پرش به محتوای اصلی

موضوع

عامل‌محور

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

۵٬۸۷۰ مقاله منتشر شده

عامل هوشمند با ابزار بررسی املا MCP: اصلاح خودکار متن در گفتگوهای چندمرحله‌ای
آموزش کاربردی

چگونه language-mcp نیاز عامل‌های هوش مصنوعی به APIهای خارجی را حذف می‌کند؟

یک سرور جدید مبتنی بر TypeScript با استفاده از پروتکل MCP، امکان بررسی املایی و استایل محلی را برای عامل‌های هوش مصنوعی فراهم می‌کند. این ابزار با جداسازی لایه لغت‌نامه از تصمیمات…

۷ دقیقه خواندن۲
چهار روش برای ردیابی پرسش‌های آینده‌نگر: متاکولوس، پلی‌مارکت، منیفولد و عامل پایش هوش مصنوعی
آموزش کاربردی

بازارهای پیش‌بینی کریپتویی در برابر عامل‌های هوش مصنوعی در رصد آینده

برای پیش‌بینی وقایع آینده، دیگر نیازی به حدس‌زدن نیست. چهار ابزار تخصصی از بازارهای مالی کریپتویی تا عامل‌های نظارتی هوش مصنوعی، اکنون امکان تبدیل پیش‌بینی‌ها به امتیازات احتمالی…

۵ دقیقه خواندن۲
مدل باز متن‌باز CLM-8B با سرعت ارزیابی ۹ برابری نسبت به Jev برای امتیازدهی به عملکرد عامل‌ها

CLM-8B: تصمیم‌گیری عامل‌های هوش مصنوعی ۹ برابر سریع‌تر شد

مدل وزن‌باز CLM-8B با جایگزینی تولید متن با سیستم امتیازدهی اقدامات، تأخیر در تصمیم‌گیری عامل‌های هوش مصنوعی را به‌شدت کاهش داد. این مدل در نقش تأییدکننده کدنویسی، نتایجی فراتر از…

۴ دقیقه خواندن۲
نحوه نوشتن اپلیکیشن‌های بهتر Total.js با استفاده از هوش مصنوعی
آموزش کاربردی

مخزن زمینه‌ی مهندسی Total.js توهمات کدنویسی عامل‌های هوش مصنوعی را متوقف کرد

تیم Total.js با ایجاد یک لایه مرجع مهندسی در محیط پروژه، مانع از به‌کارگیری الگوهای عمومی Node.js توسط عامل‌های کدنویس شد. این رویکرد با جایگزینی مستندات ساده با دستورالعمل‌های…

۵ دقیقه خواندن۱
سپر سری: Regex ۰٪، Prompt Guard ۲ فقط ۱٪ از ۶۲۹ حمله پنهان‌شده در خروجی ابزار را شناسایی کرد.

مدل Prompt Guard 2 متا تنها ۱٪ از حملات تزریق پرامپت را شناسایی می‌کند

محک جدید AgentDojo نشان می‌دهد تشخیص‌دهنده‌های متن‌باز در برابر حملات تزریق پرامپت که در خروجی ابزارها پنهان شده‌اند، تقریباً ناتوان‌اند. مدل Prompt Guard 2 متا و فیلترهای مبتنی…

۷ دقیقه خواندن۲
مدل ۷ میلیون پارامتری که می‌داند چه زمانی نه بگوید
آموزش کاربردی

«امتناع صادقانه»؛ استراتژی مدل ۷ میلیونی برای بهینه‌سازی منابع

یک مدل بسیار کوچک با ۷.۲ میلیون پارامتر به عنوان لایه تریاژ برای درخواست‌های هوش مصنوعی معرفی شده است. این سیستم با تشخیص وظایف ساده و ارجاع آن‌ها به ابزارهای ارزان، از اتلاف…

۳ دقیقه خواندن
عامل کدنویسی هوش مصنوعی شما به‌صورت مخفیانه فایل پیکربندی‌تان را نادیده گرفت. این حسابرسی ۱۵ دقیقه‌ای را اجرا کنید.
آموزش کاربردی

باگ Claude Code: نادیده گرفتن تنظیمات محلی در صورت غیرفعال بودن تلمتری

یک باگ در Claude Code باعث می‌شد در صورت غیرفعال بودن تلمتری، فایل‌های دستورالعمل پروژه بدون هیچ هشداری نادیده گرفته شوند. این اتفاق نشان‌دهنده یک نقطه ضعف امنیتی است که در آن…

۷ دقیقه خواندن
عنوان تصویر: معماری عامل هوشمند با حافظه معنایی بدون پایگاه داده برداری
آموزش کاربردی

بردار معنایی بومی DynamoDB تأخیر حافظهٔ عامل‌های هوش مصنوعی را ۲.۵ برابر کاهش

پیاده‌سازی جدید جست‌وجوی برداری در DynamoDB به عامل‌های هوش مصنوعی اجازه می‌دهد بدون نیاز به پایگاه‌داده‌های برداری مجزا، حافظه بلندمدت داشته باشند. این معماری با حذف خط لوله‌های…

۱۱ دقیقه خواندن۲
لوگوی سیستم DreamTalk با عنوان «خداحافظی با پاسخ‌های مکانیکی» و زیرنویس «معماری حافظه بلندمدت و همدلی»
آموزش کاربردی

معماری حافظه چهارلایه DreamTalk مانع از فراموشی شخصیت در هوش مصنوعی شد

سامانه DreamTalk با جایگزینی بازیابی‌های ساده با یک شبکه حافظه چهارلایه، مشکل «لغزش شخصیت» را حل کرده است. این معماری با تفکیک بستر کوتاه‌مدت از تحلیل‌های روان‌شناختی بلندمدت،…

۴ دقیقه خواندن۲
معماری خط لوله CI/CD خودکار DevOps با تصمیم‌گیری هوشمند مبتنی بر هوش مصنوعی — بخش ۱: مرور کلی و طراحی معماری
آموزش کاربردی

معماری IAP خط لوله‌های DevOps را به سامانه‌های خودبهبود تبدیل کرد

یک چارچوب معماری جدید با جایگزینی خط لوله‌های خطی CI/CD با «خط لوله تطبیقی هوشمند»، قابلیت پیش‌بینی شکست و ترمیم خودکار را به DevOps آورد. این سیستم با ارکستراسیون موازی مدل‌های…

۶ دقیقه خواندن۲