Давайте доопрацюємо OpenAI gpt-oss (100% локально):

Створюйте людську пам'ять для своїх агентів (з відкритим вихідним кодом)! Кожна агентна та RAG-система бореться з оновленням знань у режимі реального часу та швидким пошуком даних. Zep вирішує ці проблеми за допомогою свого Графа знань, який постійно розвивається і враховує час. Як і люди, Zep організовує спогади Агента в епізоди, витягує сутності та їхні відносини з цих епізодів і зберігає їх у графі знань: (під час читання зверніться до зображення нижче) 1) Підграф епізоду: фіксує необроблені дані з часовими позначками, зберігаючи кожну деталь для легкого пошуку за історичними даними. 2) Підграф семантичних сутностей: витягує сутності (наприклад, "Аліса", "Google") і факти ("Аліса працює в Google"). Все перероблено за версіями, тому застаріла інформація замінюється. 3) Підграф спільноти: групує пов'язані сутності в кластери зі зведеннями для швидшого пошуку. Zep забезпечує до 18,5% вищу точність із 90% нижчою затримкою порівняно з такими інструментами, як MemGPT. Він повністю з відкритим вихідним кодом!

Підприємства створюють RAG понад 100 джерел даних, а не один! - Корпорація Майкрософт поставляє його в продуктах M365. - Google надсилає його у своєму пошуку Vertex AI Search. - AWS постачає його у своєму бізнесі Amazon Q. Давайте створимо RAG на базі MCP з 200+ джерел (100% локальні):

12 шпаргалок MCP, RAG та Agents для AI-інженерів (з візуалами):

Оцініть розмовні програми LLM, такі як ChatGPT, у 3 кроки (з відкритим вихідним кодом). На відміну від одноходових завдань, розмови розгортаються в кілька повідомлень. Це означає, що поведінка LLM має бути послідовною, відповідною та контекстно-залежною для всіх ходів, а не лише точною при одноразовому виведенні. У DeepEval ви можете зробити це всього за 3 кроки: 1) Визначте свій багатооборотний тест-кейс як ConversationalTestCase. 2) Визначте метрику за допомогою ConversationalGEval простою англійською мовою. 3) Проведіть оцінювання. Зробити! Це надасть детальну розбивку того, які розмови пройшли, а які ні, а також розподіл балів. Крім того, ви також отримуєте повноцінний інтерфейс користувача для перевірки окремих поворотів. У цьому є дві хороші речі: - Весь пайплайн надзвичайно простий у налаштуванні та вимагає лише кількох рядків коду. - DeepEval на 100% відкритий з ~10 тисячами зірок, і ви можете легко розмістити його самостійно, щоб ваші дані залишалися там, де ви хочете. Знайдіть репозиторій у коментарях!

Я побудував систему RAG, яка запитує вектори 36M+ за <0,03 секунди. Використана техніка робить пам'ять RAG 32x ефективною! Ознайомтеся з детальною розбивкою з кодом нижче:

- Google Maps використовує графічний машинне навчання для прогнозування ETA - Netflix використовує графік ML (GNN) у рекомендаціях - Spotify використовує графік ML (HGNNs) у рекомендаціях - Pinterest використовує графік машинного навчання (PingSage) у рекомендаціях Ось 6 обов'язкових способів інженерії графічних функцій (з кодом):

Я використовую Jupyter Notebooks вже понад 9 років. Ось 5 прихованих функцій, про які я виявив, і про які більшість користувачів не знають:

Відсутній бекенд для ваших AI Agents! Motia — це уніфікована система, де API, фонові завдання, події та агенти — це просто кроки plug-and-play. - Python, JS і TypeScript в одному робочому процесі - Вбудована спостережливість - Розгортання в один клік 100% відкритий вихідний код.

MCP-сервер, який робить будь-кого інженером баз даних (з відкритим вихідним кодом)! @MongoDB щойно випустили MCP-сервер, який дозволяє інструментам штучного інтелекту, таким як Claude, Cursor і GitHub Copilot, спілкуватися безпосередньо з розгортанням MongoDB. Це означає, що будь-хто (технічний чи нетехнічний) тепер може сказати: - "Покажіть мені найактивніших користувачів" - "Створення нового користувача бази даних з доступом лише для читання" - "Яка схема збору моїх замовлень?" ... а решту нехай Агент зробить сам. Не потрібно вводити ручні запити або запам'ятовувати синтаксис. Цей MCP-сервер працює врозріз: -Атлас - Видання для спільноти - Корпоративний розширений Англійська – це все, що вам зараз потрібно, щоб писати запити виробничого рівня. 100% відкритий вихідний код! Посилання в наступному твіті. Дякуємо команді #MongoDB за партнерство сьогодні!