Awesome GitHub RepositoriesSelf-Correction Loops

Thinking-Claude is a browser extension and reasoning interface designed to compel large language models to perform deep inner monologues before delivering final responses. It functions as a thought process formatter that organizes internal AI reasoning into a structured format. The tool uses systematic reasoning prompts and instruction-based injection to force models through a multi-step verification process. This ensures the AI executes a recursive loop of reasoning and self-correction prior to emitting an answer. To manage this output, the project employs client-side response interception

TinyZero is a reinforcement learning framework and implementation designed to train language models to develop reasoning and self-verification abilities. It provides a training pipeline to optimize model performance on mathematical and logical tasks. The project serves as a minimal reproduction of the DeepSeek R1 architectural and training approach. It focuses on creating reasoning models that can solve structured problems through autonomous chain-of-thought discovery. The framework incorporates group relative policy optimization and reward-based self-correction to improve accuracy on logica

This project is a collection of architectural templates and design patterns for building autonomous AI agents. It provides a framework for transitioning from simple prompt-response loops to goal-oriented systems that utilize structural patterns to increase autonomy and improve the reliability of complex task completion. The framework focuses on reasoning orchestration, specifically through the implementation of reflection and self-correction cycles. It enables the coordination of specialized agents via task delegation and state sharing to solve complex problems. The architectural surface cov

Learn_Prompting ist ein pädagogisches Projekt mit Fokus auf Prompt Engineering. Es vermittelt die Prinzipien und Techniken, die erforderlich sind, um effektive Inputs zu erstellen und die Qualität von generativen KI-Outputs zu verbessern. Das Projekt deckt fortgeschrittene Prompting-Strategien ab, um Reasoning, Zuverlässigkeit und Output-Qualität zu steigern. Dies umfasst Techniken für Task-Decomposition, Chain-of-Thought-Reasoning sowie den Einsatz von Few-Shot- und Zero-Shot-Guidance. Es adressiert zudem Modellsicherheit durch das Studium von Prompt-Hacking, Schwachstellenanalyse und Privacy-Auditing, um sensible Datenlecks zu verhindern. Der Umfang erstreckt sich auf die praktische Anwendung generativer KI über diverse Medien und Workflows hinweg, einschließlich Textgenerierung, fotorealistischer Bilderstellung und audiovisueller Produktion. Es behandelt zudem die Entwicklung autonomer Agenten, KI-gestützte Programmierung und die Automatisierung von Business-Workflows für Marketing und Kommunikation. Das Projekt bietet Ressourcen für Modelloptimierung, Evaluierung und das Management von Prompt-Lifecycles innerhalb einer interaktiven Experimentierumgebung.

This project is an educational curriculum and architectural framework for building autonomous AI agents and multi-agent systems. It provides a structured learning path focused on the development of independent software components capable of planning, executing tasks, and utilizing external tools to achieve high-level goals. The framework emphasizes multi-agent system orchestration through distributed architectures where specialized agents collaborate using standardized communication protocols. It details specific design patterns such as dual-memory systems for maintaining short-term plans and

Dieses Projekt ist ein umfassendes Framework für den Aufbau, die Evaluierung und die Verbindung autonomer Agentensysteme. Es bietet eine Bibliothek standardisierter Architektur-Patterns für die Implementierung komplexer Agenten-Workflows, einschließlich Multi-Agenten-Orchestrierung, iterativer Schlussfolgerung und Speicherverwaltung. Durch das Angebot eines vereinheitlichten Interfaces für Modellanbieter ermöglicht das Framework eine konsistente Agentenausführung über verschiedene KI-Dienste hinweg. Das Framework zeichnet sich durch einen Fokus auf rigoroses Benchmarking und deterministische Kontrolle aus. Es enthält eine Suite an Tools für die Bewertung der Agentenleistung anhand standardisierter Aufgaben und Qualitätsmetriken, was den Vergleich verschiedener Design-Patterns ermöglicht. Um die Zuverlässigkeit sicherzustellen, integriert das System deterministische Routing-Gatter und Selbstkorrekturschleifen, die Agentenaktionen validieren und Ausgaben vor der externen Ausführung anhand von Qualitätskriterien verfeinern. Die Architektur unterstützt eine breite Palette an Fähigkeiten, einschließlich Tool-Integration für die Erledigung realer Aufgaben, Retrieval-Augmented Generation für kontextbewusste Antworten und modulares Speichermanagement für die Informationshaltung über Sitzungen hinweg. Diese Komponenten sind durch einen standardisierten Ausführungsvertrag verbunden, der ein konsistentes Verhalten unabhängig vom zugrunde liegenden Modell oder der spezifischen Architekturkonfiguration sicherstellt. Das Repository ist als Sammlung von Jupyter Notebooks strukturiert, die diese Patterns und Benchmarking-Methodologien demonstrieren.