Meta-Agent-with-More-Agents — это расширяемая open-source архитектура метаагента, позволяющая нескольким специализированным подагентам взаимодействовать для выполнения сложных задач. Utilizes LangChain для оркестровки агентов и API OpenAI для обработки естественного языка. Разработчики могут создавать пользовательские агенты для задач извлечения данных, анализа чувств, принятия решений или генерации контента. Мета-агент координирует разбиение задачи, отправляет цели подходящим агентам, собирает их выходные данные и итеративно уточняет результаты через циклы обратной связи. Модульная архитектура поддерживает параллельную обработку, ведение журналов и обработку ошибок. Идеально подходит для автоматизации многозадачных процессов, исследовательских пайплайнов и систем поддержки решений, она упрощает создание надежных распределенных ИИ-систем, абстрагируя коммуникацию между агентами и управление жизненным циклом.

SecGPT оборачивает вызовы LLM слоями контроля безопасности и автоматическими проверками. Разработчики задают профили безопасности в YAML, интегрируют библиотеку в свои Python-проекты и используют модули для обнаружения внедрений, предотвращения утечек данных, моделирования угроз и мониторинга соответствия. SecGPT создает подробные отчеты о нарушениях, поддерживает оповещение через вебхуки и легко интегрируется с такими инструментами, как LangChain и LlamaIndex, обеспечивая безопасное и соответствующее внедрение ИИ.

Virtual Scientists V2 — это модульная структура AI-агентов, предназначенная для научных исследований. Она определяет нескольких виртуальных ученых — химика, физика, биолога и специалиста по данным, — каждый с доменно-специфическими знаниями и интеграциями инструментов. Эти агенты используют LangChain для координации API-запросов к таким источникам, как Semantic Scholar, ArXiv и веб-поиск, обеспечивая автоматизированный сбор литературы, контекстный анализ и извлечение данных. Пользователи программируют задачи, указывая цели исследований; агенты самостоятельно собирают статьи, резюмируют методы и результаты, разрабатывают экспериментальные протоколы, создают гипотезы и формируют структурированные отчеты. Framework поддерживает плагины для пользовательских инструментов и рабочих процессов, облегчая расширяемость. Автоматизируя повторяющиеся задачи, Virtual Scientists V2 ускоряет получение инсайтов и снижает ручной труд в многодисциплинарных проектах.

Coffee-Shop-AI-Agents — это open-source рамка для создания и развертывания специализированных AI-агентов, автоматизирующих ключевые функции кофейни. Используя LangChain и модели OpenAI, проект предоставляет модульных агентов, включая агента бариста, который обрабатывает сложные заказы, рекомендует кастомизации и управляет наличием ингредиентов. Агент кассира обрабатывает платежи, выдает цифровые чеки и отслеживает показатели продаж. Агент менеджера генерирует прогнозы запасов, предлагает графики пополнения и анализирует показатели эффективности. Выполненные на основе персонализируемых подсказок и пайплайнов, разработчики могут быстро адаптировать агентов под уникальные политики и меню магазина. Репозиторий содержит скрипты установки, API-интеграции и примерные рабочие процессы для имитации реалистичных взаимодействий и аналитики бизнеса в дружелюбной среде.

ImageAgent — это фреймворк агента на Python, подключающийся к API OpenAI и моделям зрения для выполнения генерации изображений из текста, редактирования изображений (инпейнинг, перенос стиля) и анализа изображений (подписи, обнаружение объектов). Он использует оркестрацию типа LangChain для автономного управления несколькими шагами, обработки парсинга подсказок и может быть расширен пользовательскими инструментами и пайплайнами для индивидуальных рабочих процессов изображений.

