Dostosujmy OpenAI gpt-oss (100% lokalnie):

Zbuduj pamięć przypominającą ludzką dla swoich Agentów (open-source)! Każdy system agentowy i RAG zmaga się z aktualizacjami wiedzy w czasie rzeczywistym oraz szybkim wyszukiwaniem danych. Zep rozwiązuje te problemy dzięki swojemu ciągle rozwijającemu się i świadomemu czasowo Grafowi Wiedzy. Podobnie jak ludzie, Zep organizuje wspomnienia Agenta w epizody, wydobywa podmioty i ich relacje z tych epizodów oraz przechowuje je w grafie wiedzy: (odnieś się do obrazu poniżej podczas czytania) 1) Podgraf Epizodu: Zbiera surowe dane z znacznikami czasowymi, zachowując każdy szczegół dla łatwego przeszukiwania historycznego. 2) Podgraf Podmiotu Semantycznego: Wydobywa podmioty (np. „Alicja”, „Google”) i fakty („Alicja pracuje w Google”). Wszystko jest wersjonowane, więc przestarzałe informacje są zastępowane. 3) Podgraf Społeczności: Grupuje powiązane podmioty w klastry, z podsumowaniami dla szybszego wyszukiwania. Zep zapewnia do 18,5% wyższą dokładność przy 90% niższej latencji w porównaniu do narzędzi takich jak MemGPT. Jest w pełni open-source!

Przedsiębiorstwa budują RAG na podstawie setek źródeł danych, a nie jednego! - Microsoft dostarcza to w produktach M365. - Google dostarcza to w swoim Vertex AI Search. - AWS dostarcza to w swoim Amazon Q Business. Zbudujmy RAG zasilany MCP na podstawie 200+ źródeł (100% lokalnie):

12 arkuszy os cheat dla inżynierów AI (z wizualizacjami):

Oceń aplikacje LLM do rozmów, takie jak ChatGPT, w 3 krokach (open-source). W przeciwieństwie do zadań jednorazowych, rozmowy rozwijają się w wielu wiadomościach. Oznacza to, że zachowanie LLM musi być spójne, zgodne i świadome kontekstu w kolejnych turach, a nie tylko dokładne w jednorazowym wyniku. W DeepEval możesz to zrobić w zaledwie 3 krokach: 1) Zdefiniuj swój przypadek testowy wieloturnowy jako ConversationalTestCase. 2) Zdefiniuj metrykę za pomocą ConversationalGEval w prostym języku angielskim. 3) Uruchom ocenę. Gotowe! To zapewni szczegółowy przegląd, które rozmowy przeszły, a które nie, wraz z rozkładem punktów. Ponadto otrzymasz pełny interfejs użytkownika do przeglądania poszczególnych tur. Są dwie dobre rzeczy na ten temat: - Cały proces jest niezwykle prosty do skonfigurowania i wymaga tylko kilku linijek kodu. - DeepEval jest w 100% open-source z ~10k gwiazdkami, a Ty możesz łatwo go hostować samodzielnie, aby Twoje dane pozostały tam, gdzie chcesz. Znajdź repozytorium w komentarzach!

Zbudowałem system RAG, który przeszukuje ponad 36 milionów wektorów w mniej niż 0,03 sekundy. Zastosowana technika sprawia, że RAG jest 32 razy bardziej efektywny pod względem pamięci! Sprawdź szczegółowe zestawienie z kodem poniżej:

- Google Maps używa ML grafowego do przewidywania ETA - Netflix używa ML grafowego (GNN) w rekomendacjach - Spotify używa ML grafowego (HGNNs) w rekomendacjach - Pinterest używa ML grafowego (PingSage) w rekomendacjach Oto 6 kluczowych sposobów na inżynierię cech grafowych (z kodem):

Używam Jupyter Notebooks od ponad 9 lat. Oto 5 ukrytych funkcji, które odkryłem, a o których większość użytkowników nie wie:

Brakujące zaplecze dla twoich agentów SI! Motia to ujednolicony system, w którym interfejsy API, zadania w tle, zdarzenia i agenci to tylko kroki typu plug-and-play. - Python, JS i TypeScript w tym samym przepływie pracy - Wbudowana obserwowalność - Wdrażanie jednym kliknięciem W 100% open-source.

Serwer MCP, który sprawia, że każdy może zostać inżynierem baz danych (open-source)! @MongoDB właśnie wydało serwer MCP, który pozwala narzędziom AI, takim jak Claude, Cursor i GitHub Copilot, rozmawiać bezpośrednio z wdrożeniem MongoDB. To oznacza, że każdy (techniczny lub nietechniczny) może teraz powiedzieć: - „Pokaż mi najbardziej aktywnych użytkowników” - „Utwórz nowego użytkownika bazy danych z dostępem tylko do odczytu” - „Jaki jest schemat mojej kolekcji zamówień?” ...i pozwolić Agentowi zająć się resztą. Nie ma potrzeby wpisywania ręcznych zapytań ani zapamiętywania składni. Ten serwer MCP działa w: - Atlas - Edycji społecznościowej - Enterprise Advanced Teraz wystarczy znać angielski, aby pisać zapytania na poziomie produkcyjnym. 100% open-source! Link w następnym tweecie. Dzięki zespołowi #MongoDB za współpracę dzisiaj!