Awesome GitHub RepositoriesExecution State Persistence

Ce projet est une bibliothèque de scripts d'automatisation conçus pour l'environnement BoxJs. Il fonctionne comme un client API externe et une interface d'intégration pour interagir avec des serveurs distants. Le système fournit un magasin de données local persistant pour maintenir l'état entre les exécutions de scripts en enregistrant et en récupérant des chaînes et des objets JSON. Il permet l'échange de données via des objets JSON structurés et prend en charge les requêtes réseau synchrones et asynchrones utilisant des en-têtes personnalisés.

Inngest is a durable execution framework and event-driven automation engine designed to orchestrate background workflows. It enables developers to build resilient, stateful processes by memoizing function steps, ensuring that long-running tasks can automatically resume from the last successful operation after failures, timeouts, or infrastructure restarts. The platform distinguishes itself through its event-driven architecture, which uses a schema-validated bus to trigger functions and coordinate complex, multi-step logic. It employs an onion-model middleware approach for cross-cutting concer

ZenML is an extensible machine learning orchestration framework designed to manage the end-to-end lifecycle of data pipelines and AI agent workflows. It functions as a durable orchestrator that executes machine learning tasks as directed acyclic graphs, ensuring that every step is containerized for consistent performance across local, cloud, and hybrid infrastructure. By decoupling pipeline code from underlying compute and storage backends, the platform allows developers to define infrastructure-agnostic stacks that remain portable across diverse environments. The project distinguishes itself

ZenML is an orchestration platform designed for building, deploying, and monitoring reproducible machine learning pipelines and agentic workflows. It provides a unified framework that manages the entire lifecycle of machine learning assets, from data processing and model training to the deployment of persistent inference services. By decoupling pipeline logic from underlying compute and storage, the platform enables teams to transition workflows seamlessly from local development environments to production-grade cloud infrastructure. The platform distinguishes itself through a service-oriented

Jitsu est une plateforme de données client conçue pour collecter, transformer et router les événements d'application vers des entrepôts de données et des outils marketing. Il fonctionne comme un moteur d'ingestion d'événements et un routeur d'entrepôt de données, capturant les données comportementales via des API et des SDK pour un traitement et un stockage en temps réel. La plateforme dispose d'un pipeline de données JavaScript programmable qui permet le filtrage, l'enrichissement et le remodelage des données d'événement pendant le transit. Elle inclut un outil de réconciliation d'identité client qui fusionne les identifiants d'utilisateurs anonymes et connus pour maintenir des profils clients persistants au sein d'un entrepôt. Le système couvre un large éventail de fonctionnalités, incluant la collecte d'événements multi-sources depuis des environnements web et mobiles, l'évolution automatique des schémas pour les entrepôts de destination et le routage multi-destination vers des plateformes SaaS et des bases de données SQL. Il fournit une suite d'outils développeur pour tester la logique de transformation et prend en charge le déploiement via Kubernetes ou des environnements Docker auto-hébergés.

Ignite est un framework d'entraînement de haut niveau pour les réseaux de neurones PyTorch, servant de moteur d'entraînement et de gestionnaire de cycle de vie pour le deep learning. Il fournit un système structuré pour organiser et automatiser les boucles d'entraînement et d'évaluation, gérer les itérateurs de données et déclencher des gestionnaires d'événements à des étapes spécifiques du processus d'entraînement du modèle. Le projet se distingue par une suite complète d'outils pour l'entraînement distribué et l'évaluation de modèles. Il inclut des utilitaires pour synchroniser les gradients et coordonner la communication collective entre plusieurs GPU ou nœuds, ainsi qu'une suite d'évaluation pour calculer des métriques de performance et effectuer une validation croisée k-fold. Ses capacités plus larges couvrent l'automatisation du workflow d'entraînement, incluant la planification du taux d'apprentissage, l'arrêt précoce (early stopping) et l'optimisation des hyperparamètres. Le framework fournit également des outils d'observabilité pour le suivi des expériences, le profilage du temps d'exécution et l'entraînement en précision mixte pour optimiser l'utilisation de la mémoire. Des mécanismes de persistance d'état sont inclus pour gérer les checkpoints des modèles et restaurer les sessions d'entraînement. Des environnements conteneurisés sont disponibles pour simplifier le déploiement et la configuration de l'environnement.

