پرش به محتوای اصلی

موضوع

عامل‌محور

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

۶٬۲۴۰ مقاله منتشر شده

عامل هوش مصنوعی من در روز اول نتیجه‌ای ۵ سیگما یافت. من آن را حذف کردم.

تلهٔ دقتِ ساختگی؛ چرا عامل‌های هوش مصنوعی نتایجِ غلط اما متقاعدکننده می‌سازند؟

تجربه یک توسعه‌دهنده از عامل‌های پژوهشی خودکار نشان می‌دهد که این سیستم‌ها می‌توانند نتایجی با دقت آماری بالا تولید کنند که در واقع حاصل باگ‌های پنهان هستند. این مورد هشدار می‌دهد…

۴ دقیقه خواندن
۱۲ گردش کار خودکارسازی هوش مصنوعی عملی که بدون شروع از صفر می‌توانید بسازید
آموزش کاربردی

۱۲ گردش‌کار اتوماسیون AI برای جایگزینی وظایف تکراری و دستی

یک چارچوب عملیاتی جدید، کاربرد هوش مصنوعی را از پرامپت‌های تک‌مرحله‌ای به سامانه‌های تکرارپذیر تغییر می‌دهد. با اتصال مدل‌ها به ابزارهای موجود، می‌توان همه چیز از مدیریت ورودی‌های…

۹ دقیقه خواندن۳
هوش مصنوعی در جستجوی مواد جدید برای تراشه‌های خنک‌تر

استارتاپ Discovered Materials با عامل‌های AI به جنگ گرمای تراشه‌ها رفت

استارتاپ Discovered Materials با ترکیب مدل‌های فیزیک و دسته‌هایی از عامل‌های هوش مصنوعی، به دنبال یافتن موادی برای کاهش گرمای نیمه‌هادی‌ها است. این شرکت ۹ میلیون دلار سرمایه برای…

۴ دقیقه خواندن۲
معرفی Muse Glimmer: مدل عاملی متن‌باز که روی دستگاه شما اجرا می‌شود
آموزش کاربردی

مدل Muse Glimmer متا: اجرای عامل‌های ۳۰ میلیارد پارامتری روی GPUهای خانگی

متا مدل Muse Glimmer را به عنوان یک مدل وزن‌باز ۳۰ میلیارد پارامتری برای اجرای محلی عامل‌های هوش مصنوعی منتشر کرد. این مدل با استفاده از کوانتش ۴ بیتی و رمزگشایی گمانه‌زنانه، روی…

۶ دقیقه خواندن۲
چارچوب R.A.H.S.I.: هوش مصنوعی دستورالعمل‌ها را اجرا کرد؛ شواهد اطمینان کجاست؟
آموزش کاربردی

شکاف میان تست و تضمین؛ دلیل شکست مقیاس‌پذیری عامل‌های هوش مصنوعی در سازمان‌ها

اجرای دستورات به معنای کنترل‌پذیری سیستم نیست. چارچوب R.A.H.S.I استدلال می‌کند که سازمان‌ها برای مقیاس‌بندی امن عامل‌های هوش مصنوعی، به جای نتایج تست، به شواهد قابل حسابرسی از…

۲ دقیقه خواندن۲
بروزرسانی مدل را مانند پروتکل بازپخش، نه امتیاز بنچمارک، در نظر بگیرید
آموزش کاربردی

پروتکل بازپخش در برابر بنچمارک؛ راهکاری برای تضمین پایداری مدل‌های عملیاتی

اتکای صرف به نمرات بنچمارک برای ارتقای مدل‌های هوش مصنوعی اغلب به دلیل نقض قراردادهای فنی در محیط عملیاتی منجر به شکست می‌شود. پروتکل بازپخش (Replay Protocol) با شبیه‌سازی ترافیک…

۷ دقیقه خواندن۲
ساخت اولین عامل CRO هوش مصنوعی با کلود (بدون کد، ۶۰ دقیقه)
آموزش کاربردی

«بهینه‌سازی روی رفتارهای غیرانسانی»؛ نقطه ضعف عامل‌های CRO در نبود فیلترینگ

ساخت یک عامل هوش مصنوعی برای بهینه‌سازی نرخ تبدیل (CRO) با Claude تنها ۶۰ دقیقه زمان می‌برد، اما نبود فیلترهای شناسایی ربات باعث می‌شود مدل روی رفتارهای غیرانسانی بهینه‌سازی شود.…

۲۷ دقیقه خواندن۲
متن پنهان در PDF برای سرقت داده از طریق عامل هوش مصنوعی Rovo شرکت Atlassian کافی است

آیا متون نامرئی PDF می‌توانند داده‌های Confluence را به سرقت ببرند؟

یک آسیب‌پذیری بحرانی در عامل هوش مصنوعی Rovo امکان استخراج داده‌های حساس Jira و Confluence را از طریق تزریق پرامپت‌های نامرئی در فایل‌های PDF فراهم می‌کند. این حفره امنیتی علی‌رغم…

۲ دقیقه خواندن
فناوری AI در ERP: شکاف هماهنگی که اتوماسیون عاملی را در ۲۰۲۶ نابود می‌کند
آموزش کاربردی

شکاف هماهنگی؛ دلیل شکست ۴۰٪ از پروژه‌های هوش مصنوعی عامل‌محور تا سال ۲۰۲۷

انتقال از بات‌های تک‌وظیفه‌ای به عامل‌های خودمختار در سیستم‌های ERP با چالشی به نام «شکاف هماهنگی» روبروست. یک چارچوب زیرساختی پنج‌لایه برای جلوگیری از سقوط نرخ قابلیت اطمینان در…

۲۰ دقیقه خواندن۲
تاریخچه گیت: چهارمین مسیر بازیابی اطلاعات در پایگاه دانش کدبیس
آموزش کاربردی

تاریخچه گیت؛ بُعد چهارم بازیابی کد برای پاسخ به پرسش «چرا» در هوش مصنوعی

جست‌وجوی سنتی کد در هوش مصنوعی در توضیح دلیل وجود منطق‌های پیچیده ناتوان است. چارچوب codebase-memory-mcp با تبدیل تاریخچه گیت به یک مسیر بازیابی، قوانین معماری ضمنی و «زخم‌های…

۸ دقیقه خواندن
چارچوب نشست OpenCode: نمای داخلی اجزا و معماری
آموزش کاربردی

معماری OpenCode: تبدیل جلسات هوش مصنوعی به کانتینرهای اجرای پایدار

پلتفرم OpenCode با معرفی یک معماری جدید، تعاملات عامل‌های هوش مصنوعی را از حالت چت‌های ساده به کانتینرهای اجرای بادوام تبدیل کرده است. این طراحی با جداسازی ارسال دستور از مرحله…

۱۸ دقیقه خواندن