پرش به محتوای اصلی

موضوع

تجربه توسعه‌دهندگان

۱٬۸۱۶ مقاله منتشر شده

ساخت SkipCalls: آنچه از هوش مصنوعی صوتی در محیط عملیاتی درباره عامل‌های تلفنی آموختم
آموزش کاربردی

چگونه SkipCalls دموهای هوش مصنوعی صوتی را به ابزاری تجاری تبدیل کرد؟

بنیان‌گذار SkipCalls چالش‌های مهندسی تبدیل یک دمو به ابزاری تجاری برای پذیرش تماس‌های کسب‌وکارهای کوچک را بررسی کرد. این سیستم به‌جای تکیه بر هوشمندی کلی مدل‌ها، بر کاهش تأخیر و…

۴ دقیقه خواندن
«کیمی K۳» استقبال بیش از حد انتظار داشت و پردازنده‌های گرافیکی ما را تحت فشار قرار داده. تقاضا در ۴۸ ساعت گذشته به مرز ظرفیت

«تغییر ساختار عضویت»؛ راهکار Kimi برای مدیریت تقاضای غیرمنتظره

محبوبیت غیرمنتظره مدل Kimi K3 باعث اشباع ظرفیت سخت‌افزاری این سرویس شد. شرکت سازنده برای حفظ کیفیت خدمات، ثبت‌نام مشترکین جدید را متوقف و ساختار عضویت‌ها را به دسته‌های تخصصی…

۱ دقیقه خواندن
فکر می‌کردم مدل ارزان‌تر هزینه عامل را کم می‌کند، تا اینکه پرامپت ۳۴ هزار کاراکتری را دیدم.
آموزش کاربردی

مالیات پنهان زمینه: دلیل اصلی جهش هزینه‌های عامل‌های هوش مصنوعی

جایگزینی مدل‌های گران با نسخه‌های ارزان‌تر لزوماً هزینه‌ها را کاهش نمی‌دهد، زیرا عامل اصلی صرف هزینه، «تورم بستر زمینه» است. تحلیل‌ها نشان می‌دهد پرامپت‌های سیستمی حجیم و…

۷ دقیقه خواندن
زمان‌بندی بدون واسطه برای مرورگرهای ایزوله عامل‌های هوش مصنوعی وب‌گرد
آموزش کاربردی

Machineuse هزینه استنتاج عامل‌های هوش مصنوعی را با مکانیزم خواب‌رفتن اسنپ‌شات

پلتفرم Machineuse با حذف واسطه‌های پیام‌رسان و استفاده از قابلیت «خواب‌رفتن اسنپ‌شات»، مدیریت خوشه‌های مرورگر برای عامل‌های هوشمند را بهینه کرد. این ابزار با تبدیل حافظه فعال به…

۶ دقیقه خواندن
هنوز کنترل را در دست دارم، اما کد نمی‌زنم

تأیید دستی؛ تنها راه کنترل عامل‌های هوش مصنوعی در پروژه‌های واقعی

یک توسعه‌دهنده با تجربه استدلال می‌کند که اتکای کامل به برنامه‌ریزی‌های سخت‌گیرانه در توسعه با AI شکست می‌خورد. او به جای آن، استفاده از یک «دروازه بازرسی دستی» را برای مقابله با…

۹ دقیقه خواندن
ساخت خطوط ارزیابی LLM در سطح تولید: از احساس به معیارها
آموزش کاربردی

خط لول‌های ارزیابی خودکار نرخ توهم مدل‌های زبانی را ۹۲٪ کاهش دادند

جایگزینی «بررسی‌های حسی» دستی با چارچوب‌های ارزیابی خودکار و مجموعه‌داده‌های طلایی، شناسایی توهمات را پیش از استقرار به سطح ۹۲٪ رسانده است. این رویکرد مهندسی‌شده اجازه می‌دهد…

۶ دقیقه خواندن
بهینه‌سازی RAG در مقیاس: قطعه‌بندی، بازیابی و جستجوی بیزی با کاهش ۴۰٪ تأخیر
آموزش کاربردی

بهینه‌سازی بیزی تأخیر RAG را ۶۲٪ کاهش و بازیابی داده را به ۹۵٪ رساند

یک بررسی فنی عمیق نشان می‌دهد که جایگزینی جست‌وجوی معنایی ساده با بهینه‌سازی بیزی در خط لوله‌های RAG، تأخیر را به‌شدت کاهش و دقت پاسخ‌ها را بالا می‌برد. این روش با استفاده از…

۵ دقیقه خواندن۲
لوگوی اولاما: سوار بر مدل‌های متن‌باز شوید · وبلاگ اولاما

سرمایه‌گذاری ۸۸ میلیون دلاری در Ollama برای گسترش استنتاج مدل‌های باز

شرکت Ollama برای گسترش پلتفرم اجرای مدل‌های با وزن‌های باز در محیط‌های محلی و ابری، ۸۸ میلیون دلار جذب سرمایه کرد. این ابزار که ۸۵٪ شرکت‌های Fortune 500 از آن استفاده می‌کنند،…

۴ دقیقه خواندن
هماهنگی ۱۶ زیرعامل Cursor در یک جلسه — چه چیزی واقعاً کار کرد
آموزش کاربردی

«عبور از گلوگاه پنجره متنی»؛ استراتژی توزیع وظایف میان عامل‌های موازی

یک توسعه‌دهنده با تغییر نقش از کدنویس به مدیر فنی و به‌کارگیری عامل‌های موازی، بازه زمانی تولید محصول را از چند روز به ۶ ساعت کاهش داد. این متدولوژی با توزیع وظایف میان ۱۶…

۷ دقیقه خواندن۱
راهنمای جامع معماری‌های هوش مصنوعی: فراتر از RAG پایه
آموزش کاربردی

چرا جست‌وجوی برداری خالص در مواجهه با داده‌های صنعتی شکست می‌خورد؟

سیستم‌های تولید بازیابی‌افزا (RAG) بر پایه بردارهای معنایی در مواجهه با داده‌های پیچیده صنعتی شکست می‌خورند. توسعه‌دهندگان اکنون به سمت معماری‌های ترکیبی (Hybrid RAG) حرکت می‌کنند…

۹ دقیقه خواندن
آیا GPT-5.6 Sol Max ارزش دارد؟ رفع باگ‌های مهم. بهترین بیلدها.

آیا افزایش ۲.۴۲ برابری هزینه برای دقت GPT-5.6 Sol توجیه‌پذیر است؟

تحلیل فنی مدل GPT-5.6 Sol نشان می‌دهد تنظیمات Max برای رفع باگ‌های ساده بازدهی اندکی دارد اما برای بازنویسی مخازن کد پیچیده ضروری است. داده‌ها حاکی از آن است که افزایش کیفیت در…

۷ دقیقه خواندن