https://github.com/bosun-ai/kwaak

Kwaak by Bosun.ai is an open-source tool that employs autonomous AI agents to tackle technical debt by automating tasks such as testing, linting, and code refactoring. Users interact with Kwaak through a chat-like terminal interface, assigning tasks to AI agents that execute them within isolated Docker containers, ensuring a secure and controlled environment. The agents are capable of running tests, performing coverage checks, and applying linting to the codebase. After completing their tasks, they can automatically commit and push code changes to the remote repository, with the option to create pull requests for further review. ​

Kwaak от Bosun.ai — это инструмент с открытым исходным кодом, использующий автономных ИИ-агентов для решения задач технического долга путем автоматизации таких процессов, как тестирование, линтинг и рефакторинг кода. Пользователи взаимодействуют с Kwaak через интерфейс терминала, похожий на чат, назначая задачи ИИ-агентам, которые выполняют их в изолированных Docker-контейнерах, обеспечивая безопасную и контролируемую среду. Агенты способны запускать тесты, выполнять проверки покрытия и применять линтинг к кодовой базе. После завершения задач они могут автоматически фиксировать и отправлять изменения кода в удаленный репозиторий с возможностью создания pull-запросов для дальнейшего рассмотрения. ​

Чтобы начать работу, пользователи могут выполнить команду kwaak init в каталоге своего проекта, что инициирует процесс настройки и помогает в создании файла конфигурации. После настройки запуск kwaak индексирует кодовую базу и запускает интерфейс чата, позволяя взаимодействовать с ИИ-агентами. Kwaak поддерживает настройку, позволяя пользователям конфигурировать различные большие языковые модели (LLM) для задач, таких как индексирование, запросы и встраивание, чтобы оптимизировать производительность и точность. Он также предоставляет возможности настройки команд для тестирования, покрытия и линтинга, специфичных для языка программирования проекта. ​

С точки зрения реализации, Kwaak разработан на языке Rust, известном своими характеристиками производительности и безопасности, и использует библиотеку Swiftide для обеспечения быстрой загрузки данных, их преобразования и индексирования для эффективного выполнения запросов и внедрения подсказок. Кодовая база структурирована для поддержки модульности и расширяемости, что позволяет интегрировать различные LLM и поставщиков хранилищ. Проект находится в стадии активной разработки, и последние обновления направлены на улучшение времени сборки Docker, повышение фокусировки задач агентов и оптимизацию конфигураций инструментов. Качество кода поддерживается посредством практик непрерывной интеграции, включая автоматическое тестирование и линтинг, что обеспечивает надежность и удобство сопровождения.

https://github.com/dstackai/dstack

dstack is an open-source platform that simplifies AI workload orchestration across multi-cloud and on-premises environments. [tldr; k8s alternative, vllm orchestrator]

Pros:

AI-Centric Design: Tailored specifically for AI tasks, dstack offers an intuitive experience compared to general-purpose orchestrators.

Multi-Cloud and On-Prem Support: Integrates seamlessly with various cloud providers and on-premises servers, offering flexibility in resource management.

Ease of Setup: Requires minimal configuration, allowing quick environment setup without the complexity of platforms like Kubernetes.

Cons:

Maturity and Community Support: As a newer tool, dstack may lack the extensive community support found with established platforms like Kubernetes.

Feature Set Limitations: While optimized for AI workloads, dstack might lack some advanced features found in general-purpose orchestrators, potentially limiting its applicability in non-AI scenarios.

Comparison with Docker and Kubernetes:

Docker: Focuses on building and running individual containers. dstack complements Docker by managing and orchestrating these containers specifically for AI workloads, offering features like native accelerator support and simplified deployment.

Kubernetes: Designed to manage complex, distributed applications at scale, Kubernetes can introduce unnecessary complexity for AI-specific tasks.

Integration with vLLM:

dstack can deploy models using vLLM, a high-throughput and memory-efficient inference and serving engine for large language models (LLMs). This integration allows for efficient AI model serving across various environments.

https://github.com/questdb/questdb

//gud for ohlcv, trading data, will share later review after running in prod soon

QuestDB is the fastest growing open-source time-series database offering blazingly fast, high throughput ingestion and dynamic, low-latency SQL queries. The entire high-performance codebase is built from the ground up in Java, C++ and Rust with no dependencies and zero garbage collection.

QuestDB achieve high performance via a column-oriented storage model, parallelized vector execution, SIMD instructions, and low-latency techniques. In addition, it is hardware efficient, with quick setup and operational efficiency.

https://github.com/cosmoscout/cosmoscout-vr

🌌 A virtual universe which lets you explore, analyze and present huge planetary datasets and large simulation data in real-time.

CosmoScout VR is a modular virtual universe developed at the German Aerospace Center (DLR). It lets you explore, analyze and present huge planetary data sets and large simulation data in real-time.

https://github.com/openSVM/tornado-svm
tornado cash on solana