🧠 OpenChronicle: локальная память для AI-агентов
OpenChronicle — это открытое решение для создания локальной, инспектируемой памяти для AI-агентов. Он захватывает контекст работы на вашем Mac и сохраняет его в виде структурированной Markdown-памяти, что позволяет агентам эффективно использовать информацию о ваших действиях и предпочтениях.
🚀 Основные моменты:
- Локальное хранение данных на вашем устройстве
- Поддержка различных моделей AI
- Интеграция с любыми инструментами
- Читаемая Markdown-память и локальная база данных SQLite
- Открытый исходный код с возможностью расширения
📌 GitHub: https://github.com/Einsia/OpenChronicle
#python
OpenChronicle — это открытое решение для создания локальной, инспектируемой памяти для AI-агентов. Он захватывает контекст работы на вашем Mac и сохраняет его в виде структурированной Markdown-памяти, что позволяет агентам эффективно использовать информацию о ваших действиях и предпочтениях.
🚀 Основные моменты:
- Локальное хранение данных на вашем устройстве
- Поддержка различных моделей AI
- Интеграция с любыми инструментами
- Читаемая Markdown-память и локальная база данных SQLite
- Открытый исходный код с возможностью расширения
📌 GitHub: https://github.com/Einsia/OpenChronicle
#python
GitHub
GitHub - Einsia/OpenChronicle
Contribute to Einsia/OpenChronicle development by creating an account on GitHub.
❤6
🚀 GPU-библиотека для классического машинного обучения
FlashLib предлагает высокопроизводительные реализации операторов машинного обучения, таких как kmeans, PCA и DBSCAN, с использованием Triton и CuteDSL. Библиотека позволяет эффективно обрабатывать данные на GPU, обеспечивая простоту использования и высокую скорость выполнения.
🚀Основные моменты:
- Поддержка 15 высокоуровневых примитивов для машинного обучения.
- Информативный API для оценки производительности операций.
- Оптимизированные реализации для кластеризации, регрессии и декомпозиции.
- Легкая интеграция с PyTorch и sklearn.
📌 GitHub: https://github.com/FlashML-org/flashlib
#python
FlashLib предлагает высокопроизводительные реализации операторов машинного обучения, таких как kmeans, PCA и DBSCAN, с использованием Triton и CuteDSL. Библиотека позволяет эффективно обрабатывать данные на GPU, обеспечивая простоту использования и высокую скорость выполнения.
🚀Основные моменты:
- Поддержка 15 высокоуровневых примитивов для машинного обучения.
- Информативный API для оценки производительности операций.
- Оптимизированные реализации для кластеризации, регрессии и декомпозиции.
- Легкая интеграция с PyTorch и sklearn.
📌 GitHub: https://github.com/FlashML-org/flashlib
#python
👍7