پرش به محتوای اصلی

موضوع

عامل‌محور

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

۳٬۶۸۵ مقاله منتشر شده

مهندسی حلقه‌ای، برنامه‌نویسی احساسی نیست: دو حلقه‌ای که عامل‌های هوش مصنوعی را قابل‌اعتماد می‌کنند
آموزش کاربردی

مهندسی حلقه؛ جایگزینی برای پرامپت‌نویسی در مقیاس تولید

عامل‌های هوش مصنوعی برای پایداری در مقیاس صنعتی به چیزی فراتر از مدل‌های قدرتمند نیاز دارند: یک «هارنس» یا چارچوب نظارتی از بازخوردهای اجرایی. انتقال تمرکز از مهندسی پرامپت به…

۲۲ دقیقه خواندن۱
اتوماسیون هوشمند نوبت‌دهی مطب‌های پزشکی با هوش مصنوعی
آموزش کاربردی

اتوماسیون نوبت‌دهی پزشکی با عامل‌های هوش مصنوعی جایگزین فرم‌های سنتی شد

پزشکان و مراکز درمانی برای مدیریت چرخه کامل نوبت‌دهی، فرم‌های آنلاین قدیمی و پاسخگویی دستی تلفنی را با عامل‌های هوش مصنوعی جایگزین می‌کنند. این سامانه‌ها با اتصال مستقیم به…

۱۳ دقیقه خواندن۲
چالش‌های واقعی کاربرد مدل‌های زبانی بزرگ
آموزش کاربردی

Oxlo.ai با قیمت‌گذاری ثابت هزینهٔ پنجرهٔ زمینه در مدل‌های زبانی را حذف کرد

پلتفرم Oxlo.ai با معرفی مدل قیمت‌گذاری ثابت به‌ازای هر درخواست، هزینهٔ رو به رشد توکن‌ها در گفتگوهای طولانی را حذف کرد. این رویکرد به توسعه‌دهندگان اجازه می‌دهد بدون ترس از جهش…

۴ دقیقه خواندن۲
ساخت دروازه بودجه خطای خودگردانی با SigNoz و OpenTelemetry
آموزش کاربردی

سامانه LEASH دسترسی عامل‌های هوش مصنوعی را با بودجه خطا مسدود می‌کند

سیستم جدیدی به نام LEASH با استفاده از تله‌متری لحظه‌ای، سطح دسترسی عامل‌های هوش مصنوعی را هنگام افزایش نرخ خطا کاهش می‌دهد. این رویکرد برخلاف محدودیت‌های متنی، از یک «بودجه خطای»…

۶ دقیقه خواندن
راهنمای گام‌به‌گام ساخت اپ یادگیری زبان با مدل زبانی بزرگ
آموزش کاربردی

Oxlo.ai هزینه استنتاج مدل‌های زبانی را با قیمت‌گذاری درخواست‌محور ثابت کرد

توسعه‌دهندگان اپلیکیشن‌های آموزش زبان از توکن‌محوری فاصله گرفته و به سمت معماری‌های چندوجهی می‌روند. Oxlo.ai با تغییر مدل قیمت‌گذاری از توکن به درخواست، مشکل افزایش هزینه‌ها در…

۶ دقیقه خواندن
فرآیندهای تست عاملی، معیارهای LLM و یادداشت‌هایی درباره کدنویسی عاملی از جزایر گالاپاگوس
زندگی با AI

فازینگ در برابر مدل‌های زبانی؛ چرا تست تصادفی در شکار باگ‌ها پیروز است؟

دن لو، مهندس نرم‌افزار، استدلال می‌کند که تست‌های تصادفی (fuzzing) برای شناسایی باگ‌های واقعی، بسیار قابل‌اعتمادتر از مدل‌های زبانی هستند. بنچمارک‌های او نشان می‌دهد مدل‌های پیشرو…

۷۳ دقیقه خواندن۱
امنیت سطح ردیفی در تحلیل‌های هوش مصنوعی: پرسش کاربران بدون نشت داده
آموزش کاربردی

«امنیت ردیفی»؛ راهکار مقابله با دور زدن لایه‌های سنتی در تحلیل داده

بسیاری از سیستم‌های تحلیل داده با هوش مصنوعی به‌دلیل استفاده از یک حساب دسترسی واحد، لایه‌های امنیتی سنتی را دور می‌زنند. این راهنما یک ساختار لایه‌ای شامل لایه معنایی و موتور…

۱۱ دقیقه خواندن۲
چارچوب عامل ساده‌ای پیدا نکردم، پس خودم یکی نوشتم
آموزش کاربردی

Swarmvault با محدود کردن مهارت‌های عامل، مشکل اشباع پنجرهٔ زمینه را حل کرد

أنمار هانی چارچوب Swarmvault را معرفی کرد که با اولویت دادن به مجموعه‌ای کوچک و غیرهم‌پوشان از مهارت‌ها، از کاهش کیفیت مدل‌ها جلوگیری می‌کند. این سیستم از یک پوشهٔ ساده برای…

۳ دقیقه خواندن
دستیار مجازی مبتنی بر پردازش زبان طبیعی و مدل‌های زبانی بزرگ در حال پاسخگویی به کاربر
آموزش کاربردی

هزینهٔ ثابت در برابر مدل توکن‌محور؛ تغییر رویکرد Oxlo.ai در قیمت‌گذاری

پلتفرم Oxlo.ai با معرفی هزینه ثابت به‌ازای هر درخواست، مدل توکن‌محور در قیمت‌گذاری هوش مصنوعی را به چالش کشید. این رویکرد جریمه مالی توسعه‌دهندگانی که از پرامپت‌های طولانی و…

۴ دقیقه خواندن۲
کد اجرایی پوسیده نمی‌شود: بازطراحی مهارت‌های عامل هوشمند بر پایه منابع زنده
آموزش کاربردی

«جایگزینی دستورالعمل‌های انتزاعی»؛ راهکار جدید برای رسیدن به کد تولید-آماده

یک توسعه‌دهنده با مدیریت ۶۰۰ ابزار وب دریافت که جایگزینی دستورالعمل‌های انتزاعی با مراجع کد زنده، کیفیت خروجی عامل‌های هوش مصنوعی را به سطح تولید-آماده می‌رساند. این رویکرد با حذف…

۴ دقیقه خواندن