Xemantic AI Tool Schema é um conjunto de definições de tipos em JSON Schema e TypeScript projetado para padronizar a forma como as ferramentas de agentes de IA são descritas, validadas e invocadas. Os desenvolvedores podem definir metadados da ferramenta como nome, descrição e parâmetros, e validar as instâncias contra o schema ou usar interfaces TypeScript geradas durante o desenvolvimento. O schema suporta tipos de parâmetro, estruturas aninhadas, valores padrão e controle de versão, garantindo validação robusta e compatibilidade. Seguindo um schema consistente, os agentes de IA podem descobrir e chamar ferramentas de forma confiável em tempo de execução, melhorando a manutenção e reduzindo erros de integração. O pacote integra-se facilmente ao Xemantic AI Agents e pode ser estendido para casos de uso personalizados.

Memor oferece um subsistema de memória para agentes de modelos de linguagem, permitindo armazenar embeddings de eventos passados, preferências de usuário e dados contextuais em bancos de dados vetoriais. Suporta múltiplos backends, como FAISS, ElasticSearch e armazenamentos em memória. Usando busca por similaridade semântica, os agentes podem recuperar memórias relevantes com base em embeddings de consulta e filtros de metadados. Pipelines de memória personalizáveis incluem segmentação, indexação e políticas de expulsão, garantindo gerenciamento escalável de contexto a longo prazo. Integre-o no fluxo de trabalho do seu agente para enriquecer prompts com contexto histórico dinâmico e melhorar a relevância das respostas em múltiplas sessões.

RecurSearch é uma biblioteca de Python de código aberto projetada para melhorar a Geração Aumentada por Recuperação (RAG) e fluxos de trabalho de agentes de IA, permitindo busca semântica recursiva. Os usuários definem uma pipeline de busca que incorpora consultas e documentos em espaços vetoriais, então refinam iterativamente as consultas com base nos resultados anteriores, aplicam filtros de metadados ou palavras-chave e resumem ou agregam descobertas. Esse refinamento passo a passo resulta em maior precisão, reduz chamadas de API e ajuda os agentes a extrair informações profundamente aninhadas ou específicas de contexto de grandes coleções.