
چگونه Cursor SDK مغز عاملهای کدنویسی را به خارج از محیط IDE منتقل میکند؟
شرکت Cursor با معرفی SDK جدید خود، امکان انتقال محیط اجرای عاملهای هوشمند را به ابزارهایی نظیر Slack و CI فراهم کرد. این ابزار سرعت استقرار را بهشدت افزایش میدهد، اما…
موضوع
Autonomous agents, tool use, planning, multi-step workflows
۱٬۴۸۷ مقاله منتشر شده

شرکت Cursor با معرفی SDK جدید خود، امکان انتقال محیط اجرای عاملهای هوشمند را به ابزارهایی نظیر Slack و CI فراهم کرد. این ابزار سرعت استقرار را بهشدت افزایش میدهد، اما…

بسیاری از مدیران فناوری با اولویت دادن به انتخاب ابزار بر استانداردسازی رفتار تیم، باعث ایجاد پراکندگی در گردش کار و افزایش بدهی فنی میشوند. برای دستیابی به بهرهوری مقیاسپذیر،…

شکست عاملهای هوش مصنوعی در محیط عملیاتی اغلب به دلیل محدودیتهای مدل نیست، بلکه ناشی از نامگذاری مبهم فایلهاست که سیستمهای بازیابی را گیج میکند. با جایگزینی نامهای کلی با…

چارچوب DataMaster با خودکارسازی فرآیند کشف و پاکسازی دادهها، نرخ موفقیت در بنچمارک MLE-Bench را ۳۲.۲۷٪ افزایش داد. این دستاورد نشان میدهد که پیشرفتهای آتی در یادگیری ماشین بیش…

همکاری بین عاملهای هوش مصنوعی لزوماً منجر به نتایج دقیقتر نمیشود و حتی میتواند استدلال را تخریب کند. پژوهشهای جدید نشان میدهند مدلها به دلیل «تنبلی شناختی»، منطق درست خود…

روش جدید SRFT با فیلتر کردن گامهای اشتباه به جای حذف کل مسیرهای ناموفق، نرخ حل مسائل در بنچمارک SWE-bench Verified را به ۳۲.۲٪ رسانده است. این رویکرد به مدلها میآموزد که چگونه…

چارچوب MAGE با معرفی گرافهای دانش تکاملی، به عاملهای هوش مصنوعی اجازه میدهد بدون تغییر در وزنهای مدل، از شکستها و موفقیتهای خود بیاموزند. این سیستم در ۹ بنچمارک مختلف، از…

پژوهشگران چارچوب GW-Eyes را معرفی کردند؛ سیستمی عاملمحور که با استفاده از مدلهای زبانی بزرگ، پیوند میان امواج گرانشی و همتایهای الکترومغناطیسی آنها را خودکار میکند. این…

مدل CoWorld-VLA با معرفی توکنهای تخصصی برای دادههای هندسی و پویا، استدلال سطح بالا را به عمل دقیق در رانندگی خودکار متصل میکند. این چارچوب در بنچمارک NAVSIM v1 دقت مسیر و ایمنی…

عامل AnomalyClaw با جایگزینی استنتاج تکمرحلهای با یک فرآیند ردّیه چندمرحلهای، دقت تشخیص ناهنجاریهای بصری را بهطور چشمگیری افزایش میدهد. این ابزار بدون نیاز به آموزش مجدد،…

مدل DeepRefine با استفاده از یادگیری تقویتشده، نقصها و افزونگیهای پایگاه دانش در عاملهای هوش مصنوعی را شناسایی و اصلاح میکند. این مدل با معرفی پاداش GBD، نیاز به دادههای…

پلتفرم Shepherd با معرفی زیرساختی مبتنی بر برنامهنویسی تابعی، تعاملات عاملها را به عنوان رویدادهای کنترلشده مدیریت میکند. این رویکرد سرعت بازتولید وضعیتها را ۵ برابر بیشتر از…