Alle Werkzeuge
Hybride Code-Überprüfung, die deterministische Regeln vorrangig behandelt und das LLM zweitrangig – die einzige Reihenfolge, die eine Unternehmenssic…
Git-Worktree-Plumbing für das gleichzeitige Ausführen mehrerer Codieragenten ohne Konflikte im Arbeitsverzeichnis.
Eine kuratierte Sammlung wiederverwendbarer Fähigkeiten für Codieragenten – der Unterschied zwischen einem Agenten, der Aufgaben erledigt, und einem,…
Der terminalnative Agent, der das agente Coden zum Mainstream gemacht hat – und der Referenzpunkt, an dem jeder andere Coding-Agent gemessen wird.
Führt viele Codieragenten parallel aus, ohne dass Sie neue Abonnements abschließen müssen – das Kostenmodell ist das Produkt.
Eine Routing-Schicht, die Ihren Coding-Agenten am Laufen hält, wenn ein Anbieter eine Rate-Limit erreicht – allein der Fallback lohnt sich.
Entfernt den verräterischen Rhythmus von Modellausgaben aus generiertem Text — nützlich und ein Hinweis darauf, dass die Merkmale nun allgemein bekan…
Eine explizite, lesbare Liste von etwa zwanzig Mustern, die darauf hindeuten, dass Text automatisch generiert wurde – nützlicher als Filter ist sie a…
Der kürzeste Weg von pip install zu einem funktionierenden Retriever – deshalb beginnt fast jedes RAG-Tutorial hier.
Überprüft die Modellausgabe gegen ein Schema, anstatt zu hoffen – und stellt erneut eine Frage, wenn die Überprüfung fehlschlägt.
Bietet einem Agenten Kontinuität über Sitzungen hinweg — das fehlende Puzzlestück, wenn Benutzer erwarten, dass es sie erkennt.
LLM-Spuren als Standard-OpenTelemetry-Spuren – damit sie im Observability-Stack landen, für den Sie bereits bezahlen.
Die letzten paar Prozent der GPU-Durchsatzrate, erkauft mit erhöhter Build-Komplexität und Hardware-Abhängigkeit.
Document-to-RAG-Pipeline im Komplett-Paket, von einem Team, das es im Tencent-Maßstab betreibt.
Die unglamouröse Parsingschicht, die entscheidet, ob Ihr RAG überhaupt funktioniert.
Die Benutzeroberfläche, die Sie den Anwendern zur Verfügung stellen, wenn die Modellschicht bereits fertiggestellt ist.
Multi-Benutzer-, Multi-Anbieter-Chat-Plattform mit bereits integrierten Agenten und MCP.
Das Format für die Frage nach Agentenfähigkeiten wird hier festgelegt und ist lediglich ein Ordner.
Webzugriff für Agenten ohne Kosten pro Anruf – einschließlich Plattformen ohne nutzbare API.
Behandelt das Kontextfenster als Budget mit einer einzelnen Position, nicht als einen Behälter, in den ständig hineingefüllt wird.
Stellt die Spezifikation wieder an die Spitze des Codes, die einzige Möglichkeit, dass die Ausgabe des Agents überprüfbar bleibt.
Nicht ein Werkzeug, sondern eine Methode: Codiere, wie dein Team arbeitet, und lasse den Agenten diesem Prozess folgen.
Von Herstellern veröffentlichte Plugins für die Aufgaben, die Wissensarbeiter tatsächlich ausführen – ein verwendbares Starttemplate.
Hochleistungs-LLM-Schlußfolgerungsmotor mit PagedAttention – die Standardwahl, wenn Sie eine GPU optimal auslasten müssen.
Ein Befehl, um ein LLM auf einem Laptop auszuführen – der schnellste Weg, um ein Modell vor einem Kunden zu präsentieren.
CPU-erstes Inferencing in reinem C/C++ — läuft dort, wo eine GPU nicht hinkommt.
HuggingFaces Rust-basiertes Servingsystem mit Tensor-Parallelismus und Streaming-Funktionen.
Servicing-Engine, entwickelt für strukturierte Ausgaben und intensive Präfix-Wiederverwendung.
Eine OpenAI-ähnliche Schnittstelle für über 100 Modelanbieter, plus ein Proxy, der den Ausgaben pro Schlüssel nachverfolgt.
Datenframework für die Aufnahme, Indizierung und Abrufung — am stärksten bei dokumentlastigen RAG.
Wandelt PDFs, HTML und Scans in saubere, strukturierte Elemente um, die Ihr Retriever tatsächlich nutzen kann.
End-to-End-RAG-Motor mit templatebasierter Chunking, der für Kunden präsentierbar ist.
Modellieren Sie Agenten als explizite Zustandsgraphen — der Unterschied zwischen einer Demo-Schleife und einem steuerbaren System.
Selbsthostbare LLMOps-Plattform mit visuellen Workflows, RAG und Prompt-Verwaltung in einem Paket.
Rollenbasierte Orchestrierung mehrerer Agenten — verständlich, wenn Sie es einem Manager erklären müssen.
Konversationsgetriebenes Multiagenten-Framework mit leistungsstarker Code-Ausführungs-Tooling.
Die größte Integrationsfläche im LLM-Tooling – am nützlichsten, wenn Sie heute einen Connector benötigen.
Selbsthostbare Tracing-, Evaluations- und Promptverwaltung – die meist vergessene Observierbarkeitsebene der meisten Teams.
Metrik-Suite für RAG: Treue, Kontextgenauigkeit, Recall – die Zahlen, die Sie vor einer Live-Überprüfung benötigen.
Beobachtbarkeit auf Notebook-Basis mit Clustering, das Fehlermodi aufdeckt, die Sie nicht getestet haben.
Drop-in-Proxy, der jeden Anfrageverlauf protokolliert und die Kosten pro Benutzer, pro Funktion und pro Tag anzeigt.
Rust-Vektordatenbank mit Payload-Filterung – stark, wenn Metadaten ebenso wichtig sind wie Ähnlichkeit.
Verteilte Vektordatenbank für Milliarden-Skalen – die Wahl, wenn ein Knoten nicht mehr ausreicht.
Vektordatenbank mit integrierten Einbettungsmodulen — weniger Klebe-Code in Ihrem Ingestionspfad.
Vektoren innerhalb des Postgres, den Sie bereits verwenden — die richtige Antwort, bis sie es nicht mehr ist.
Hier ist noch nichts. Der nächste Crawl füllt das auf.