Како да изградите агент за вештачка интелигенција

Како да изградите агент за вештачка интелигенција

Краток одговор: За да изградите агент на вештачка интелигенција што работи во пракса, третирајте го како контролирана јамка: земете влезни податоци, одлучете за следната акција, повикајте алатка со тесен опсег, набљудувајте го резултатот и повторувајте додека не помине јасна проверка за „завршено“. Таа си го заслужува своето значење кога задачата е повеќечекорна и водена од алатки; ако една единствена задача ја решава, прескокнете го агентот. Додадете строги шеми на алатки, ограничувања на чекори, евидентирање и валидатор/критичар, така што кога алатките ќе откажат или влезните податоци се двосмислени, агентот ескалира наместо да се повторува.

Клучни заклучоци:

Контролерска јамка : Имплементирање на влез → дејствување → набљудување на повторување со експлицитни услови за запирање и максимални чекори.

Дизајн на алатки : Одржувајте ги алатките ограничени, типизирани, со дозволи и валидирани за да се спречи хаос од типот „направи_што-да_направиш“.

Хигиена на меморијата : Користете компактна краткорочна состојба плус долгорочно пребарување; избегнувајте отстранување на целосни транскрипти.

Отпорност на злоупотреба : Додадете списоци на дозволи, ограничувања на стапки, идемпотенција и „суво работење“ за ризични дејствија.

Тестливост : Одржувајте пакет сценарија (неуспеси, двосмисленост, инјекции) и повторувајте при секоја промена.

Како да изградите агент за вештачка интелигенција? Инфографик
Статии што можеби ќе ве интересираат по оваа:

🔗 Како да се измери ефикасноста на вештачката интелигенција
Научете практични метрики за да ги споредите брзината, точноста и сигурноста.

🔗 Како да разговарате со вештачка интелигенција
Користете потсетници, контекст и дополнителни информации за да добиете подобри одговори.

🔗 Како да се евалуираат моделите на вештачка интелигенција
Споредете модели користејќи тестови, рубрики и резултати од задачи од реалниот свет.

🔗 Како да се оптимизираат моделите со вештачка интелигенција
Подобрете го квалитетот и цената со подесување, кастрење и следење.

1) Што е агент на вештачка интелигенција, во однос на обичниот човек 🧠

Агентот на вештачка интелигенција е јамка. Документација за „Агенти“ на LangChain

Тоа е тоа. Јамка со мозок во средината.

Внесување → размислување → дејствување → набљудување → повторување . Реагирање на труд (разумување + дејствување)

Каде:

  • Влезот е барање од корисник или настан (нова е-пошта, барање за поддршка, пинг од сензор).

  • Размислувањето е јазичен модел кој размислува за следниот чекор.

  • Act е повикување алатка (пребарување внатрешни документи, извршување код, креирање билет, изготвување одговор). Водич за повикување на функции на OpenAI

  • Observe е читање на излезот од алатката.

  • Повторувањето е делот што го прави да се чувствува „агентски“ наместо „муабетлив“. Документација за „агенти“ на LangChain.

Некои агенти се во основа паметни макроа. Други дејствуваат повеќе како помлад оператор кој може да жонглира со задачи и да се опорави од грешки. И двете се важни.

Исто така, не ви е потребна целосна автономија. Всушност… веројатно не ја сакате 🙃

2) Кога треба да изградите агент (и кога не треба) 🚦

Изградете агент кога:

  • Работата е во повеќе чекори и се менува во зависност од тоа што ќе се случи на средина од процесот.

  • Работата бара користење алатки (бази на податоци, CRM системи, извршување на код, генерирање датотеки, прелистувачи, внатрешни API-ја). Документација за „Алатки“ на LangChain

  • Сакате повторливи резултати со заштитни огради, а не само еднократни одговори.

  • Можете да го дефинирате „готово“ на начин на кој компјутерот може да провери, дури и лабаво.

Не креирајте агент кога:

  • Едноставен предлог + одговор го решава проблемот (не претерувајте со смислувањето, ќе се мразите себеси подоцна).

  • Ви треба совршен детерминизам (агентите можат да бидат конзистентни, но не и роботски настроени).

  • Немате никакви алатки или податоци за поврзување - тогаш тоа се претежно само вибрации.

