Vamos ajustar o OpenAI gpt-oss (100% localmente):

Construa uma memória semelhante à humana para os seus Agentes (código aberto)! Cada sistema agentic e RAG enfrenta dificuldades com atualizações de conhecimento em tempo real e recuperação rápida de dados. O Zep resolve esses problemas com seu Grafo de Conhecimento em evolução contínua e consciente do tempo. Como os humanos, o Zep organiza as memórias de um Agente em episódios, extrai entidades e suas relações desses episódios e as armazena em um grafo de conhecimento: (refira-se à imagem abaixo enquanto lê) 1) Subgrafo de Episódio: Captura dados brutos com timestamps, retendo cada detalhe para fácil consulta histórica. 2) Subgrafo de Entidade Semântica: Extrai entidades (por exemplo, “Alice,” “Google”) e fatos (“Alice trabalha na Google”). Tudo é versionado, então informações desatualizadas são substituídas. 3) Subgrafo Comunitário: Agrupa entidades relacionadas em clusters, com resumos para recuperação mais rápida. O Zep oferece até 18,5% mais precisão com 90% menos latência quando comparado a ferramentas como o MemGPT. É totalmente de código aberto!

As empresas constroem RAG sobre centenas de fontes de dados, não apenas uma! - A Microsoft inclui isso nos produtos M365. - O Google inclui isso na sua Pesquisa Vertex AI. - A AWS inclui isso no seu Amazon Q Business. Vamos construir um RAG alimentado por MCP sobre mais de 200 fontes (100% local):

12 folhas de dicas MCP, RAG e Agentes para engenheiros de IA (com visuais):

Avalie aplicações de LLM conversacionais como o ChatGPT em 3 etapas (código aberto). Ao contrário de tarefas de turno único, as conversas se desenrolam ao longo de várias mensagens. Isso significa que o comportamento do LLM deve ser consistente, conforme e ciente do contexto ao longo dos turnos, não apenas preciso em uma saída única. No DeepEval, você pode fazer isso em apenas 3 etapas: 1) Defina seu caso de teste de múltiplos turnos como um ConversationalTestCase. 2) Defina uma métrica com ConversationalGEval em inglês simples. 3) Execute a avaliação. Pronto! Isso fornecerá uma análise detalhada de quais conversas passaram e quais falharam, juntamente com uma distribuição de pontuação. Além disso, você também obtém uma interface completa para inspecionar turnos individuais. Há duas coisas boas sobre isso: - Todo o pipeline é extremamente simples de configurar e requer apenas algumas linhas de código. - O DeepEval é 100% código aberto com ~10k estrelas, e você pode facilmente hospedá-lo você mesmo para que seus dados fiquem onde você deseja. Encontre o repositório nos comentários!

Eu construí um sistema RAG que consulta mais de 36M de vetores em <0,03 segundos. A técnica utilizada torna o RAG 32x mais eficiente em termos de memória! Confira a análise detalhada com o código abaixo:

- O Google Maps utiliza ML gráfico para prever o ETA - A Netflix utiliza ML gráfico (GNN) em recomendações - O Spotify utiliza ML gráfico (HGNNs) em recomendações - O Pinterest utiliza ML gráfico (PingSage) em recomendações Aqui estão 6 maneiras essenciais de engenharia de características gráficas (com código):

Tenho usado o Jupyter Notebooks há mais de 9 anos. Aqui estão 5 funcionalidades ocultas que descobri e que a maioria dos utilizadores não conhece:

O backend que falta para os seus AI Agents! O Motia é um sistema unificado onde APIs, trabalhos em segundo plano, eventos e agentes são apenas etapas plug-and-play. - Python, JS & TypeScript no mesmo fluxo de trabalho - Observabilidade integrada - Implantação com um clique 100% de código aberto.

Um servidor MCP que transforma qualquer pessoa em engenheiro de bases de dados (código aberto)! @MongoDB acaba de lançar um Servidor MCP que permite que ferramentas de IA como Claude, Cursor e GitHub Copilot se comuniquem diretamente com uma implementação do MongoDB. Isso significa que qualquer pessoa (técnica ou não técnica) pode agora dizer: - "Mostre-me os usuários mais ativos" - "Crie um novo usuário de base de dados com acesso somente leitura" - "Qual é o esquema da minha coleção de pedidos?" ...e deixe o Agente cuidar do resto. Não há necessidade de digitar consultas manuais ou memorizar sintaxe. Este servidor MCP funciona em: - Atlas - Edição Comunitária - Enterprise Advanced Inglês é tudo o que você precisa agora para escrever consultas de nível de produção. 100% código aberto! Link no próximo tweet. Obrigado à equipe do #MongoDB por fazer parceria hoje!