rag-services es una plataforma extensible que descompone las pipelines RAG en microservicios discretos. Ofrece un servicio de almacenamiento de documentos, un servicio de indexación vectorial, un servicio de embedding, múltiples servicios de inferencia LLM y un orquestador para coordinar los flujos de trabajo. Cada componente expone APIs REST, permitiéndote mezclar y combinar bases de datos y proveedores de modelos. Con soporte para Docker y Docker Compose, puedes desplegar localmente o en clústeres Kubernetes. El framework habilita soluciones RAG escalables y tolerantes a fallos para chatbots, bases de conocimientos y Q&A automáticos.

ToolFuzz proporciona un marco de pruebas de fuzzing integral, específicamente adaptado para agentes de IA que utilizan herramientas. Genera sistemáticamente secuencias aleatorias de invocación de herramientas, entradas API malformadas y combinaciones inesperadas de parámetros para someter a prueba los módulos de llamada a herramientas del agente. Los usuarios pueden definir estrategias de fuzzing personalizadas mediante una interfaz de plugins modular, integrar herramientas o APIs de terceros y ajustar reglas de mutación para enfocar modos de fallo específicos. El marco recopila trazas de ejecución, mide la cobertura del código para cada componente y destaca excepciones no gestionadas o fallos lógicos. Con agregación de resultados incorporada e informes, ToolFuzz acelera la identificación de casos límite, problemas de regresión y vulnerabilidades de seguridad, fortaleciendo en última instancia la robustez y fiabilidad de los flujos de trabajo impulsados por IA.

El repositorio Agent Supervisor Demonstrates muestra cómo orquestar varios agentes de IA autónomos en un flujo de trabajo coordinado. Escrito en Python, define una clase Supervisor para despachar tareas, monitorear el estado de los agentes, manejar fallas y agregar respuestas. Puedes extender las clases base de agentes, conectar diferentes API de modelos y configurar políticas de programación. Registra actividades para auditoría, soporta ejecución paralela y ofrece un diseño modular para fácil personalización e integración en sistemas de IA más grandes.

AgentMesh proporciona una infraestructura modular para que los desarrolladores creen redes de agentes IA, cada uno enfocado en una tarea o dominio específicos. Los agentes pueden ser descubiertos y registrados dinámicamente en tiempo de ejecución, intercambiar mensajes de manera asíncrona y seguir reglas de enrutamiento configurables. El framework gestiona reintentos, respaldos y recuperación ante errores, permitiendo tuberías multi-agente para procesamiento de datos, apoyo en decisiones o casos de uso conversacionales. Se integra fácilmente con LLM existentes y modelos personalizados mediante una interfaz de plugins sencilla.