Да бидеме искрени: половина од „проектите за агенти на вештачка интелигенција“ би можеле да бидат работен тек со неколку правила за разгранување. Но, понекогаш и атмосферата е важна 🤷♂️

3) Што прави една верзија на агент од вештачка интелигенција да биде добра ✅

Еве го делот „Што е добра верзија“ што го побаравте, освен што ќе бидам малку директен:

Добра верзија на агент на вештачка интелигенција не онаа што размислува најтешко. Туку онаа што:

Ако вашиот агент не може да се тестира, тоа е во основа многу самоуверена слот машина. Забавно на забавите, застрашувачко во продукцијата 😬

4) Основните градежни блокови на еден агент („анатомијата“ 🧩)

Повеќето цврсти агенси ги имаат овие делови:

A) Контролерската јамка 🔁

Ова е оркестраторот:

  • погоди го голот

  • прашајте го моделот за следната акција

  • алатка за стартување

  • додај набљудување

  • повторете додека не завршите документи за „Агенти“ на LangChain

Б) Алатки (т.е. можности) 🧰

Алатките се она што го прави агентот ефикасен: Документација за „Алатки“ на LangChain

  • барања во базата на податоци

  • испраќање е-пораки

  • влечење датотеки

  • извршувачки код

  • повикување на внатрешни API-ја

  • пишување во табеларни пресметки или CRM системи

В) Памтење 🗃️

Два вида се важни:

  • краткорочна меморија : тековниот контекст на извршување, неодамнешни чекори, тековен план

  • долгорочна меморија : кориснички преференции, контекст на проектот, преземено знаење (често преку вградувања + векторска меморија) RAG хартија

Г) Политика за планирање и донесување одлуки 🧭

Дури и ако не го нарекувате „планирање“, ви треба метод:

  • контролни листи

  • РеАкт труд „мисли, па потоа направи алатка“ во стилот на ReAct

  • графикони на задачи

  • модели на надзорник-работник

  • шеми за надзорник-работник Microsoft AutoGen (мулти-агентска рамка)

E) Заштитни огради и евалуација 🧯

Да, тоа е повеќе инженерство отколку поттикнување. Што е… некако поентата.

5) Табела за споредба: популарни начини за креирање агент 🧾

Подолу е прикажана реалистична „Споредбена табела“ - со неколку необичности, бидејќи вистинските тимови се необични 😄

Алатка / Рамка Публика Цена Зошто функционира Белешки (мал хаос)
ЛангЧејн градители кои сакаат компоненти во стилот на лего бесплатно + инфра голем екосистем за алатки, меморија, синџири можеш брзо да добиеш шпагети ако не ги именуваш работите јасно
Индекс на лама Тимови со RAG-тешка употреба бесплатно + инфра силни шеми за пребарување, индексирање, конектори одлично кога вашиот агент е во основа „пребарување + дејствување“… што е вообичаено
Пристап во стилот на OpenAI Assistants тимови кои сакаат побрзо поставување базирано на употреба вградени шеми за повикување на алатки и состојба на извршување помалку флексибилен во некои агли, но чист за многу апликации OpenAI извршува API , повикувајќи ја функцијата OpenAI Assistants
Семантичко јадро програмери кои сакаат структурирана оркестрација како слободен уредна апстракција за вештини/функции се чувствува „уредно како во претпријатието“ - понекогаш тоа е комплимент 😉
Автоматско генерирање експериментатори со повеќе агенти како слободен шеми на соработка меѓу агенти може да претерува со зборувањето; да поставува строги правила за прекин на отказот
CrewAI навивачи на „тимови од агенти“ како слободен улогите + задачите + предавањата се лесни за изразување најдобро функционира кога задачите се јасни, а не меки
Сено пребарување + луѓе од цевководи како слободен цевководи со цврсти димензии, извлекување, компоненти помалку „агентски театар“, повеќе „практична фабрика“
Свиткај сам (прилагодена јамка) контрол-фриканци (љубезни) твоето време минимална магија, максимална јасност обично најдоброто долгорочно… сè додека не го реизмислиш сè 😅

Нема еден победник. Најдобриот избор зависи од тоа дали главната работа на вашиот агент е пребарување , извршување алатки , координација меѓу повеќе агенти или автоматизација на работниот тек .

6) Како да изградите агент на вештачка интелигенција чекор по чекор (вистинскиот рецепт) 🍳🤖

Ова е делот што повеќето луѓе го прескокнуваат, а потоа се прашуваат зошто агентот се однесува како ракун во оставата.

Чекор 1: Дефинирајте ја работата во една реченица 🎯

Примери:

  • „Нацртајте одговор од клиентот користејќи го контекстот на политиката и билетот, а потоа побарајте одобрување.“

  • „Истражете извештај за грешка, репродуцирајте го и предложете решение.“

  • „Претворете ги несовршените белешки од состаноци во задачи, сопственици и рокови.“

Ако не можете едноставно да го дефинирате, ни вашиот агент не може. Мислам дека може, но ќе импровизира, а импровизацијата е местото каде што буџетите умираат.

