Awesome GitHub RepositoriesAgent Graph Debuggers

AgentOps est une plateforme d'observabilité et une boîte à outils pour développeurs permettant de surveiller l'exécution, les performances et la fiabilité des agents autonomes propulsés par des grands modèles de langage (LLM). Il sert de système pour suivre le comportement des agents IA, déboguer des workflows complexes et comparer les performances des modèles. La plateforme se distingue par sa capacité à visualiser les workflows multi-agents via la représentation graphique des chemins d'exécution et la relecture de sessions. Elle fournit des outils spécifiques pour calculer les coûts financiers auprès de divers fournisseurs de modèles de langage et prend en charge une stack d'observabilité auto-hébergée pour les utilisateurs nécessitant un contrôle total sur leurs données sur du matériel ou des clouds privés. Le système couvre un large éventail de capacités, notamment la détection des échecs d'agents, l'analyse de l'utilisation des outils et le suivi de métriques de performance personnalisées via le marquage d'événements. Il s'intègre aux frameworks d'IA pour capturer la télémétrie et les données de performance.

AdalFlow est un framework d'agents IA autonomes et une bibliothèque d'applications LLM conçue pour construire des flux de travail modulaires. Il sert d'interface agnostique au modèle et d'orchestrateur de pipeline RAG, permettant aux utilisateurs de développer des agents ReAct qui utilisent un raisonnement itératif et l'exécution d'outils externes pour résoudre des tâches complexes. Le projet se distingue par un système d'optimisation de prompt qui utilise la descente de gradient textuelle pour affiner automatiquement les templates de prompt et les exemples few-shot. Il traite le feedback du modèle comme un signal différentiable, permettant une forme de rétropropagation LLM pour améliorer itérativement la qualité de sortie basée sur des métriques d'évaluation. Le framework couvre une large surface de capacités, incluant la génération augmentée par récupération (RAG) avec recherche vectorielle sémantique et reranking, le traçage d'exécution basé sur les spans pour l'observabilité, et l'analyse structurée pilotée par schéma. Il fournit une couche de communication unifiée pour de nombreux fournisseurs de modèles propriétaires et open source, et prend en charge la conversion de fonctions Python en interfaces d'outils standardisées. Le système est implémenté en Python et s'intègre avec MLflow pour le suivi et l'analyse des flux de travail.

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