Awesome GitHub RepositoriesAgent Graph Debuggers

AgentOps es una plataforma de observabilidad y kit de herramientas para desarrolladores para monitorear la ejecución, el rendimiento y la fiabilidad de agentes autónomos impulsados por modelos de lenguaje grandes (LLM). Sirve como sistema para rastrear el comportamiento de agentes de IA, depurar flujos de trabajo complejos y realizar benchmarks del rendimiento de los modelos. La plataforma se distingue por su capacidad para visualizar flujos de trabajo multi-agente mediante grafos de rutas de ejecución y repeticiones de sesión. Proporciona herramientas específicas para calcular el gasto financiero en varios proveedores de modelos de lenguaje y admite un stack de observabilidad autohospedado para usuarios que requieren control total sobre sus datos en hardware o nubes privadas. El sistema cubre un amplio conjunto de capacidades, incluyendo la detección de fallos de agentes, análisis de uso de herramientas y el seguimiento de métricas de rendimiento personalizadas mediante etiquetado de eventos. Se integra con frameworks de IA para capturar telemetría y datos de rendimiento.

AdalFlow es un framework de agentes de IA autónomos y una librería de aplicaciones LLM diseñada para construir flujos de trabajo modulares. Sirve como una interfaz agnóstica al modelo y orquestador de pipelines RAG, permitiendo a los usuarios desarrollar agentes ReAct que utilizan razonamiento iterativo y ejecución de herramientas externas para resolver tareas complejas. El proyecto se distingue por un sistema de optimización de prompts que utiliza descenso de gradiente textual para refinar automáticamente las plantillas de prompts y ejemplos de pocos disparos (few-shot). Trata la retroalimentación del modelo como una señal diferenciable, permitiendo una forma de retropropagación de LLM para mejorar iterativamente la calidad de la salida basada en métricas de evaluación. El framework cubre una amplia superficie de capacidades, incluyendo generación aumentada por recuperación (RAG) con búsqueda semántica vectorial y reranking, rastreo de ejecución basado en spans para observabilidad y análisis estructurado basado en esquemas. Proporciona una capa de comunicación unificada para numerosos proveedores de modelos propietarios y de código abierto, y admite la conversión de funciones de Python en interfaces de herramientas estandarizadas. El sistema está implementado en Python y se integra con MLflow para el seguimiento y análisis de flujos de trabajo.

This project provides a translation layer and set of adapters designed to bridge AI agents with the Model Context Protocol. It functions as an integration layer that allows agents to operate as protocol-compliant servers and enables the conversion of protocol-based tools into formats compatible with agent frameworks and logic graphs. The adapters facilitate tool interoperability by wrapping external protocol tools for use within agent workflows and exposing internal agent capabilities to any client implementing the Model Context Protocol. This creates a communication bridge that supports inte