Xemantic AI Tool Schema — набор определений схем JSON и типов TypeScript, предназначенных для стандартизации описания, проверки и вызова инструментов AI-агентов. Разработчики могут задавать метаданные инструмента, такие как название, описание и параметры, затем валидировать экземпляры схемы или использовать сгенерированные интерфейсы TypeScript во время разработки. Схема поддерживает типы параметров, вложенные структуры, значения по умолчанию и контроль версий, гарантируя надёжную валидацию и совместимость. Следуя единому стандарту схемы, AI-агенты могут надежно обнаруживать и вызывать инструменты во время выполнения, повышая поддержку и уменьшая количество ошибок при интеграции. Библиотека легко интегрируется с Xemantic AI Agents и может расширяться под пользовательские сценарии.

Memor предоставляет подсистему памяти для агентов на базе языковых моделей, позволяющую сохранять векторные представления прошедших событий, предпочтений пользователей и контекстных данных в векторных базах данных. Поддерживаются несколько бэкендов, таких как FAISS, ElasticSearch и системы в памяти. С помощью поиска по семантическому сходству агенты могут получать релевантные воспоминания на основе запросных векторных представлений и фильтров метаданных. Настраиваемые пайплайны памяти Memor включают сегментацию, индексирование и политики вытеснения, обеспечивая масштабируемое управление контекстом на длительный срок. Интегрируйте это в рабочий процесс вашего агента для обогащения команд динамическим историческим контекстом и повышения релевантности ответов в многосессионных взаимодействиях.

RecurSearch — это опенсорсная библиотека Python, предназначенная для улучшения Retrieval-Augmented Generation (RAG) и рабочих процессов ИИ-агентов за счет рекурсивного семантического поиска. Пользователи определяют цепочку поиска, которая встраивает запросы и документы в векторные пространства, затем итеративно уточняет запросы по результатам, применяет фильтры метаданных или ключевых слов, а также подытоживает или агрегирует выводы. Такой пошаговый процесс повышения точности снижает число вызовов API, а также помогает выявлять глубоко вложенную или контекстуально-специфическую информацию из больших массивов данных.