Comment @11xAIbuild a construit Alice, l'IA SDR 🚀 L'intégration des SDR peut prendre beaucoup de temps, 11x a réduit ce délai à quelques jours en résolvant un défi critique : faire en sorte que l'IA comprenne des documents d'entreprise complexes comme le font les humains. 𝗟𝗮 𝗿𝗲𝗽𝗲𝗿𝗲 : Ingestion et analyse de documents multi-modaux utilisant LlamaParse ✅ PDFs, PowerPoints et toutes sortes de documents - tous analysés automatiquement et rendus lisibles pour les LLMs ✅ Contrôle d'analyse détaillé pour les tableaux, images et données non structurées La capacité de LlamaParse à gérer divers types de fichiers avec précision, plus des outils orientés développeur qui permettent à 11x de se concentrer sur la construction de leur agent, et non sur l'infrastructure d'analyse. Vous voulez le décryptage technique complet ? 📖 Lisez l'étude de cas : 🎥 Regardez l'analyse technique de l'équipe lors du dernier @aiDotEngineer :

En utilisant @claudeai, vous avez maintenant des résultats de recherche sous forme de blocs de contenu, apportant des citations aux applications d'agent - plus besoin de solutions de contournement documentaires ! 𝙍𝙚𝙨𝙪𝙡𝙩𝙖𝙩𝙨 𝙙𝙚 𝙧𝙚𝙘𝙝𝙚𝙧𝙘𝙝𝙚 𝙖𝙨 𝙗𝙡𝙤𝙘𝙨 𝙙𝙚 𝙘𝙤𝙣𝙩𝙚𝙣𝙪𝙚 par @AnthropicAI permet une attribution correcte des sources pour les résultats des appels d'outils, correspondant à la qualité de citation que vous obtenez grâce à la fonctionnalité de recherche sur le web : 🔗 Citations naturelles avec attribution de source et de titre liées à des appels d'outils spécifiques ⚡ Disponible sur Claude Opus 4.1, Claude Sonnet 4, et d'autres derniers modèles via Anthropic et Google Vertex AI 🛠️ Nous avons déjà intégré cela dans LlamaIndex avec un support complet pour les résultats d'outils citables et les flux de travail des agents Lisez la documentation officielle : Commencez avec l'intégration de LlamaIndex :

Améliorez la précision de récupération en rerankant vos résultats PDF LlamaParse avec les rerankers @ZeroEntropy_AI 📊 Découvrez comment améliorer votre pipeline de recherche de documents avec des techniques de reranking qui augmentent significativement les scores de pertinence pour de meilleures réponses AI. 🎯 Combinez l'extraction avancée de PDF de LlamaParse avec des modèles de reranking pour faire ressortir les morceaux les plus pertinents 📈 Implémentez le reranking sémantique avec 𝙯𝙚𝙧𝙖𝙣𝙠-1 pour améliorer la qualité de récupération au-delà de la recherche de similarité de base ⚡ Comparez les résultats avant et après le reranking pour voir des améliorations mesurables dans la qualité des réponses LlamaParse gère des structures PDF complexes tandis que le reranking garantit que vos utilisateurs obtiennent les informations les plus pertinentes à chaque fois. Consultez le tutoriel complet :

Construisez des agents IA en temps réel capables de traiter des données vocales en direct lors des réunions @Zoom en utilisant RTMS et LlamaIndex 🎙️🤖 Rejoignez-nous pour un atelier technique pratique le 14 août où vous apprendrez à créer des systèmes IA de production qui fonctionnent avec de l'audio en streaming : 🔗 Configurez Zoom RTMS pour capturer l'audio en direct 📊 Utilisez des morceaux de transcription comme contexte pour LLM 🧠 Construisez des agents intelligents et réactifs capables de résumer des conversations, de détecter des intentions, de créer des éléments d'action et des notes de réunion Rejoignez @ojusave et @tuanacelik pour un plan complet d'orchestration LLM avec des données vocales en direct. Inscrivez-vous à l'atelier : Jeu, 14 août 2025 18:00 CEST

Bonjour GPT-5 ! @OpenAI vient d'annoncer son dernier modèle 🔥 Nous avons un support dès le jour 0 : 𝗽𝗶𝗽 𝗶𝗻𝘀𝘁𝗮𝗹𝗹 -𝗨 𝗹𝗹𝗮𝗺𝗮-𝗶𝗻𝗱𝗲𝘅-𝗹𝗹𝗺𝘀-𝗼𝗽𝗲𝗻𝗮𝗶 GPT-5 peut-il trouver un trésor dans un labyrinthe ? Essayez-le avec Agent Maze : un agent avec des outils minimaux, chargé de résoudre un labyrinthe (que nous générons). Nous le testons ensuite pour le temps et le nombre d'appels d'outils. Essayez Agent Maze : Et commencez avec LlamaIndex & GPT-5 :

