MIDCA é uma arquitetura cognitiva modular projetada para suportar o ciclo cognitivo completo de agentes inteligentes. Ela processa entradas sensoriais através de um módulo de percepção, interpreta os dados para gerar e priorizar metas, utiliza um planejador para criar sequências de ação, executa tarefas e depois avalia os resultados através de uma camada metacognitiva. O design de ciclo duplo separa respostas reativas rápidas de raciocínios deliberativos mais lentos, permitindo que os agentes se adaptem dinamicamente. A estrutura extensível e o código de código aberto de MIDCA a tornam ideal para pesquisadores e desenvolvedores explorarem tomada de decisão autônoma, aprendizado e autorreflexão em agentes de IA.

WowDAO é a primeira organização autônoma descentralizada para a comunidade global de IA de código aberto. Ela fornece uma plataforma para entusiastas de IA, desenvolvedores e pesquisadores colaborarem, compartilharem recursos e desenvolverem soluções inovadoras em IA. Ao democratizar a IA, o WowDAO capacita seus membros a participar do desenvolvimento de IA, independentemente de sua localização geográfica ou restrições de recursos.

O Agente de IA com Cibersegurança é uma estrutura de IA de código aberto versátil, projetada para simplificar e aprimorar operações de segurança. Aproveita o poder de grandes modelos de linguagem para realizar caça a ameaças, varredura de vulnerabilidades, análise de logs, geração de cargas maliciosas e resposta automática a incidentes. O agente pode integrar-se com APIs de segurança populares como Shodan, VulnDB, VirusTotal e plataformas SIEM. Sua arquitetura baseada em plugins permite aos desenvolvedores estender capacidades para fluxos de trabalho de segurança personalizados, como detecção de phishing ou auditoria de conformidade. Pode ser implantado localmente ou na nuvem, acelerando os fluxos de trabalho das equipes de segurança, reduzindo esforços manuais, melhorando a precisão na detecção e possibilitando remediação mais rápida.

AI_RAG fornece uma solução modular de geração aprimorada por recuperação que combina indexação de documentos, busca vetorial, geração de embutimento e composição de respostas orientadas por LLM. Os usuários preparam corpora de documentos de texto, conectam um armazenamento vetorial como FAISS ou Pinecone, configuram pontos finais de incorporação e LLM, e executam o processo de indexação. Quando uma consulta chega, o AI_RAG recupera as passagens mais relevantes, as alimenta juntamente com o prompt no modelo de linguagem escolhido e retorna uma resposta fundamentada no contexto. Seu design extensível permite conectores personalizados, suporte a múltiplos modelos e controle granular sobre parâmetros de recuperação e geração, ideal para bases de conhecimento e agentes conversacionais avançados.

CAMEL-AI é uma estrutura baseada em Python que permite que desenvolvedores e pesquisadores construam, configurem e executem múltiplos agentes de IA autônomos alimentados por LLMs. Oferece suporte embutido para geração aumentada por recuperação (RAG), uso de ferramentas externas, comunicação entre agentes, gestão de memória e estado e agendamento. Com componentes modulares e fácil integração, equipes podem prototipar sistemas multi-agentes complexos, automatizar fluxos de trabalho e escalar experimentos com diferentes backends de LLM.