Interaktywna anatomia po polsku
Trójwymiarowy, interaktywny atlas anatomiczny człowieka stworzony przez AI Evolution Polska. Aplikacja zawiera 2 234 klikalne struktury, 15 układów ciała i 3 432 nazwane pojęcia — w pełni po polsku, z możliwością przełączania na język angielski. Open source i gotowy do dalszego rozwoju.
2 234
klikalne struktury
15
układów ciała
3 432
nazwane pojęcia
PL/EN
języki
Sprawdzone projekty, których naprawdę używamy przy budowie agentów, automatyzacji i wdrożeń dla firm. Pamięć, frameworki, integracje MCP, lokalne modele i monitoring — z opisem po co to komu.
33 projekty
Gotowe systemy wiedzy i procedur, które możesz dodać do agenta kodującego lub kreatywnego. Każdy projekt jest publiczny, udokumentowany i dostępny na licencji MIT.
Nasz open sourceMIT · 15 stylów
Gust projektowy dla agentów AI
Uczy agenta analizować produkt i odbiorców, wybierać właściwy kierunek wizualny oraz budować interfejs z tokenów zamiast powielać generyczne schematy AI.
Co wnosi do pracy agenta
15 systemów stylu, matryca decyzji, audyt anti-slop i ocena jakości na desktopie, tablecie oraz mobile.
Nasz open sourceMIT · format 4:5
Art direction reklam dla agentów
Prowadzi agenta od briefu i pomysłów po gotowe kreacje reklamowe dla Instagrama i Facebooka — z naciskiem na produkt, hierarchię i czytelność.
Co wnosi do pracy agenta
Chroni zdjęcia, twarze i logo jako źródło prawdy, pilnuje typografii oraz kończy pracę kontrolą jakości i zgodności.
Nasz open sourceMIT · TypeScript
Kontrolowana inicjatywa agenta
Pomaga agentowi zrozumieć oczekiwany rezultat, zauważyć brakujący element i przewidzieć następny użyteczny krok — bez wychodzenia poza zgodę użytkownika.
Co wnosi do pracy agenta
Łączy planowanie, klasy uprawnień i weryfikację dowodów w jeden powtarzalny cykl pracy dla zadań agentowych.
Warstwa pamięci długoterminowej dla agentów i asystentów — zapamiętuje preferencje użytkownika i historię rozmów między sesjami.
Najprostszy sposób, żeby Twój agent przestał zaczynać każdą rozmowę od zera. Wpinasz w kilkanaście linii kodu.
Framework do agentów ze stanem — zarządza pamięcią krótką i długą tak, jak system operacyjny zarządza RAM-em i dyskiem.
Jeśli budujesz agenta, który ma żyć tygodniami i uczyć się użytkownika, to jest właściwa architektura.
Pamięć agentów oparta o graf wiedzy czasowy — pamięta nie tylko fakty, ale też kiedy przestały być prawdziwe.
Świetne do asystentów obsługi klienta i CRM, gdzie dane szybko się dezaktualizują.
Lekka baza wektorowa do RAG — uruchamiasz lokalnie jedną komendą i masz wyszukiwanie semantyczne po swoich dokumentach.
Najlepszy start do nauki RAG, zanim wejdziesz w rozwiązania produkcyjne.
Budowanie agentów jako grafu stanów — pełna kontrola nad pętlami, warunkami, przerwaniem i wznowieniem zadania.
Standard produkcyjny, gdy prosty „agent w pętli” przestaje wystarczać i potrzebujesz przewidywalności.
Zespoły agentów z rolami — definiujesz „researchera”, „analityka” i „copywritera”, a oni dzielą się zadaniami.
Najszybsza droga do pierwszego działającego multi-agenta, czytelna nawet dla początkujących.
Autonomiczny agent programistyczny — pisze kod, uruchamia terminal, przegląda internet i otwiera pull requesty.
Najlepsza otwarta alternatywa dla płatnych agentów kodujących. Uruchomisz lokalnie w Dockerze.
Bardzo lekki framework agentowy z pamięcią, narzędziami i wiedzą — startuje w milisekundach.
Dla tych, którym LangChain wydaje się za ciężki, a chcą mieć agenta z narzędziami w 20 liniach.
Framework Microsoftu do agentów rozmawiających ze sobą — świetny do symulacji i złożonych procesów decyzyjnych.
Dojrzały ekosystem z zapleczem badawczym i dobrą dokumentacją.
Oficjalna kolekcja serwerów Model Context Protocol — gotowe podłączenia do GitHuba, plików, baz danych, Slacka i dziesiątek innych usług.
MCP to dziś de facto standard podłączania narzędzi do agentów. Tu znajdziesz komplet gotowców.
Ponad 250 gotowych integracji dla agentów (Gmail, Notion, Linear, Slack) razem z obsługą autoryzacji użytkownika.