Créez des applications d'IA d'entreprise avec LlamaCloud Index et connectez-les à des agents d'appel d'outils intelligents capables de gérer des requêtes complexes et multi-étapes. Ce tutoriel de @seldo vous guide à travers la création de votre premier LlamaCloud Index, en utilisant des documents bancaires de JP Morgan Chase et en construisant un agent capable de raisonner à travers plusieurs sources de données : 🏦 Configurez LlamaCloud Index pour analyser et indexer des documents PDF denses comme des contrats bancaires et des grilles tarifaires 🤖 Créez des agents multi-outils en utilisant notre abstraction Workflows qui peuvent interroger vos données indexées aux côtés d'autres fonctions 💰 Gérez des scénarios complexes comme le calcul des frais bancaires sur plusieurs transactions et périodes 📊 Diffusez le raisonnement de l'agent en temps réel pour voir exactement comment votre système d'IA traite des problèmes multi-étapes L'agent traite avec succès un scénario bancaire complexe impliquant des calculs de découvert, des évaluations de frais et des délais - démontrant comment LlamaCloud Index s'intègre parfaitement aux flux de travail agentiques construits sur notre cadre open source. 📹 Regardez le walkthrough complet : 📖 Commencez avec le tutoriel :

🤖 @AnthropicAI vient de lancer Claude Opus 4.1 et nous avons un support dès le premier jour pour cela, il vous suffit d'exécuter : 𝘱𝘪𝘱 𝘪𝘯𝘴𝘵𝘢𝘭𝘭 -𝘜 𝘭𝘭𝘢𝘮𝘢-𝘪𝘯𝘥𝘦𝘹-𝘭𝘭𝘮𝘴-𝘢𝘯𝘵𝘩𝘳𝘰𝘱𝘪𝘤 Vous êtes curieux d'essayer avec LlamaIndex ? Consultez notre carnet d'exemples :

Prêt à voir comment les agents de documents gèrent des documents financiers désordonnés ? Notre prochain webinaire dans seulement 1️⃣ semaine vous montre exactement comment construire des systèmes qui fonctionnent avec les documents complexes et multimodaux auxquels les équipes financières font face chaque jour : 📊 Construisez des agents de documents en utilisant le moteur de parsing de niveau entreprise de LlamaCloud qui gère les tableaux imbriqués, les graphiques et les formats incohérents dans les 10-K et les rapports de résultats 🤖 Mettez en place des flux de travail automatisés de bout en bout avec l'orchestration agentique de LlamaIndex pour un traitement de documents sans faille 💼 Implémentez des cas d'utilisation réels comme l'analyse des dépôts SEC, l'évaluation des risques de portefeuille et le reporting de conformité avec des pipelines intelligents ⚡ Allez au-delà des limitations de l'OCR traditionnel pour extraire des données exploitables à partir de documents financiers non structurés Rejoignez @tuanacelik et l'équipe de LlamaIndex, le 12 août à 9h PST :

Que vous souhaitiez discuter avec votre terminal ou ajouter un assistant vocal à votre application web, nous avons ce qu'il vous faut avec notre intégration Gemini Live, désormais disponible en TypeScript ! 👇 Découvrez la démo ci-dessous, où @itsclelia vous montre comment configurer et exécuter un simple chat terminal - mais si vous êtes très impatient de l'essayer, vous pouvez simplement exécuter 𝘯𝘱𝘹 @𝘤𝘭𝘦-𝘥𝘰𝘦𝘴-𝘵𝘩𝘪𝘯𝘨𝘴/𝘭𝘪𝘷𝘦-𝘤𝘩𝘢𝘵 🏃 📚 En savoir plus sur LlamaIndex TS : ⭐ Étoilez le code de démo sur GitHub :

La plus grande barrière à la mise en production d'agents IA autonomes n'est pas la capacité, mais la fiabilité. Bien que les démonstrations mettent en avant un comportement autonome impressionnant, la plupart des organisations rencontrent des difficultés lorsque les agents font face aux réalités complexes des environnements d'entreprise. Les boucles pilotées par des jetons dérivent de manière imprévisible, les fenêtres de contexte se polluent, et la gestion des états échoue à travers les sessions. 🏭 La gestion d'état persistante de @MongoDB garantit que les agents conservent un contexte complet lors des redémarrages et des pannes du système. 🧠 Nos systèmes de récupération intelligents éliminent la pollution du contexte en apprenant quelles informations historiques s'avèrent précieuses. ⚙️ Les flux de travail LlamaIndex permettent un contrôle déterministe au sein de l'opération autonome, offrant une auditabilité sans sacrifier l'adaptabilité. 📈 La validation réelle de @cemex montre que les cycles de développement passent de trois semaines à moins d'un jour. L'avenir ne consiste pas à choisir entre intelligence et fiabilité : il s'agit de construire des agents autonomes sur une infrastructure suffisamment fiable pour soutenir un fonctionnement véritablement indépendant. Lorsque la gestion d'état persistante converge avec des cadres d'agents intelligents, les organisations peuvent enfin déployer des agents qui fonctionnent de manière cohérente en production. Lisez comment @MongoDB et LlamaIndex résolvent la crise de fiabilité des agents autonomes :