Langchainrb는 에이전트, 체인, 도구를 위한 모듈식 프레임워크를 제공하는 오픈소스 Ruby 라이브러리입니다. 개발자는 프롬프트 템플릿 정의, LLM 호출 체인 구성, 컨텍스트 유지를 위한 메모리 컴포넌트 통합, 문서 로더 또는 검색 API와 같은 커스텀 도구 연결이 가능합니다. 의미 검색용 임베딩 생성, 내장된 오류 처리, 유연한 모델 구성도 지원합니다. 에이전트 추상화를 통해 사용자 입력에 따라 어떤 도구 또는 체인을 호출할지 결정하는 대화형 비서 구현이 가능합니다. 확장 가능한 구조로 빠른 프로토타이핑이 가능하며, 챗봇, 자동 요약 파이프라인, 질의응답 시스템, 복잡한 워크플로우 자동화에 적합합니다.

rag-services는 RAG 파이프라인을 별도 마이크로서비스로 분해하는 확장 가능한 플랫폼입니다. 문서 저장소 서비스, 벡터 인덱스 서비스, 임베더 서비스, 여러 LLM 추론 서비스, 워크플로우를 조정하는 오케스트레이터 서비스를 제공합니다. 각각의 구성 요소는 REST API를 공개하여 데이터베이스와 모델 제공업체를 자유롭게 조합할 수 있습니다. 도커(Docker)와 도커 컴포즈(Docker Compose)를 지원하여 로컬 또는 쿠버네티스 클러스터에 배포 가능합니다. 이 프레임워크는 챗봇, 지식 기반, 자동 문서 Q&A를 위한 확장 가능하며 장애 허용력이 뛰어난 RAG 솔루션을 지원합니다.

사이버보안용 RAG는 대형 언어 모델과 벡터 기반 검색의 강점을 결합하여, 보안팀이 사이버보안 정보를 접근하고 분석하는 방식을 혁신합니다. 사용자는 MITRE ATT&CK 매트릭스, CVE 항목, 보안 경고 등의 문서를 먼저 입력하고, 각 문서에 대한 임베딩을 생성하여 벡터 데이터베이스에 저장합니다. 사용자가 질의를 보내면, RAG는 가장 관련성 높은 문서 조각들을 검색하여 LLM에 전달하고, 정밀하고 맥락이 풍부한 응답을 돌려줍니다. 이 방법은 권위 있는 출처를 기반으로 답변을 제공하여 환각 현상을 줄이고 정확도를 향상시킵니다. 커스터마이징 가능한 데이터 파이프라인과 여러 임베딩 및 LLM 제공자를 지원하여, 팀들은 자신들의 위협 인텔리전스 요구에 맞게 시스템을 조정할 수 있습니다.

Memonto는 AI 에이전트의 미들웨어 라이브러리로, 전체 메모리 수명 주기를 조율합니다. 각 대화 턴마다 사용자 및 AI 메시지를 기록하고, 중요한 세부 정보를 요약하며, 이 요약을 임베딩으로 변환하여 저장합니다. 새 프롬프트를 생성할 때, Memonto는 의미론적 검색을 수행하여 가장 관련성 높은 과거 기억을 검색하며, 에이전트가 맥락을 유지하고, 사용자 선호도를 기억하며, 맞춤형 응답을 제공할 수 있도록 합니다. SQLite, FAISS, Redis 등 여러 저장소 백엔드를 지원하며, 임베딩, 요약, 검색을 위한 구성 가능한 파이프라인을 제공합니다. 개발자는 기존 에이전트 프레임워크에 쉽게 통합하여 일관성과 장기 참여를 강화할 수 있습니다.

CrewAI Anthropic Similar Company Finder는 사용자가 제공한 회사 이름 목록을 처리하는 CLI 기반 AI 에이전트로, 이를 Anthropic Claude에 보내 임베딩을 생성하고 코사인 유사도 점수를 계산하여 관련 회사를 순위별로 나열합니다. 벡터 표현을 통해 숨겨진 관계와 동료 집단을 발견하며, 임베딩 모델, 유사도 임계값, 결과 개수와 같은 매개변수 조정을 통해 연구와 경쟁 분석 목적에 맞게 출력을 조정할 수 있습니다.