ResearchGPT automatise entièrement les flux de travail de recherche académique en intégrant la récupération de papiers, l’analyse de PDFs, l’extraction de texte basée sur le NLP, et la synthèse alimentée par GPT-4. À partir d’un sujet de recherche défini par l’utilisateur, il interroge les API de Semantic Scholar et arXiv pour rassembler des papiers pertinents, télécharge et analyse le contenu des PDFs, et utilise GPT-4 pour dégager les concepts clés, méthodologies et résultats. L’agent compile les insights de chaque papier en un rapport cohérent et structuré, exportable en Markdown ou PDF. Des options de configuration avancées permettent aux utilisateurs d’ajuster les filtres de recherche, définir des prompts personnalisés, et modifier le style des sorties. En orchestrant ces étapes, ResearchGPT réduit le travail manuel, accélère les revues de la littérature, et assure une couverture exhaustive des sources académiques.

Sherpa de CartographAI est un cadre d'agent basé sur Python conçu pour rationaliser la création d'assistants intelligents et de flux de travail automatisés. Il permet aux développeurs de définir des agents qui interprètent les entrées utilisateur, sélectionnent les points de terminaison LLM appropriés ou API externes, et orchestrent des tâches complexes telles que le résumé de documents, la récupération de données et les Q&R conversationnels. Grâce à son architecture plugin, Sherpa prend en charge une intégration facile d'outils personnalisés, de magasins de mémoire et de stratégies de routage pour optimiser la pertinence des réponses et les coûts. Les utilisateurs peuvent configurer des pipelines à plusieurs étapes où chaque module exécute une fonction distincte — comme la recherche sémantique, l'analyse de texte ou la génération de code — tandis que Sherpa gère la propagation du contexte et la logique de secours. Cette approche modulaire accélère le développement de prototypes, améliore la maintenabilité et permet aux équipes de construire des solutions évolutives pilotées par IA pour diverses applications.

Au cœur, Memary fournit un système de gestion de mémoire modulaire adapté aux agents de modèles linguistiques de grande taille. En abstraisant les interactions de mémoire via une API commune, il supporte plusieurs backends, notamment des dictionnaires en mémoire, Redis pour la mise en cache distribuée, et des magasins vectoriels comme Pinecone ou FAISS pour la recherche sémantique. Les utilisateurs définissent des schémas de mémoire (épisodes, sémantique ou à long terme) et exploitent des modèles d’embedding pour remplir automatiquement les magasins vectoriels. Les fonctions de récupération permettent de rappeler la mémoire pertinente contextuellement lors des conversations, améliorant les réponses des agents avec des interactions passées ou des données spécifiques au domaine. Conçu pour l’extensibilité, Memary peut intégrer des backends et fonctions d’embedding personnalisées, rendant idéal le développement d’applications IA robustes et à états, comme les assistants virtuels, bots de service client, et outils de recherche nécessitant une connaissance persistante au fil du temps.

Graphium est un cadre d'orchestration pour les graphes de connaissances et les LLM, qui supporte l'ingestion de données structurées, la création d'inclusions sémantiques et la récupération hybride pour Q&A et chat. Il s'intègre avec des LLM populaires, des bases de données graphiques et des magasins de vecteurs pour des agents AI explicables et alimentés par le graphe. Les utilisateurs peuvent visualiser des structures de graphe, interroger des relations et effectuer un raisonnement multi-sauts. Il offre des API REST, SDK et une interface web pour gérer des pipelines, surveiller des requêtes et personnaliser les prompts, idéal pour la gestion des connaissances en entreprise et les applications de recherche.