TaiXu-Admin V0.1.2 dévoile une console unifiée intégrant des fonctionnalités LLM, RAG et d'agent

Une initiative open source dédiée à l'organisation des capacités des grands modèles linguistiques (LLM) a franchi une nouvelle étape. La version 0.1.2 de TaiXu-Admin vient d'être publiée. Ce système de gestion d'applications, axé sur les LLM, le RAG et les agents, vise à unifier le dialogue, l'amélioration de la recherche et la collaboration entre agents intelligents au sein d'un seul backend.

Le journal des mises à jour de cette version est très complet. Il relie la documentation à l’analyse syntaxique du LLM Wiki et introduit la recherche dans le LLM Wiki ; il met en œuvre un mécanisme de remplacement par compilation à chaud (HCP) pour les fichiers de code modifiés, permettant aux ajustements de prendre effet sans redémarrage ; la base de connaissances et la bibliothèque de graphes de connaissances prennent désormais en charge la reconfiguration personnalisée. La gestion de la mémoire historique a été mise à jour, et la gestion des exceptions pour RAG et Agent pendant l’exécution est désormais complète — pour une plateforme visant à maintenir plusieurs agents intelligents en ligne pendant de longues périodes, ces améliorations ont encore renforcé les fondations.

Si l’on examine le système lui-même, TaiXu-Admin est un système intelligent intégrant des technologies d’IA : le backend est écrit en Python, tandis que le frontend utilise React pour les pages interactives. Ses fonctionnalités comprennent la conversation LLM, le RAG et l’Agent. Il s’appuie sur LangChain et LangGraph comme composants centraux des applications de grands modèles. Le premier construit des pipelines de modèles modulaires, tandis que le second gère une collaboration multi-agents complexe pilotée par l’état, prenant ainsi en charge le mode RAG, le mode Agent, l’ingénierie des prompts, les appels d’outils et la gestion de la mémoire, en intégrant à la fois l’interaction conversationnelle, la génération enrichie par la recherche de connaissances et la collaboration entre agents.

Ce qui démontre véritablement ses capacités, c’est qu’il propose sous forme de menu la quasi-totalité des pratiques courantes du marché. Dans la section RAG, le RAG natif, les requêtes multiples, la fusion de la recherche, la décomposition en sous-questions, l’intégration de documents hypothétiques (HYDE), le routage logique et sémantique, la réécriture de requêtes, les représentations multiples et l’indexation hiérarchique (RAPTOR) sont tous disponibles. Des agents dotés de capacités de correction d’erreurs, d’autocontrôle et d’auto-adaptation assurent un filet de sécurité tout au long du processus de recherche. Parmi les modes spéciaux figurent également les graphes de connaissances GraphRAG, les mots-clés BM25, le RAG hybride, le regroupement par la méthode des K-moyennes et le RAG à pertinence marginale maximale. Le mode Agent est encore plus dynamique : les actions de raisonnement de ReAct, le raisonnement sans observation de ReWOO, l’exécution de la planification, la compilation LLM, la réflexion, l’auto-découverte, la recherche intelligente dans les arbres, ainsi que l’orchestration multi-agents supervisée, collaborative et hiérarchique — couvrant ainsi la quasi-totalité des éléments clés de la recherche actuelle sur les agents.

En termes d’architecture, il suit une approche séparant front-end et back-end, avec une conception modulaire. Le back-end est développé en Python et utilise le framework léger Flask pour prendre en charge une API RESTful. Le front-end utilise React pour créer une interface réactive, en s’appuyant sur le framework open source Umi d’Ant Group pour l’ingénierie du projet et en utilisant Ant Design comme bibliothèque de composants. La base de données sous-jacente est également divisée en rôles : Qdrant, une base de données cloud-native haute performance, stocke les représentations textuelles et gère les recherches de similarité sémantique ; Neo4j modélise les relations complexes entre les entités et permet le raisonnement sur les graphes ; enfin, PostgreSQL stocke de manière fiable les données métier structurées telles que les utilisateurs, les journaux et les configurations.

La mise en route n’est pas trop compliquée. Les dépendances du front-end sont gérées via npm ou yarn, et celles du back-end via pip ou poetry ; il suffit ensuite d’installer les trois éléments essentiels : Qdrant, Neo4j et PostgreSQL. Si vous souhaitez simplement tester le système en local, il vous suffit d’exécuter les étapes de configuration les plus simples : vous n’aurez même pas besoin de Qdrant ni de Neo4j pour découvrir les modules principaux. Une fois le démarrage effectué, accédez à localhost:8000, où le nom d’utilisateur et le mot de passe par défaut sont tous deux « admin » : un système intégrant LLM, RAG et Agent en une seule interface est désormais à la disposition des développeurs.