Låt oss finjustera OpenAI gpt-oss (100 % lokalt):

Bygg människoliknande minne för dina agenter (öppen källkod)! Varje agent- och RAG-system kämpar med kunskapsuppdateringar i realtid och snabb datahämtning. Zep löser dessa problem med sin ständigt utvecklande och tidsmedvetna Knowledge Graph. Precis som människor organiserar Zep en agents minnen i episoder, extraherar entiteter och deras relationer från dessa episoder och lagrar dem i en kunskapsgraf: (se bilden nedan när du läser) 1) Episode Subgraph: Fångar rådata med tidsstämplar och behåller varje detalj för enkel historisk uppslagning. 2) Undergraf för semantisk enhet: Extraherar entiteter (t.ex. "Alice", "Google") och fakta ("Alice arbetar på Google"). Allt är versionshanterat, så föråldrad information ersätts. 3) Community Subgraph: Grupperar relaterade enheter i kluster, med sammanfattningar för snabbare hämtning. Zep ger upp till 18,5 % högre noggrannhet med 90 % lägre latens jämfört med verktyg som MemGPT. Det är helt öppen källkod!

Företag bygger RAG över 100-tals datakällor, inte en! - Microsoft levererar den i M365-produkter. - Google skickar det i sin Vertex AI Search. - AWS skickar det i sin Amazon Q Business. Låt oss bygga en MCP-driven RAG över 200+ källor (100 % lokala):

12 MCP-, RAG- och Agents-fusklappar för AI-ingenjörer (med bilder):

Utvärdera konversations-LLM-appar som ChatGPT i 3 steg (öppen källkod). Till skillnad från uppgifter med en tur utvecklas konversationer över flera meddelanden. Detta innebär att LLM:s beteende måste vara konsekvent, kompatibelt och kontextmedvetet över varv, inte bara korrekt i enskottsutdata. I DeepEval kan du göra det med bara 3 steg: 1) Definiera ditt testfall med flera svängar som ett ConversationalTestCase. 2) Definiera ett mått med ConversationalGEval på vanlig engelska. 3) Kör utvärderingen. Färdig! Detta ger en detaljerad uppdelning av vilka konversationer som har godkänts och vilka som misslyckats, tillsammans med en poängfördelning. Dessutom får du också ett fullständigt användargränssnitt för att inspektera enskilda svängar. Det finns två bra saker med detta: - Hela pipelinen är extremt enkel att sätta upp och kräver bara några rader kod. - DeepEval är 100 % öppen källkod med ~10k stjärnor, och du kan enkelt själv vara värd för den så att din data stannar där du vill. Hitta repo i kommentarerna!

Jag byggde ett RAG-system som frågar 36M+ vektorer på <0,03 sekunder. Tekniken som används gör RAG 32x minnet effektivt! Kontrollera den detaljerade uppdelningen med kod nedan:

- Google Maps använder diagram ML för att förutsäga beräknad ankomsttid - Netflix använder grafen ML (GNN) i rekommendationen - Spotify använder graf ML (HGNNs) i rekommendationen - Pinterest använder grafen ML (PingSage) i rekommendationen Här är 6 sätt att konstruera graffunktioner (med kod) som du måste känna till:

Jag har använt Jupyter Notebooks i över 9 år nu. Här är 5 dolda funktioner som jag upptäckte som de flesta användare inte är medvetna om:

Den saknade backend för dina AI-agenter! Motia är ett enhetligt system där API:er, bakgrundsjobb, evenemang och agenter bara är plug-and-play-steg. - Python, JS och TypeScript i samma arbetsflöde - Inbyggd observerbarhet - Distribuera med ett klick 100 % öppen källkod.

En MCP-server som gör vem som helst till databasingenjör (öppen källkod)! @MongoDB har precis släppt en MCP-server som gör att AI-verktyg som Claude, Cursor och GitHub Copilot kan prata direkt med en MongoDB-distribution. Det betyder att vem som helst (teknisk eller icke-teknisk) nu kan säga: - "Visa mig de mest aktiva användarna" - "Skapa en ny databasanvändare med skrivskyddad åtkomst" - "Vad är schemat för min orderupphämtning?" ... och låt agenten ta hand om resten. Du behöver inte skriva in manuella frågor eller memorera syntax. Den här MCP-servern fungerar över: -Atlas - Community-utgåva - Avancerad företagsnivå Engelska är allt du behöver nu för att skriva frågor i produktionsklass. 100% öppen källkod! Länk i nästa tweet. Tack till #MongoDB-teamet för samarbetet idag!