Navigation2 est un framework de navigation ROS 2 pour les robots mobiles autonomes. Il fournit l'identité centrale d'un planificateur de trajectoire, d'un système de gestion de costmap, d'un contrôleur de mouvement cinématique et d'un orchestrateur d'arbres de comportement pour calculer des itinéraires sans collision et exécuter des commandes de mouvement. Le framework se distingue par son utilisation d'arbres de comportement pour coordonner des serveurs de tâches modulaires, permettant des routines de navigation complexes et des actions de récupération autonomes. Il prend en charge une architecture basée sur des plugins qui permet aux planificateurs et aux contrôleurs d'être échangés à l'exécution pour s'adapter à différents environnements. Le système couvre un large éventail de capacités, y compris la planification de trajectoire globale et locale, le SLAM 2D et la localisation basée sur carte, et la modélisation environnementale via des costmaps basées sur une grille. Il gère le contrôle de mouvement pour diverses cinématiques de transmission et intègre des systèmes de sécurité pour la surveillance des collisions et la prévention des urgences. Les fonctionnalités d'orchestration supplémentaires incluent le séquençage de points de passage multi-destinations, le suivi de cible dynamique et les procédures d'amarrage automatisées. Le framework utilise des composants à cycle de vie géré pour coordonner le démarrage, l'arrêt et la surveillance de la santé de ses serveurs opérationnels.

Ce projet est une collection de ressources éducatives et d'implémentations de référence pour le développement de réseaux de neurones utilisant TensorFlow. Il sert de cours d'apprentissage complet, de programme d'apprentissage automatique et de guide d'implémentation pratique pour construire des architectures de deep learning. La base de code fournit des supports pédagogiques et des exemples couvrant un large éventail de types de modèles, y compris les réseaux de neurones convolutifs pour la classification d'images, les réseaux récurrents et les cellules LSTM pour les données séquentielles, et les auto-encodeurs pour la modélisation générative. Il inclut également des implémentations pour des agents d'apprentissage par renforcement profond et des techniques de transfert d'apprentissage pour adapter des modèles pré-entraînés à de nouvelles tâches. Le projet couvre le cycle de vie complet du développement, y compris le prétraitement des données, la définition du graphe de calcul et l'optimisation des poids. Il fournit des utilitaires pour l'évaluation des modèles et l'optimisation de l'entraînement, tels que le dropout et la régularisation, ainsi que des outils pour visualiser l'architecture du réseau et surveiller les métriques d'entraînement.

Hydrogen is an interactive code execution environment and text editor integration that enables the execution of individual lines or blocks of code with immediate inline output. It functions as a polyglot interactive notebook and a remote kernel orchestrator, allowing users to run code via Jupyter kernels and render rich media, such as plots, images, and video, directly within the editor. The system distinguishes itself through remote kernel management, routing code execution to external containers or remote servers via network sockets. It maintains a stateful programming environment where lan

crun est un runtime de conteneur bas niveau qui implémente la spécification Open Container Initiative pour gérer le cycle de vie des processus isolés. Il fournit les mécanismes fondamentaux pour la création, l'exécution et la suppression de conteneurs, assurant la compatibilité entre les plateformes grâce à une gestion standardisée du cycle de vie. Le projet se distingue en offrant une bibliothèque C partagée qui permet d'intégrer les opérations de runtime de conteneur directement dans d'autres applications compilées. Il étend davantage les capacités d'exécution via des gestionnaires spécialisés qui permettent le déploiement de conteneurs au sein de microVMs isolées ou l'exécution de charges de travail WebAssembly. Le runtime couvre un large éventail de capacités d'isolation bas niveau et de gestion des ressources. Cela inclut l'utilisation d'espaces de noms (namespaces) et de filtres seccomp pour la sécurité, de cgroups pour l'application des limites CPU et mémoire, et des outils pour sauvegarder et reprendre les états d'exécution des conteneurs via checkpoint et restore. Il fournit également des interfaces pour les mises à jour dynamiques des ressources, la gestion des montages et l'automatisation via une interface Lua intégrée.

RoslynPad is a browser-based C# integrated development environment and interactive playground. It serves as a tool for writing and executing C# code snippets and scripts using the Roslyn compiler for immediate feedback. The environment features an integrated NuGet package manager that allows users to search for and load external .NET library assemblies into a live execution context. It functions as an in-process code executor to minimize startup latency and maintain state across script executions. The platform provides real-time semantic analysis and diagnostic feedback, offering code comple

rlm is an LLM code execution engine and orchestration framework designed to coordinate multiple language model calls and recursive sub-tasks through a programmable environment. It provides a sandboxed REPL environment and a recursive context processor to handle inputs that exceed standard token limits by programmatically decomposing prompts. The project differentiates itself through a reinforcement learning training harness used to teach models how to utilize recursive calls and code execution. It includes a reasoning visualization system that records and renders execution trajectories to ana

This project is an infrastructure platform designed to provide secure, isolated, and ephemeral cloud-based Linux environments for AI agents and automated code execution. It functions as an orchestrator that provisions on-demand virtual machines, allowing developers to run arbitrary code generated by large language models within hardware-level security boundaries. The platform distinguishes itself through its ability to manage stateful, long-lived sessions that persist across multiple execution calls, enabling complex, multi-step workflows. It supports high-concurrency scaling, allowing for th

