پرش به محتوای اصلی

موضوع

عامل‌محور

Autonomous agents, tool use, planning, multi-step workflows

۶٬۲۲۵ مقاله منتشر شده

عنوان: «عامل شما، مدل نیست» — تصویری از یک ربات در حال فکر کردن، با علامت سوال بالای سر.
آموزش کاربردی

ساختار سه‌لایهٔ عامل‌های هوش مصنوعی؛ چرا مدل تنها بخشی از معادله است

اشتباه گرفتن مدل‌های زبانی با عامل‌های هوش مصنوعی منجر به طراحی سیستم‌های ناکارآمد و خطاهای دشوار در عیب‌یابی می‌شود. یک سامانهٔ عامل‌محور واقعی نیازمند تفکیک دقیق میان مدل ریاضی،…

۵ دقیقه خواندن
رباتیک ایکس‌پنگ بیش از ۹۰۰ میلیون دلار جذب سرمایه کرد با ارزش‌گذاری ۶.۳ میلیارد دلار

«تولید انبوه تا ۲۰۲۶»؛ هدف XPENG از جذب سرمایه ۹۰۰ میلیون دلاری

بخش رباتیک شرکت XPENG در اولین دور جذب سرمایه خارجی خود، ۹۰۰ میلیون دلار جذب کرد و ارزش این کسب‌وکار به ۶.۳ میلیارد دلار رسید. این سرمایه برای تسریع تولید انبوه ربات انسان‌نمای…

۵ دقیقه خواندن
نمودار عملکرد مدل‌های زبانی: مقایسه سرعت و دقت در Nemotron 3.5 Lightning و رقبا

سرمایه‌گذاری انویدیا در Perplexity با ارزش‌گذاری ۳۰ میلیارد دلاری

انویدیا در حال مذاکره برای سرمایه‌گذاری در استارتاپ Perplexity است تا ارزش این شرکت را به ۳۰ میلیارد دلار برساند. این اقدام بخشی از استراتژی انویدیا برای حمایت از شرکت‌هایی است که…

۱ دقیقه خواندن۲
دو دکمه در SolonCode Web: اجرای مجدد و ادامه — دو معنا، دو هدف
آموزش کاربردی

تفکیک دستورات Re-run و Continue در SolonCode؛ راهکاری برای مدیریت خطاهای عامل‌ها

پلتفرم SolonCode با معرفی دو مکانیسم مجزای «اجرای مجدد» و «ادامه»، تفاوت میان خطای منطقی و پاسخ‌های ناقص را در جریان‌های کاری عامل‌محور حل کرده است. این رویکرد به توسعه‌دهندگان…

۷ دقیقه خواندن۲
تصویری از یک رابط کاربری تمیز برای خلاصه روزانه اخبار توسعه‌دهندگان با هوش مصنوعی

Hex2077: تبدیل حجم انبوه اخبار به گزارشات کاربردی برای برنامه‌نویسان

پلتفرم Hex2077 برای مقابله با حجم انبوه اخبار هوش مصنوعی، سیستمی دو لایه برای پالایش داده‌ها معرفی کرد. این سامانه با جداسازی آگاهی روزانه از تحلیل‌های عمیق هفتگی، جریان هرج‌ومرج…

۳ دقیقه خواندن
صفحه راهنمای تکمیل فرم در مخزن execution-state-preflight پروژه Jang-woo-AnnaSoft در گیت‌هاب.
آموزش کاربردی

معماری جدید: انتقال چک‌لیست‌ها به بیرون، دقت عامل‌ها را تضمین می‌کند

یک معماری جدید پیشنهاد می‌دهد که شکست عامل‌های هوش مصنوعی نه به دلیل ضعف در استدلال، بلکه به دلیل تصمیم‌گیری درباره‌ی «چه چیزی پرسیده شود» است. با انتقال لیست نیازمندی‌ها به خارج…

۱۵ دقیقه خواندن۱
داده‌های باز دولتی که به شواهد قابل‌فراخوانی برای عامل‌های هوشمند تبدیل شدند، چه آسیبی دید؟
آموزش کاربردی

CivicDataForge: تبدیل داده‌های باز دولتی به شواهد قابل استناد برای عامل‌های هوش

پلتفرم CivicDataForge معماری جدیدی را برای تبدیل داده‌های ناپایدار دولتی به شواهد معتبر برای عامل‌های هوش مصنوعی معرفی کرد. این سیستم با جایگزینی پاسخ‌های صفر و یکی با یک واژگان…

۷ دقیقه خواندن۳
اجازه دسترسی کاربرمحور در ابزارهای عامل هوش مصنوعی با Node.js
آموزش کاربردی

جداسازی احراز هویت از مدل؛ راهکار Node.js برای جلوگیری از نشت داده در عامل‌ها

یک الگوی معماری جدید با تفکیک فرآیند انتخاب ابزار از مجوزهای دسترسی، مانع از نشت داده‌های حساس می‌شود. در این روش، هویت کاربر خارج از کنترل مدل تزریق می‌شود تا تزریق پرامپت نتواند…

۱۱ دقیقه خواندن۲
همراه هوش مصنوعی‌ای که واقعاً با شما بازی می‌کند ساختم
آموزش کاربردی

ترکیب NLP کلاسیک و مدل‌های کوچک؛ راهکار Varkos برای حذف تأخیر در بازی‌ها

توسعه‌دهنده‌ای به نام pkalogiros با ساخت Varkos، همراه هوشمند بازی Skyrim، توانسته است تأخیر پاسخ‌دهی را به زیر ۵۰۰ میلی‌ثانیه برساند. این سیستم با جایگزینی مدل‌های ابری با…

۱۲ دقیقه خواندن۳