Finjustering av LLM-agenter uten finjustering av LLM-er! Tenk deg å forbedre AI-agentens ytelse fra erfaring uten å berøre modellvektene. Det er akkurat som hvordan mennesker husker tidligere episoder og lærer av dem. Det er nettopp det Memento gjør. Kjernekonseptet: I stedet for å oppdatere LLM-vekter, lærer Memento av erfaringer med å bruke hukommelse. Den omformulerer kontinuerlig læring som minnebasert online forsterkende læring over en minneforsterket MDP. Tenk på det som å gi agenten din en notatbok for å huske hva som fungerte og hva som ikke fungerte Hvordan virker det? Systemet brytes ned i to nøkkelkomponenter: 1️⃣ Saksbasert resonnement (CBR) på jobben: Dekomponerer komplekse oppgaver i deloppgaver og henter frem relevante tidligere erfaringer. Ingen gradienter nødvendig, bare smart minnehenting! 2️⃣ Utførende Utfører hver deloppgave ved hjelp av MCP-verktøy og registrerer resultater i minnet for fremtidig referanse. Gjennom MCP kan utføreren utføre de fleste virkelige oppgaver og har tilgang til følgende verktøy: 🔍 Nettundersøkelser 📄 Dokumenthåndtering 🐍 Sikker Python-kjøring 📊 Analyse av data 🎥 Mediebehandling Jeg syntes dette var en veldig god vei mot å bygge menneskelignende agenter. 👉 Over til deg, hva er dine tanker? Jeg har delt de relevante lenkene i neste tweet! _____ Del dette med nettverket ditt hvis du syntes dette var innsiktsfullt ♻️ Finn meg → @akshay_pachaar for mer innsikt og opplæringer om kunstig intelligens og maskinlæring!

Jeg økte ytelsen til AI-agenten min med 184 % Ved hjelp av en fullstendig åpen kildekode, automatisk teknikk Her er en oversikt (med kode):

4 treningsparadigmer for maskinlæring, forklart visuelt: - Overføre læring - Finjustering - Læring med flere oppgaver - Føderert læring

Etter MCP, A2A OG AG-UI er det en annen agentprotokoll. Den er fullstendig åpen kildekode og lansert av IBM Research. Her er en fullstendig oversikt (med kode):

En illustrert guide til AI-agenter! Vi publiserte nylig en veiledning om AI-agenter. Den dekker: - Grunnleggende om agenter - Agentiske designmønstre - Byggesteiner for en agent - Bygge tilpassede verktøy via MCP - 12 praktiske prosjekter for AI-ingeniører Last ned lenke i neste tweet.

Et mini-lynkurs i MCP! I går publiserte jeg en guide som dekker: - Hva MCP er - Hvordan bygge din egen MCP-server - Hvordan lage en 100 % lokal MCP-klient - Bruke dette til å kontrollere og automatisere hvilken som helst nettleser Trinn-for-trinn-veiledning... 👇

La oss bygge en MCP-server (100% lokal):

En enkel teknikk gjør RAG opptil 40 ganger raskere og 32 ganger minneeffektiv! - Perplexity bruker det i søkeindeksen - Google bruker den i Vertex RAG-motor - Azure bruker det i søkesamlebåndet La oss forstå hvordan du bruker det i et RAG-system (med kode):

Dagens AI Agent-arkitekturer (ReAct, Plan-then-Act, etc) produserer for mange feil svar. Vår nye benchmark bekrefter dette, og evaluerer 5 populære agentarkitekturer i multi-hop spørsmålssvar. Vi la deretter til tillitspoeng i sanntid til hver enkelt, noe som reduserte feil svar på tvers av alle agenttyper: fra Act med 56 %, fra ReAct (Zero-shot) med 56 %, fra ReAct (Few-shot) med 16 %, fra PlanAct med 25 % og fra PlanReAct med 10 %. Hvis du ikke kan tolerere AI-feil, fungerer tillitspoengsum for alle AI-agenter og er bare et par linjer med kode. Sjekk ut hele referansen her:

Første prinsipper tilnærming til MLOps! MadeWithML er det beste stedet å lære å kombinere AI/ML med programvareteknikk for å bygge løsninger av produksjonskvalitet. Disse grunnleggende er også direkte anvendelige for LLMOp-er. 100 % gratis og åpen kildekode.