Интеллектуальный диалоговый агент на базе RAG сочетает слой поиска на основе векторного хранилища с Gemini LLM от Google через LangChain для обеспечения богатого контекстом обмена знаниями. Пользователи вводят и индексируют документы — PDF, веб-страницы или базы данных — в векторную базу данных. При запросе агент извлекает наиболее релевантные фрагменты, вставляет их в шаблон подсказки и генерирует краткие, точные ответы. Модульная архитектура позволяет настраивать источники данных, векторные хранилища, инженерные системы подсказок и бекенды LLM. Этот проект с открытым исходным кодом упрощает разработку специализированных Q&A ботов, исследовательских инструментов и помощников, предоставляющих масштабируемые, быстрые аналитические данные из больших коллекций документов.

Rawr Agent — это модульный, с открытым исходным кодом фреймворк на Python, который позволяет разработчикам строить автономных AI-агентов, оркестрируя сложные рабочие процессы взаимодействия с LLM. Используя LangChain, Rawr Agent позволяет определить последовательности задач через конфигурации YAML или Python-код, интегрируя инструменты такие как веб-API, запросы к базам данных и пользовательские скрипты. В него входят компоненты памяти для хранения истории диалогов и векторных вложений, механизмы кэширования для оптимизации повторных вызовов, а также надежная система логирования и обработки ошибок для мониторинга поведения агента. Его расширяемая архитектура позволяет добавлять собственные инструменты и адаптеры, что делает его подходящим для автоматизированных исследований, анализа данных, составления отчетов и интерактивных чат-ботов. Благодаря простому API команды могут быстро прототипировать и развертывать интеллектуальных агентов для широкого спектра применений.

Remote Jobs Research Agent — это агент на Python, созданный с помощью LangChain и OpenAI, который программно ищет вакансии на удаленных платформах (например, We Work Remotely, Remote OK, GitHub Jobs) согласно заданным пользователем параметрам. Он собирает подробные данные объявлений, использует обработку естественного языка для извлечения важных данных — таких как требуемые навыки, диапазон зарплат и обзор компании — и кратко суммирует каждое объявление в чистых структурированных форматах. Агент может обрабатывать сотни объявлений в пакетном режиме, исключать нерелевантные вакансии и экспортировать результаты в CSV или JSON. Исследователи и рекрутеры получают более быстрые и последовательныеInsights по трендам рынка удаленной работы без ручных усилий.

AI-Agents предоставляет модульный набор инструментов для создания автономных AI-агентов, способных планировать, выполнять и самостоятельно контролировать задачи. Встроенная поддержка позволяет интегрировать инструменты — такие как поиск в интернете, обработка данных и пользовательские API — и включает компонент памяти для сохранения и вызова контекста. Благодаря системе плагинов, агенты могут динамически загружать новые возможности, а асинхронное выполнение обеспечивает эффективность работы с несколькими шагами. Фреймворк использует LangChain для продвинутого логического рассуждения и облегчает развертывание в средах Python на macOS, Windows или Linux.

Agent Visualiser — это инструмент визуализации, ориентированный на разработчиков, который отображает внутренние операции ИИ-агентов в понятных графических потоках. Он подключается к времени выполнения агента, захватывая каждую подсказку, вызов LLM, узел решения, выполнение действия и поиск по памяти. Пользователи могут просматривать эти шаги в интерактивной диаграмме, расширять узлы для проверки параметров и ответов, а также отслеживать логику, приведшую к каждому результату. Инструмент поддерживает LangChain-агенты из коробки, но может быть адаптирован для других фреймворков с помощью простых адаптеров. Предоставляя информацию в реальном времени и подробную разбивку шагов, Agent Visualiser ускоряет отладку, настройку производительности и обмен знаниями внутри команд разработки.

