Soubory se stávají hlavním rozhraním pro AI agenty pro správu kontextu, ukládání konverzací a získávání dovedností 📁 @jerryjliu0 rozebírá, jak se programující agenti jako Claude Code a @cursor_ai centralizují kolem souborových systémů jako základních abstrakcí, odkloněných od složitých nástrojových ekosystémů: 📝 Agenti ukládají dlouhé konverzační historie do vyhledávatelných souborů, aby překonali omezení kontextového okna 🔍 Vyhledávání založené na souborech se sémantickým vyhledáváním překonává tradiční RAG vzory pro dynamické procházení kontextu ⚡ Dovednosti definované jako jednoduché soubory nahrazují složité MCP nástroje – stačí zkopírovat specifikace API do markdown souborů 🛠️ Agenti potřebují pouze ~5–10 základních nástrojů (CLI, kódový interpret, webový fetch) plus přístup k souborovému systému, aby byli vysoce schopní Výzvy, které nás čekají, zahrnují analýzu neotevřených dokumentů (PDF, Word, Excel) a škálování vyhledávání souborů do rozsáhlých kolekcí. Právě proto jsme vytvořili funkce Parse, Extract, a Sheets v LlamaCloud – abychom převedli jakýkoli formát dokumentu do kontextu připraveného pro agenta. Přečtěte si celou analýzu:

Context engineering není jen o tom, že do vašeho LLM přidáte více dat – jde o to dát mu správný kontext ve správný čas. V této přednášce pro @OReillyMedia náš inženýr pro vztahy s vývojáři @tuanacelik vysvětluje, jak paměťové bloky pomáhají vytvářet agenty, kteří udržují strukturovaný kontext pro složité úkoly. Demonstruje bloky paměti artefaktů pomocí bota pro sledování objednávek v restauraci – ukazuje, jak zredukovat celé konverzace jen na základní strukturované informace (typ pizzy, přílohy, adresa) místo zpracování celé historie chatu. Klíčové pojmy, které se zabývaly: · Různé typy paměťových bloků (statické, extrakce faktů, vektorové, artefaktové) · Správa poměru kontextu – vyvážení historie chatu, systémových promptů a paměti · Používání pracovních postupů agentů k postupnému vytváření a optimalizaci kontextu krok za krokem Příklad ukazuje, jak bloky artefaktové paměti mohou proměnit bloudavý rozhovor v čistý, strukturovaný pořadí – přesně to, co potřebujete pro produkční agenty zpracovávající skutečné úkoly. Podívejte se na celý přednášek:

Už vás nebaví zápasit s chaotickými Excelovými soubory, které rozbíjejí tradiční parsery? 📊 Připojte se k našemu workshopu 29. ledna v 11:00 PT a uvidíte, jak LlamaSheets proměňuje chaotické tabulky v čisté, AI-připravené soubory Parquet a zároveň zachovává veškerý kontext, na kterém záleží. 📈 Zvládejte složité struktury jako sloučené buňky, víceúrovňové hlavičky a vizuální formátování, které tradiční nástroje přehlížejí 🤖 Vytvářejte agenty specifické pro tabulky pro finanční analýzu, analýzu rozpočtu a automatizované reportování 💼 Podívejte se na skutečné příklady: konsolidace dat z více regionů a získávání čtvrtletních tabulek příjmů ⚡ Proměňte chaos v tabulkách na strukturovaná data jen s několika řádky kódu Projdeme praktické případy použití a ukážeme vám integrační vzory s LlamaAgents, abyste mohli budovat robustní datové procesy. Zaregistrujte se na workshop: