La oss finjustere OpenAI gpt-oss (100 % lokalt):

Bygg menneskelignende minne for agentene dine (åpen kildekode)! Hvert agent- og RAG-system sliter med kunnskapsoppdateringer i sanntid og rask datainnhenting. Zep løser disse problemene med sin kontinuerlig utviklende og tidsbevisste Knowledge Graph. Som mennesker organiserer Zep en agents minner i episoder, trekker ut enheter og deres relasjoner fra disse episodene, og lagrer dem i en kunnskapsgraf: (se bildet nedenfor mens du leser) 1) Episodeundergraf: Fanger opp rådata med tidsstempler, og beholder alle detaljer for enkelt historisk oppslag. 2) Undergraf for semantisk entitet: Trekker ut enheter (f.eks. «Alice», «Google») og fakta («Alice jobber i Google»). Alt er versjonert, så utdatert informasjon blir erstattet. 3) Fellesskapsgraf: Grupperer relaterte enheter i klynger, med sammendrag for raskere gjenfinning. Zep leverer opptil 18,5 % høyere nøyaktighet med 90 % lavere ventetid sammenlignet med verktøy som MemGPT. Det er fullstendig åpen kildekode!

Bedrifter bygger RAG over 100-vis av datakilder, ikke én! - Microsoft leverer den i M365-produkter. - Google sender den i sitt Vertex AI Search. - AWS sender den i sin Amazon Q Business. La oss bygge en MCP-drevet RAG over 200+ kilder (100 % lokale):

12 jukseark for MCP-, RAG- og agenter for AI-ingeniører (med visuelle elementer):

Evaluer samtale-LLM-apper som ChatGPT i 3 trinn (åpen kildekode). I motsetning til enkeltsvingsoppgaver, utspiller samtaler seg over flere meldinger. Dette betyr at LLMs oppførsel må være konsistent, kompatibelt og kontekstbevisst på tvers av svinger, ikke bare nøyaktig i one-shot-utgang. I DeepEval kan du gjøre det med bare 3 trinn: 1) Definer testcasen med flere svinger som en ConversationalTestCase. 2) Definer en beregning med ConversationalGEval på vanlig engelsk. 3) Kjør evalueringen. Gjort! Dette vil gi en detaljert oversikt over hvilke samtaler som ble bestått og hvilke som mislyktes, sammen med en poengfordeling. Dessuten får du også et fullstendig brukergrensesnitt for å inspisere individuelle svinger. Det er to gode ting med dette: - Hele rørledningen er ekstremt enkel å sette opp og krever bare noen få linjer med kode. - DeepEval er 100% åpen kildekode med ~10k stjerner, og du kan enkelt være vert for den selv slik at dataene dine forblir der du vil. Finn repoen i kommentarfeltet!

Jeg bygde et RAG-system som spør 36M+ vektorer på <0,03 sekunder. Teknikken som brukes gjør RAG 32x minne effektivt! Sjekk den detaljerte oversikten med kode nedenfor:

- Google Maps bruker graf ML for å forutsi forventet ankomsttid - Netflix bruker graf ML (GNN) i anbefaling - Spotify bruker graf ML (HGNN) i anbefaling - Pinterest bruker graf ML (PingSage) i anbefaling Her er 6 må-vite måter for graffunksjonsteknikk (med kode):

Jeg har brukt Jupyter Notebooks i over 9 år nå. Her er 5 skjulte funksjoner jeg oppdaget som de fleste brukere ikke er klar over:

Den manglende backend for AI-agentene dine! Motia er et enhetlig system der APIer, bakgrunnsjobber, arrangementer og agenter bare er plug-and-play-trinn. - Python, JS og TypeScript i samme arbeidsflyt - Innebygd observerbarhet - Distribuer med ett klikk 100 % åpen kildekode.

En MCP-server som gjør hvem som helst til databaseingeniør (åpen kildekode)! @MongoDB har nettopp gitt ut en MCP-server som lar AI-verktøy som Claude, Cursor og GitHub Copilot snakke direkte med en MongoDB-distribusjon. Det betyr at hvem som helst (teknisk eller ikke-teknisk) nå kan si: - "Vis meg de mest aktive brukerne" - "Opprett en ny databasebruker med skrivebeskyttet tilgang" - «Hva er skjemaet for bestillingssamlingen min?» ... og la agenten ta seg av resten. Du trenger ikke å skrive inn manuelle spørringer eller huske syntaks. Denne MCP-serveren fungerer på tvers av: -Atlas - Fellesskapsutgave - Avansert virksomhet Engelsk er alt du trenger nå for å skrive spørringer i produksjonskvalitet. 100% åpen kildekode! Lenke i neste tweet. Takk til #MongoDB-teamet for å samarbeide i dag!