Agentic Shared Memory — это надёжное решение для управления контекстными данными в системах с несколькими агентами, управляемых ИИ. Используя векторные встраивания и эффективные структуры данных, он хранит наблюдения, решения и переходы состояния агентов, обеспечивая беспрепятственный доступ и обновление контекста. Агенты могут запрашивать совместную память для доступа к прошлым взаимодействиям или глобальному знанию, способствуя согласованному поведению и совместной работе по решению проблем. Библиотека поддерживает быстрые интеграции с популярными фреймворками ИИ, такими как LangChain или пользовательские организаторы агентов, предлагая настраиваемые стратегии хранения, окна контекста и функции поиска. Скрывая управление памятью, разработчики могут сосредоточиться на логике агента, одновременно обеспечивая масштабируемое и последовательное управление памятью в распределённых или централизованных системах. Это повышает общую производительность системы, снижает избыточные вычисления и усиливает интеллект агентов со временем.

AGNO AI-агенты предоставляют пакет настраиваемых, предварительно созданных AI-агентов, выполняющих различные задачи: суммирование больших документов, парсинг и интерпретацию веб-контента, ответы на предметные вопросы, проверку исходного кода, анализ наборов данных и создание чат-ботов с памятью. Их модульный дизайн позволяет добавлять новые инструменты или интегрировать внешние API. Агенты управляются через конвейеры LangChain и доступны через REST API. AGNO поддерживает многозадачные рабочие процессы, ведение логов и простую развертку, что позволяет разработчикам ускорить автоматизацию на базе ИИ в своих приложениях.

cpp-langchain реализует основные функции экосистемы LangChain на C++. Разработчики могут оборачивать вызовы больших языковых моделей, определять шаблоны запросов, собирать цепочки и управлять агентами, вызывающими внешние инструменты или API. Включены модули памяти для поддержания диалогового состояния, поддержка embedding для поиска по сходству, интеграции с векторными базами данных. Модульная архитектура позволяет настраивать каждый компонент — клиенты LLM, стратегии запросов, бекенды памяти и инструменты — под конкретные задачи. Предоставляя библиотеку только в виде заголовков и поддержку CMake, cpp-langchain упрощает компиляцию нативных AI-приложений для Windows, Linux и macOS без необходимости в Python-runtime.

Глубокий исследовательский агент на базе Python с открытым исходным кодом предназначен для проведения всесторонних исследований. Он использует интегрированный веб-поиск, загрузку PDF и NLP-пайплайны для поиска релевантных источников, парсинга технических документов и извлечения структурированных данных. Агент связывает запросы через LangChain и OpenAI, обеспечивая контекстно-зависимый вопрос-ответ, автоматизированное оформление цитат и суммирование нескольких документов. Исследователи могут настраивать параметры поиска, фильтровать по дате публикации или области и выводить отчеты в markdown или JSON. Этот инструмент минимизирует время ручного обзора литературы и обеспечивает согласованные, высококачественные резюме в различных областях исследований.

Knowledge-Discovery-Agents предоставляет модульный набор заранее созданных и настраиваемых ИИ агентов, предназначенных для извлечения структурированных данных из PDF, CSV, веб-сайтов и других источников. Он интегрируется с LangChain для управления инструментами, поддерживает цепочки задач, такие как упаковка веб-страниц, генерация эмбеддингов, семантический поиск и создание графов знаний. Пользователи могут определять рабочие процессы агентов, добавлять новые загрузчики данных и внедрять ботов QA или аналитические пайплайны. С минимальным количеством шаблонного кода он ускоряет прототипирование, исследование данных и автоматическое создание отчетов в исследованиях и бизнесе.

LangGraph GUI ReactFlow — это библиотека компонентов React с открытым исходным кодом, позволяющая пользователям создавать рабочие процессы AI-агентов через интуитивно понятный редактор блок-схем. Каждый узел представляет вызов LLM, преобразование данных или внешний API-вызов, а связи определяют поток данных. Пользователи могут настраивать типы узлов, конфигурировать параметры модели, предварительно просматривать выводы в реальном времени и экспортировать определение рабочего процесса для выполнения. Бесшовная интеграция с LangChain и другими рамками LLM облегчает расширение и развертывание сложных диалоговых агентов и пайплайнов обработки данных.