پرش به محتوای اصلی

موضوع

عامل‌محور

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

۷٬۳۶۲ مقاله منتشر شده

آموزش کاربردی

آیا لایه‌های میانی متن‌باز می‌توانند خطرات دسترسی عامل‌های AI را کاهش دهند؟

پلتفرم Developerz.ai مجموعه‌ای از ابزارهای متن‌باز برای رفع «شکاف دسترسی» در عامل‌های هوش مصنوعی ارائه داده است. این زیرساخت با ایجاد دسترسی‌های بازرسی‌شده و محدود به…

۲ دقیقه خواندن۲
آموزش کاربردی

«جایگزینی متن با تصویر»؛ راهبرد pxpipe برای بهینه‌سازی توکن‌ها

پراکسی محلی جدیدی به نام pxpipe با تبدیل متون حجیم به تصاویر، هزینه‌های ورودی مدل‌های Claude را به‌شدت کاهش می‌دهد. این روش از هزینه ثابت توکن‌های تصویری برای انتقال حجم زیادی از…

۱۰ دقیقه خواندن۲

چرا دسترسی به متن جلسات پیشین عملکرد عامل‌های کدنویسی را تخریب می‌کند؟

تحلیلی از Agentics نشان می‌دهد که فراهم کردن دسترسی به متن جلسات پیشین (Session Transcripts)، هیچ اثر مثبتی بر عملکرد عامل‌های کدنویسی ندارد. این رویکرد به دلیل ایجاد «انحراف در…

۴ دقیقه خواندن۲

معهد امنیت AI بریتانیا: بودجهٔ توکن در محک‌ها توانایی واقعی عامل‌ها را پنهان

پژوهش‌های جدید نشان می‌دهد محدود کردن بودجهٔ توکن در هنگام تست، منجر به تخمین پایین‌تر از حد واقعیِ هوش عامل‌های AI می‌شود. افزایش محاسبات زمان استنتاج به مدل‌های پیشرو اجازه…

۴ دقیقه خواندن۱
آموزش کاربردی

گیت‌وی اجباری هوش مصنوعی؛ راهکار مایکروسافت برای رفع حفره‌های نظارتی در Azure

تغییر رویکرد حاکمیت هوش مصنوعی از اسناد استاتیک به یک گیت‌وی معماری اجباری، اجرای قوانین انطباق را در زمان اجرا (Runtime) ممکن می‌کند. این متدولوژی با متمرکز کردن کنترل‌ها،…

۹ دقیقه خواندن
آموزش کاربردی

تنظیمات Effort در کلود؛ کاهش هزینهٔ عامل‌های پیچیده با برنامه‌ریزی عمیق‌تر

محک‌های جدید نشان می‌دهند تنظیمات «تلاش» (Effort) در Claude-opus-4-8 فقط کیفیت را تغییر نمی‌دهد، بلکه نحوه برنامه‌ریزی مدل را عوض می‌کند. در حالی که تلاش زیاد در کارهای ساده باعث…

۳ دقیقه خواندن۲

شکاف حاکمیتی در داده‌های کارکنان؛ نقطه کور امنیتی عامل‌های هوش مصنوعی

سازمان‌ها با استفاده از سیاست‌های داده‌ایِ طراحی‌شده برای مشتریان، داده‌های حساس کارکنان را در پنجره‌های متنی مدل‌ها به خطر انداخته‌اند. این نقص معماری باعث می‌شود عامل‌ها بیش از…

۱۰ دقیقه خواندن۱
آموزش کاربردی

«ارزیابی مدل‌های زاینده»؛ کلید تغییر مسیر مهندسان تست به AI

هیمانشو آگروال چارچوبی ساختاریافته برای انتقال مهارت‌های SDETها به مهندسی هوش مصنوعی ارائه کرده است. این متدولوژی روی پر کردن بزرگ‌ترین شکاف صنعت، یعنی «ارزیابی مدل‌های زاینده»،…

۸ دقیقه خواندن
آموزش کاربردیگزارش تأییدنشده

N3MO: حذف خطاهای تخیلی در بازسازی‌های چندفایلی با تحلیل ایستا

ابزار N3MO با جایگزینی بردارهای معنایی با تحلیل ایستا، ساختار واقعی کد را نقشه‌برداری می‌کند. این سیستم با ارائه یک گراف رابطه‌ای قابل‌تأیید، خطاهای تخیلی عامل‌ها در بازسازی‌های…

۳ دقیقه خواندن