Mina предоставляет легкую, но мощную основу для построения AI-агентов на Python. Вы можете определять пользовательские инструменты (например, веб-скребки, калькуляторы или подключатели к базам данных), прикреплять буферы памяти для сохранения контекста диалога и управлять последовательностью вызовов LLM для многошагового мышления. На базе популярных API LLM Mina обеспечивает асинхронное выполнение, обработку ошибок и логирование. Ее модульная архитектура облегчает расширение новыми возможностями, а CLI-интерфейс позволяет быстро создавать прототипы и запускать агенты.

Lila предоставляет полный фреймворк для AI-агентов, предназначенный для многошагового рассуждения и автономного выполнения задач. Разработчики могут определять пользовательские инструменты (API, базы данных, вебхуки) и настраивать их вызов во время выполнения. В нем есть модули памяти для хранения истории общения и фактов, компонент планирования для последовательности подзадач, и цепочка размышлений для прозрачных путей принятия решений. Система плагинов обеспечивает беспрепят extension с новыми возможностями, а встроенный мониторинг отслеживает действия и выводы агента. Модульная структура облегчает интеграцию в существующие Python-проекты или развертывание в виде облачного сервиса для потоков данных агента в реальном времени.

Пример LLM Agents предоставляет практическую базу кода для создания AI-агентов на Python. Демонстрирует регистрацию пользовательских инструментов (поиск в сети, математический решатель через WolframAlpha, CSV-анализатор, Python REPL), создание чат- и поисковых агентов, а также подключение к векторным хранилищам для ответов на вопросы по документам. Репозиторий иллюстрирует шаблоны для сохранения памяти диалогов, динамической маршрутизации вызовов инструментов и цепочки нескольких подсказок LLM для решения сложных задач. Пользователи учатся интегрировать сторонние API, структурировать рабочие процессы агентов и расширять рамки новыми возможностями, — практическое руководство для разработчиков-экспериментов и прототипирования.

SmartRAG — это модульная библиотека на Python для рабочих процессов расширенного поиска с использованием больших языковых моделей. Она сочетает загрузку документов, индексирование векторов и современные API LLM для предоставления точных и насыщенных контекстом ответов. Пользователи могут импортировать PDF-файлы, текстовые документы или веб-страницы, индексировать их с помощью популярных хранилищ векторов, таких как FAISS или Chroma, и создавать собственные шаблоны запросов. SmartRAG управляет процессами поиска, сборки подсказок и вызовов LLM, возвращая целостные ответы, основанные на исходных документах. Это ускоряет разработку систем Q&A, чат-ботов и исследовательских ассистентов. Разработчики могут расширять коннекторы, менять поставщиков LLM и оптимизировать стратегии поиска в соответствии с конкретными областями знаний.