Oszczędza tygodnie pracy nad OAuth i obsługą API zewnętrznych narzędzi.
Pozwala agentowi realnie klikać po stronach internetowych — wypełnia formularze, zbiera dane, wykonuje zakupy testowe.
Najprostszy sposób na agenta, który działa tam, gdzie nie ma API.
Zamienia dowolną stronę WWW w czysty markdown gotowy dla modelu — radzi sobie z JS i paginacją.
Podstawowe narzędzie do budowy bazy wiedzy agenta z materiałów z sieci.
Uruchamianie modeli (Llama, Qwen, DeepSeek, Bielik) lokalnie jedną komendą — bez chmury i bez wysyłania danych.
Idealne dla firm, które nie mogą wysyłać danych do zewnętrznych API.
Silnik inferencji o wysokiej przepustowości — serwuje otwarte modele produkcyjnie na własnych GPU.
Standard, gdy przechodzisz z eksperymentu na własny hosting modelu dla wielu użytkowników.
Uruchamianie dużych modeli nawet na laptopie dzięki kwantyzacji — fundament większości lokalnych rozwiązań.
Jeśli chcesz zrozumieć, jak naprawdę działa lokalne uruchamianie LLM — zacznij tutaj.
Interfejs w stylu ChatGPT dla Twoich lokalnych modeli — konta użytkowników, RAG, historia rozmów.
Najszybszy sposób, by dać całemu zespołowi firmowy czat AI bez abonamentów.
Wizualne automatyzacje z węzłami AI — łączysz maile, arkusze, CRM i modele bez pisania kodu.
Najczęściej używane narzędzie we wdrożeniach AI w małych i średnich firmach.
Drag & drop builder aplikacji LLM — chatboty, RAG i agenci bez kodu, z eksportem do API.
Świetne do szybkiego prototypu, który pokażesz klientowi tego samego dnia.
Kompletna platforma LLMOps — buduj, testuj i wdrażaj aplikacje AI z panelem, logami i wersjonowaniem promptów.
Dla zespołów, które chcą mieć własny, hostowany odpowiednik komercyjnych platform AI.
Monitoring agentów — śledzisz każdy krok, koszt tokenów, czas odpowiedzi i jakość wyników.
Bez tego debugowanie agenta w produkcji to zgadywanie. Pierwsze narzędzie, które warto dodać.
Automatyczna ewaluacja systemów RAG — mierzy trafność, wierność źródłom i kompletność odpowiedzi.
Zamienia „wydaje się, że działa lepiej” w konkretne liczby przed wdrożeniem u klienta.
Walidacja wyjścia modelu — blokuje halucynacje, dane wrażliwe i niepoprawne formaty zanim trafią do użytkownika.
Praktyczny element zgodności z nowymi wymaganiami AI Act dotyczącymi nadzoru nad systemem.
Lekki RAG oparty na grafie wiedzy — zamiast samych embeddingów buduje relacje między faktami, dzięki czemu agent lepiej łączy informacje z wielu dokumentów.
Najlepszy wybór, gdy Twoja baza wiedzy to setki dokumentów firmowych i zwykłe wyszukiwanie wektorowe zaczyna gubić kontekst.
Framework agentowy od twórców Pydantic — typowane wejścia i wyjścia, walidacja odpowiedzi modelu i czytelne narzędzia bez magii.
Jeśli chcesz agenta produkcyjnego, który nie zwraca losowego JSON-a — walidacja jest tu wbudowana od pierwszej linijki.
Parser dokumentów od IBM — zamienia PDF-y, skany, DOCX i prezentacje w czysty Markdown lub JSON gotowy dla modelu.
80% wdrożeń RAG rozbija się o brzydkie PDF-y. Docling rozwiązuje to jedną komendą, lokalnie i bez wysyłania danych na zewnątrz.
Silnik serwowania modeli nastawiony na przepustowość — cache prefiksów, structured output i bardzo szybkie odpowiedzi przy wielu równoległych użytkownikach.
Gdy vLLM przestaje wystarczać, a Ty serwujesz własny model dla całej firmy lub produktu SaaS.
Fine-tuning modeli open source nawet 2x szybciej i przy dużo mniejszym zużyciu VRAM — Qwen, Llama, Gemma, Mistral na jednej karcie.
Najtańszy sposób, żeby nauczyć model języka Twojej firmy — działa nawet na darmowym Colabie.
Otwarta alternatywa dla Zapiera z 300+ integracjami, wbudowanym serwerem MCP i możliwością self-hostingu na własnym VPS.
Lżejszy start niż n8n, a agent może korzystać z tych samych integracji przez MCP.
Pytest dla LLM-ów — testy halucynacji, trafności odpowiedzi, jakości RAG i bezpieczeństwa, uruchamiane w CI przy każdym deployu.
Bez testów każda zmiana promptu to loteria. DeepEval daje liczby zamiast wrażeń.
