پرش به محتوای اصلی

موضوع

عامل‌محور

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

۳٬۵۰۸ مقاله منتشر شده

آیا همه این‌ها صرفاً بخارافزار است؟ — کیرا هاو
زندگی با AI

درون دلیل شکست عامل‌های هوش مصنوعی در مواجهه با احراز هویت کاربران

کیرا هاو، مهندس نرم‌افزار، ابزارهای فعلی توسعهٔ عامل‌محور را به دلیل اصطکاک شدید و رابط‌های کاربری ناکارآمد، «محصولات خیالی» می‌نامد. او با بررسی پلتفرم ONA نشان می‌دهد که…

۳ دقیقه خواندن۱
نحوه استفاده من از مدل‌های زبانی بزرگ برای یادگیری مباحث پیچیده
آموزش کاربردی

«از معلم متنی تا مهندس»؛ رویکرد جدید در آموزش تعاملی با AI

لورنتیو راداکو با طراحی یک گردش‌کار جدید، مدل‌های زبانی را از نقش «معلم متنی» به «مهندس نرم‌افزار» تغییر داد تا مفاهیم پیچیده فنی را در قالب شبیه‌سازهای بصری و بازی‌گونه آموزش دهد.

۳ دقیقه خواندن
زیرساخت استارتاپ هوش مصنوعی: هزینه واقعی سرویس‌های اوراکل، گروک و برایت‌دیتا
آموزش کاربردی

زیرساخت ۲۵ دلاری AIdeazz: مدیریت ۱۰ عامل هوش مصنوعی با هزینه صفر

النا رِویچوا، بنیان‌گذار AIdeazz، استراتژی کاهش هزینه‌های عملیاتی را فاش کرد که در آن از لایه‌های رایگان اوراکل و مسیریابی هوشمند مدل‌ها برای اجرای ۱۰ عامل تولیدی استفاده شده است.…

۷ دقیقه خواندن۲
پشته عامل در حال تکمیل است. لایه قضاوت همچنان مسئله‌ای باز باقی مانده است.

شکاف میان مجوز فنی و قضاوت تجاری؛ دلیل شکست عامل‌های AI در مقیاس سازمانی

استقرار گسترده عامل‌های هوش مصنوعی در سازمان‌ها، تضاد میان «توانایی اجرای ابزار» و «صلاحیت تصمیم‌گیری تجاری» را آشکار کرده است. معماری‌های جدید پیشنهاد می‌کنند منطق تصمیم‌گیری در…

۵ دقیقه خواندن
مقایسه پلتفرم‌های پایش و ارزیابی LLM در ۲۰۲۶: Langfuse، LangSmith، Braintrust، Arize و سایرین

بازار مشاهده‌پذیری مدل‌های زبانی بزرگ تا سال ۲۰۳۰ به ۹.۲۶ میلیارد دلار می‌رسد

بازار مشاهده‌پذیری LLM از ابزارهای جانبی به زیرساخت‌های حیاتی تبدیل شده و پیش‌بینی می‌شود تا سال ۲۰۳۰ به ارزش ۹.۲۶ میلیارد دلار برسد. صنعت اکنون برای حل مشکل «شکست‌های معنایی»…

۱۱ دقیقه خواندن۱
معماری شبکه unYOLO با بلوک‌های CBAM و خروجی‌های چند مقیاسی برای تشخیص اشیاء کوچک
آموزش کاربردی

گزارش unYOLO: نظارت انسانی بر توکن‌ها ریسک نفوذ عامل‌های AI را می‌کاهد

چارچوب جدید unYOLO با معرفی یک واسط مدیریت اعتبار، مانع از دسترسی مستقیم عامل‌های هوش مصنوعی به توکن‌های حساس می‌شود. این سیستم اجازه می‌دهد دسترسی‌ها به‌صورت دقیق، زمان‌دار و تحت…

۴ دقیقه خواندن۲
نمونه دادگاه هوش مصنوعی در مخزن protolink
آموزش کاربردی

پروژه‌ی ProtoLink: تغییر رای دادگاه AI بر اساس توپولوژی ارتباطات

پروژه‌ی ProtoLink نشان می‌دهد که نحوه اتصال عامل‌های هوش مصنوعی به یکدیگر، فارغ از قدرت مدل، می‌تواند نتیجه‌ی تصمیمات آن‌ها را از «بی‌گناه» به «گناهکار» تغییر دهد. این آزمایش با…

۱۰ دقیقه خواندن۳
مرز سیاست محلی RunOnMine بین عامل‌های هوش مصنوعی و دستگاه شما
آموزش کاربردی

آیا درگاه‌های سیاست‌گذاری محلی می‌توانند ریسک نفوذ AI به فایل‌ها را بکاهند؟

پروژه متن‌باز RunOnMine با ایجاد یک لایه امنیتی محلی، مانع از دسترسی کامل عامل‌های هوش مصنوعی به کل سیستم‌عامل کاربر می‌شود. این ابزار دسترسی‌های گسترده را با سیستمی جایگزین…

۶ دقیقه خواندن
عکس: دو ربات در حال گفتگو، نمادی از تعامل عامل‌های هوش مصنوعی و فلسفه آن‌ها
آموزش کاربردی

چرا فایل‌های فلسفی در مدیریت رفتار مدل‌ها مؤثرتر از Guardrails هستند؟

یک رویکرد جدید در ارکستراسیون عامل‌ها پیشنهاد می‌کند که به جای لیست‌های طولانی از ممنوعیت‌ها، از یک فایل «فلسفه» برای هدایت رفتار مدل استفاده شود. در این روش، رفتار عامل از طریق…

۷ دقیقه خواندن
گیت‌هاب - eighttrigrams/us-vs-them: منشأ خط‌به‌خط متن در ویرایش عامل‌محور — این خط را ما نوشتیم یا آن‌ها؟ — استخراج‌شده از تا
آموزش کاربردی

«جلوگیری از بازنویسی منطق‌های حساس»؛ هدف اصلی سیستم us-vs-them

ابزار جدید us-vs-them با تحلیل تاریخچه گیت، خطوط کد نوشته‌شده توسط انسان را از خروجی‌های عامل‌های هوش مصنوعی تفکیک می‌کند. این سیستم از بازنویسی ناخواسته منطق‌های حساس انسانی توسط…

۳ دقیقه خواندن