Ce projet est une ressource éducative consistant en un cursus structuré de notebooks interactifs conçus pour enseigner les concepts d'apprentissage profond et les architectures de réseaux de neurones. Il se concentre sur la fourniture d'une expérience pratique avec le framework TensorFlow 2 et l'API Keras, guidant les utilisateurs à travers des exercices pratiques pour maîtriser les techniques d'apprentissage automatique. Le dépôt se distingue en combinant le contenu pédagogique avec les exigences techniques pour le calcul haute performance. Il inclut des guides spécifiques pour configurer les environnements de développement locaux afin de prendre en charge l'entraînement accéléré par le matériel sur des unités de traitement graphique (GPU), garantissant que les apprenants peuvent effectuer des calculs mathématiques intensifs pour leurs modèles. La plateforme prend en charge une gamme de workflows de développement, du prototypage rapide d'architectures de réseaux de neurones à l'exécution d'expériences en science des données. Elle fournit des utilitaires pour rendre les équations mathématiques et le code au sein des documents, et elle s'adapte à la fois au développement local hors ligne et aux environnements d'exécution basés sur le cloud.

Workflow is a platform for executing long-running, stateful processes that automatically persist progress and recover state after system interruptions. It functions as a durable orchestration engine designed to manage complex, multi-step asynchronous operations within distributed systems. The framework distinguishes itself through event-sourcing and checkpointing mechanisms that record execution steps as an immutable log, allowing for precise state reconstruction after failures. It provides sandboxed task isolation to run side-effect-heavy logic in restricted environments, ensuring that sensi

LoRA Easy Training Scripts est une interface graphique de bureau conçue pour gérer le flux de travail de bout en bout de l'entraînement de modèles de machine learning personnalisés. L'application sert de tableau de bord centralisé pour préparer les jeux de données, configurer les paramètres du réseau de neurones et orchestrer l'exécution de tâches d'entraînement complexes. L'outil se distingue en fournissant un environnement visuel qui abstrait les exigences de ligne de commande du fine-tuning de modèles. Il permet aux utilisateurs de gérer des files d'attente d'entraînement, permettant le séquençage automatisé de multiples tâches pour maximiser l'utilisation du matériel. En maintenant un état interne persistant, le logiciel mappe les entrées d'interface définies par l'utilisateur directement aux arguments nécessaires pour les scripts d'entraînement externes, garantissant que les configurations complexes restent reproductibles via des fichiers texte sérialisés. La plateforme couvre un large éventail d'exigences opérationnelles, incluant la gestion des actifs, la planification personnalisée du taux d'apprentissage et l'ajustement des poids de blocs de modèles spécifiques. Elle fournit une approche structurée pour organiser les données d'entraînement et gérer le cycle de vie de la génération de poids de modèles, spécifiquement adaptée au fine-tuning des modèles Stable Diffusion.

This project is a business rules and complex event processing engine designed to manage logical decision-making and stateful workflows. It functions as a computational framework that evaluates incoming data streams and facts against conditional logic to derive new conclusions and trigger automated actions. The engine distinguishes itself through a combination of forward-chaining inference and deterministic state machine orchestration. It uses salience-based conflict resolution to prioritize rule execution and supports persistent contextual state tracking to manage long-running business proces

Ce projet fournit un moteur d'exécution conteneurisé et sécurisé conçu pour exécuter du code non fiable au sein d'environnements isolés. Il fonctionne comme une bibliothèque pour intégrer l'interprétation de code dans des agents autonomes et des flux de travail d'assistants intelligents, garantissant que les systèmes hôtes restent protégés tout en permettant un traitement dynamique des données et une manipulation de fichiers. La plateforme se distingue par une architecture multi-backend qui abstrait divers runtimes de conteneurs, permettant un déploiement flexible et un basculement automatique du backend. Elle prend en charge des flux de travail interactifs et multi-tours en maintenant des états d'exécution persistants et des variables de session, tout en optimisant les performances via des pools de conteneurs pré-chauffés qui minimisent la latence de démarrage pour les tâches à haute fréquence. Au-delà de l'exécution de base, le système inclut un middleware complet pour appliquer des politiques de sécurité, gérer les contraintes de ressources et restreindre l'accès aux modules linguistiques sensibles. Il automatise le cycle de vie de l'exécution du code en gérant l'installation des dépendances, la diffusion des sorties en temps réel et l'extraction des artefacts générés ou des visualisations pour une utilisation dans des applications en aval.

This project is a JavaScript-based workflow engine designed to execute business process models defined in standard XML. It functions as a stateful orchestrator that manages the lifecycle of complex processes by moving virtual tokens through tasks, gateways, and events. The engine provides a runtime environment for automating business logic, integrating external services, and coordinating human tasks within Node.js or browser-based applications. The engine distinguishes itself through its high degree of extensibility and state management capabilities. It allows developers to inject custom beha