Código aberto. Novas possibilidades.

Coleção de código aberto com mais de 100 agentes de IA, habilidades de agentes e aplicações RAG. Apache-2.0, criada manualmente e testada de ponta a ponta, funciona com Claude, GPT, Gemini, DeepSeek, Llama, Qwen.

O AutoAgent é um framework sem código que permite criar e implantar agentes e fluxos de trabalho de LLM usando apenas linguagem natural, com recursos como perfilamento automatizado de agentes, criação de ferramentas e orquestração multiagente.

Uma interface web auto-hospedada para agentes de codificação de IA: backend em Rust (axum, tokio, SQLite) com frontend Flutter web embutido, provedores plugáveis para Devin CLI, OpenCode e Codex CLI.

Oumi é uma plataforma open-source para todo o ciclo de vida de modelos de fundação: preparação de dados, treino e fine-tuning (SFT, LoRA, QLoRA, GRPO), avaliação, síntese de dados com LLM judges e implantação via vLLM/SGLang, com CLI e lançamento de jobs na nuvem.

FastMCP é um framework Python para criar aplicações Model Context Protocol (MCP), permitindo a integração fluida de LLMs com ferramentas e dados via servidores, clientes e UIs interativas.

Curso gratuito da Microsoft com 21 lições para iniciantes criarem aplicações de IA generativa, cobrindo LLMs, engenharia de prompts, RAG, agentes, ajuste fino e mais, com exemplos em Python/TypeScript.

Um guia abrangente de código aberto que abrange técnicas de engenharia de prompts, RAG, agentes de IA e otimização de LLM. Inclui tutoriais, artigos de pesquisa, ferramentas e notebooks para trabalhar de forma eficaz com grandes modelos de linguagem.

Tabby é um assistente de codificação por IA de código aberto e auto-hospedado, projetado como uma alternativa on-premises ao GitHub Copilot.

Uma coleção curada de mais de 90 tutoriais e projetos práticos de engenharia de IA que abrangem LLMs, RAG, agentes, MCP, aplicativos multimodais, fine-tuning e avaliação, organizados por dificuldade iniciante, intermediária e avançada.

Made With ML é um curso e código-base de código aberto que ensina como projetar, desenvolver, implantar e iterar em aplicações de machine learning de nível de produção, abrangendo MLOps, testes, serving, CI/CD e aprendizado contínuo.