DelphiMistralAI é um kit de ferramentas Python de código aberto que integra o poderoso modelo LLM Mistral-7B com o modelo de raciocínio moral Delphi. Oferece uma interface de linha de comando e uma API RESTful para fornecer julgamentos éticos fundamentados em cenários fornecidos pelo usuário. Os usuários podem implantar o agente localmente, personalizar os critérios de julgamento e inspecionar as justificativas geradas para cada decisão moral. Essa ferramenta visa acelerar a pesquisa em ética de IA, demonstrações educacionais e sistemas de suporte à decisão seguros e explicáveis.

A Bosch AI tem como objetivo elevar o mundo digitalizado usando IA avançada para facilitar e tornar a vida mais segura. Eles aproveitam dados de mais de 230 fábricas da Bosch, conduzindo pesquisas de IA seguras, robustas e explicáveis. Eles se concentram em aplicações do mundo real em diversos setores e promovem colaborações com líderes da indústria e acadêmicos para expandir sua rede de pesquisa.

O repositório fornece um tutorial passo a passo e implementação de referência para criar um agente de IA baseado em ReAct que usa DeepSeek para recuperação vetorial de alta dimensão. Cobre configuração do ambiente, instalação de dependências e configuração de lojas de vetores para dados personalizados. O agente emprega o padrão ReAct para combinar traços de raciocínio com buscas de conhecimento externo, resultando em respostas transparentes e explicáveis. Os usuários podem estender o sistema integrando carregadores de documentos adicionais, ajustando modelos de prompt ou trocando bancos de dados vetoriais. Essa estrutura flexível permite que desenvolvedores e pesquisadores prototypes agentes de conversação poderosos que raciocinam, recuperam e interagem perfeitamente com várias fontes de conhecimento em apenas algumas linhas de código Python.

Graphium é um framework de orquestração de gráficos de conhecimento e LLM que suporta ingestão de dados estruturados, criação de embeddings semânticos e recuperação híbrida para perguntas e respostas e chat. Ele se integra com LLMs populares, bancos de dados de grafos e armazéns vetoriais para possibilitar agentes de IA explicáveis e alimentados por grafos. Usuários podem visualizar estruturas de grafo, consultar relacionamentos e empregar raciocínio de múltiplos saltos. Oferece APIs RESTful, SDKs e uma interface web para gestão de pipelines, monitoramento de consultas e personalização de prompts, tornando-se ideal para gestão de conhecimento empresarial e aplicações de pesquisa.

Graph_RAG é uma estrutura baseada em Python projetada para construir e consultar gráficos de conhecimento para geração aumentada por recuperação (RAG). Ela suporta ingestão de documentos não estruturados, extração automática de entidades e relações usando LLMs ou ferramentas de NLP, e armazenamento em bancos de dados gráficos como Neo4j. Com o Graph_RAG, os desenvolvedores podem construir gráficos de conhecimento conectados, executar consultas semânticas para identificar nós e caminhos relevantes, e alimentarem o contexto recuperado nos prompts do LLM. A estrutura oferece pipelines modulares, componentes configuráveis e exemplos de integração para facilitar aplicações de ponta a ponta de RAG, melhorando a precisão e interpretabilidade das respostas por meio de representação estruturada do conhecimento.

Dioptra AI oferece uma plataforma sofisticada para revisão de contratos, aproveitando a inteligência artificial para alcançar precisão no nível de advogados. Confiável por inúmeros profissionais jurídicos, a plataforma visa agilizar o processo de revisão de contratos, tornando-o mais rápido e preciso. A explicabilidade da IA garante que os usuários possam confiar e entender o processo de tomada de decisão, enquanto a alta taxa de precisão a torna uma ferramenta vital para equipes jurídicas que buscam eficiência e precisão.

multiagent_envs oferece um conjunto modular de ambientes baseados em Python, sob medida para pesquisa e desenvolvimento em aprendizado por reforço multiagente. Inclui cenários como navegação cooperativa, predador-vítima, dilemas sociais e arenas competitivas. Cada ambiente permite definir o número de agentes, características de observação, funções de recompensa e dinâmica de colisões. O framework integra-se perfeitamente com bibliotecas populares de RL, como Stable Baselines e RLlib, permitindo loops de treinamento vetorizados, execução paralela e fácil registro. Os usuários podem estender cenários existentes ou criar novos seguindo uma API simples, acelerando a experimentação com algoritmos como MADDPG, QMIX e PPO em uma configuração consistente e reprodutível.