèmes QA spécialisés, des résumeurs de documents et des assistants IA personnels dans un environnement Web UI interactif. L'architecture plugin permet une intégration transparente avec des configurations WebUI locales existantes comme Oobabooga. Il inclut des fichiers de configuration étape par étape et supporte le traitement par lots, le suivi du contexte conversationnel et des stratégies de récupération flexibles. Les développeurs peuvent étendre la pipeline avec des modules personnalisés pour la sélection de l'entrepôt vectoriel, la chaîne de prompts et la mémoire utilisateur, ce qui la rend idéale pour la recherche, le support client et les services de connaissances spécialisés.

Neuron AI est une plateforme tout-en-un sans serveur pour créer, déployer et gérer des agents IA intelligents. Elle supporte les principaux fournisseurs de LLM (OpenAI, Anthropic, Hugging Face) et permet des pipelines multi-modèles, la gestion du contexte de conversation ainsi que des workflows automatisés via une interface low-code ou SDKs. Avec ingestion de données intégrée, recherche vectorielle et intégration de plugins, Neuron simplifie la recherche de connaissances et l'orchestration de services. Son infrastructure à auto-scalabilité et ses dashboards de monitoring assurent performance et fiabilité, idéale pour les chatbots d'entreprise, assistants virtuels et bots de traitement automatisé de données.

AgenticRAG fournit une architecture modulaire pour créer des agents autonomes exploitant la génération augmentée par récupération (RAG). Elle offre des composants pour indexer des documents dans des magasins vectoriels, récupérer le contexte pertinent et l’introduire dans des LLM afin de générer des réponses contextuelles. Les utilisateurs peuvent intégrer des API et outils externes, configurer des mémoires pour suivre l’historique des conversations, et définir des flux de travail personnalisés pour gérer des processus décisionnels à plusieurs étapes. Le framework supporte des bases de données vectorielles populaires comme Pinecone et FAISS, ainsi que des fournisseurs de LLM tels que OpenAI, permettant une transition fluide ou une configuration multi-modèles. Avec des abstractions intégrées pour les boucles d'agents et la gestion des outils, AgenticRAG facilite le développement d'agents capables de FAQ documentaire, de recherche automatisée et d’automatisation basée sur la connaissance, réduisant le code boilerplate et accélérant le déploiement.