Teammately é o agente de IA autónomo concebido para engenheiros de IA construírem, avaliarem e refinarem produtos, modelos e agentes de IA. Permite-lhe definir os seus objetivos e, em seguida, itera autonomamente utilizando LLMs, prompts, RAG e ML para alcançar resultados além da iteração manual de nível humano. A Teammately foca-se numa abordagem científica ao desenvolvimento de IA, garantindo qualidade e fiabilidade através de testes e avaliações conduzidos por IA.

O Tutorial de Autogerador de Debate de Agentes de IA fornece uma estrutura passo a passo para orquestrar múltiplos agentes de IA envolvidos em debates estruturados. Aproveita o módulo AutoGen do LangChain para coordenar mensagens, execução de ferramentas e resolução de debates. Os usuários podem personalizar modelos, configurar parâmetros de debate e visualizar logs detalhados e resumos de cada rodada. Ideal para pesquisadores avaliando opiniões de modelos ou educadores demonstrando colaboração de IA, este tutorial fornece componentes de código reutilizáveis para orquestração de debates de ponta a ponta em Python.

Anti-Agent-Agent fornece uma estrutura programável para gerar agentes de IA adversariais e defensivos para modelos conversacionais. Automiza a criação de prompts, simulação de cenários e varredura de vulnerabilidades, produzindo relatórios de segurança detalhados e métricas. O kit suporta integração com provedores populares de LLM como OpenAI e ambientes de modelos locais. Desenvolvedores podem definir templates de prompts personalizados, controlar papéis de agentes e agendar testes periódicos. Este framework registra cada interação, destaca possíveis fraquezas e recomenda passos de remediação para fortalecer as defesas de agentes de IA, oferecendo uma solução completa para testes adversariais e avaliação de resiliência em implantações de chatbots e assistentes virtuais.

Captum é uma biblioteca extensível que fornece implementações de uso geral para interpretabilidade de modelos no PyTorch. O objetivo é desmistificar modelos complicados de aprendizado de máquina oferecendo vários algoritmos para analisar e compreender previsões de modelos. Captum inclui uma variedade de métodos, como ablação de características, gradientes integrados e outros, que ajudam pesquisadores e desenvolvedores a entender e melhorar seus modelos.