Pojďme doladit OpenAI gpt-oss (100% lokálně):

Vybudujte pro své agenty paměť podobnou lidské (open-source)! Každý agentní a RAG systém se potýká s aktualizacemi znalostí v reálném čase a rychlým načítáním dat. Zep tyto problémy řeší pomocí svého neustále se vyvíjejícího a časově orientovaného Knowledge Graph. Stejně jako lidé, Zep organizuje vzpomínky Agenta do epizod, extrahuje z nich entity a jejich vztahy a ukládá je do znalostního grafu: (při čtení se podívejte na obrázek níže) 1) Podgraf epizody: Zachycuje nezpracovaná data s časovými razítky a zachovává každý detail pro snadné vyhledávání v historii. 2) Podgraf sémantických entit: Extrahuje entity (např. "Alice", "Google") a fakta ("Alice pracuje ve společnosti Google"). Vše je verzované, takže zastaralé informace jsou nahrazovány. 3) Podgraf komunity: Seskupuje související entity do shluků se souhrny pro rychlejší vyhledávání. Zep poskytuje až o 18,5 % vyšší přesnost s o 90 % nižší latencí ve srovnání s nástroji, jako je MemGPT. Je to plně open-source!

Podniky vytvářejí RAG více než 100 datových zdrojů, ne jeden! - Microsoft jej dodává v produktech M365. - Google jej dodává ve svém vyhledávání Vertex AI. - AWS jej dodává ve svém Amazon Q Business. Vytvořme RAG poháněný MCP přes 200+ zdrojů (100% lokálních):

12 taháků MCP, RAG a Agents pro inženýry AI (s vizuálními prvky):

Vyhodnoťte konverzační aplikace LLM, jako je ChatGPT, ve 3 krocích (open-source). Na rozdíl od úkolů s jedním otočením se konverzace odvíjejí ve více zprávách. To znamená, že chování LLM musí být konzistentní, vyhovující a kontextově uvědomělé napříč tahy, nejen přesné v jednorázovém výstupu. V DeepEval to můžete udělat pomocí pouhých 3 kroků: 1) Definujte svůj víceotáčkový testovací případ jako ConversationalTestCase. 2) Definujte metriku pomocí ConversationalGEval v jednoduché angličtině. 3) Spusťte vyhodnocení. Hotový! To poskytne podrobný rozpis toho, které konverzace proběhly úspěšně a které neúspěšně, spolu s rozdělením skóre. Navíc získáte také plné uživatelské rozhraní pro kontrolu jednotlivých zatáček. Na tom jsou dvě dobré věci: - Celá pipeline je extrémně jednoduchá na nastavení a vyžaduje jen pár řádků kódu. - DeepEval je 100% open-source s ~10 tisíci hvězdičkami a můžete jej snadno hostovat, takže vaše data zůstanou tam, kde chcete. Repo najdete v komentářích!

Vytvořil jsem systém RAG, který se dotazuje 36M+ vektorů za <0,03 sekundy. Díky použité technice je paměť RAG 32x efektivní! Podívejte se na podrobný rozpis s níže uvedeným kódem:

- Mapy Google používají k předpovídání odhadovaného času příjezdu graf ML - Netflix v doporučení používá graph ML (GNN) - Spotify používá v doporučení grafové ML (HGNN) - Pinterest používá v doporučení graf ML (PingSage) Zde je 6 způsobů, které musíte vědět pro vytváření funkcí grafů (s kódem):

Jupyter Notebooks používám již více než 9 let. Zde je 5 skrytých funkcí, které jsem objevil a o kterých většina uživatelů neví:

Chybějící backend pro vaše AI agenty! Motia je jednotný systém, kde API, úlohy na pozadí, události a agenti jsou jen kroky plug-and-play. - Python, JS a TypeScript ve stejném pracovním postupu - Vestavěná pozorovatelnost - Nasazení jedním kliknutím 100% open-source.

MCP server, který z každého udělá databázového inženýra (open-source)! Právě @MongoDB vydali MCP Server, který umožňuje nástrojům umělé inteligence, jako jsou Claude, Cursor a GitHub Copilot, komunikovat přímo s nasazením MongoDB. To znamená, že kdokoli (technický i netechnický) nyní může říci: - "Zobrazit nejaktivnější uživatele" - "Vytvořit nového uživatele databáze s přístupem pouze pro čtení" - "Jaké je schéma pro inkaso objednávek?" ... a o zbytek se postará agent. Není třeba zadávat ruční dotazy ani se učit syntaxi nazpaměť. Tento MCP server funguje napříč: -Atlas - Komunitní edice - Podnikové pokročilé Angličtina je vše, co nyní potřebujete k psaní dotazů na produkční úrovni. 100% open-source! Odkaz v dalším tweetu. Děkujeme týmu #MongoDB za dnešní partnerství!