Чекор 2: Одлучете го нивото на автономија (ниско, средно, луто) 🌶️

  • Ниска автономија : предлага чекори, човечките кликови „одобруваат“

  • Медиум : извршува алатки, го скицира излезот, ескалира при неизвесност

  • Високо : извршува од крај до крај, пингува луѓе само при исклучоци

Започнете пониско отколку што сакате. Секогаш можете да го зголемите нивото подоцна.

Чекор 3: Изберете ја вашата моделна стратегија 🧠

Обично избирате:

  • еден силен модел за сè (едноставен)

  • еден силен модел + помал модел за евтини чекори (класификација, рутирање)

  • специјализирани модели (визија, код, говор) доколку е потребно

Исто така, одлучете:

  • максимален број на токени

  • температура

  • дали дозволувате долги траги на размислување внатрешно (можете, но не изложувајте суров синџир на мисли на крајните корисници)

Чекор 4: Дефинирајте алатки со строги шеми 🔩

Алатките треба да бидат:

Наместо алатка наречена do_anything(input: string) , направете:

Ако му дадете на агентот моторна пила, немојте да се изненадите кога тој ќе ја скрати живата ограда со отстранување и на оградата.

Чекор 5: Изградете ја јамката на контролерот 🔁

Минимална јамка:

  1. Започнете со цел + почетен контекст

  2. Прашајте го моделот: „Следна акција?“

  3. Ако се јави алатка - изврши ја алатката

  4. Додај набљудување

  5. Проверете ја состојбата на запирање

  6. Повторете (со максимални чекори) документите за „Агенти“ на LangChain

Додај:

Чекор 6: Внимателно додадете меморија 🗃️

Краткорочно: ажурирајте го компактен „резиме на состојбата“ на секој чекор. LangChain „Преглед на меморијата“
Долгорочно: складирајте трајни факти (кориснички преференции, организациски правила, стабилни документи).

Правило на палецот:

  • ако често се менува - држете го краткорочно

  • ако е стабилно - чувајте долгорочно

  • ако е чувствително - чувајте минимално (или воопшто не чувајте)

Чекор 7: Додадете валидација и „критична“ пропусница 🧪

Евтин, практичен модел:

  • агентот генерира резултат

  • валидатор проверува структура и ограничувања

  • опционални прегледи на критичкиот модел за пропуштени чекори или прекршувања на политиката NIST AI RMF 1.0

Не е совршено, но фаќа шокантно многу глупости.

Чекор 8: Евидентирајте сè за кое ќе зажалите што не сте го евидентирале 📜

Дневник:

Иднината - ќе ти бидеш благодарен. Сегашноста - ќе ја заборавиш. Тоа е едноставно живот 😵💫

7) Повикување на алатки што нема да ви ја скрши душата 🧰😵

Повикувањето алатки е местото каде што „Како да се изгради агент за вештачка интелигенција“ станува вистинско софтверско инженерство.

Направете ги алатките сигурни (доверливоста е добра)

Доверливи алатки се:

  • детерминистички

  • тесен по опсег

  • лесно за тестирање

  • безбедно е повторно да се стартува Stripe „Idempotent requests“

Додајте заштитни огради на слојот со алатки, не само инструкции

Поттикнувањата се учтиви предлози. Валидацијата на алатките е заклучена врата. Структурирани излези на OpenAI

Направи:

  • листи на дозволи (кои алатки можат да се извршуваат)

  • валидација на влез

  • ограничувања на стапки на OpenAI водич за ограничувања на стапки

  • проверки на дозволи по корисник/организација

  • „Режим на суво работење“ за ризични дејства

Дизајн за делумно откажување

Алатките откажуваат. Мрежите се нишаат. Авторизацијата истекува. Агентот мора:

Прилично ефикасен трик: вратете структурирани грешки како што се:

  • тип: грешка_за_авторизација

  • тип: не е_пронајден

  • тип: rate_limited
    Значи, моделот може да реагира интелигентно наместо да паничи.

8) Сеќавање кое помага наместо да ве прогонува 👻🗂️

Сеќавањето е моќно, но може да стане и фиока за ѓубре.

Краткорочна меморија: одржувајте ја компактна

Употреба:

  • последните N чекори

  • тековен резиме (се ажурира секоја јамка)

  • тековен план

  • моментални ограничувања (буџет, време, политики)

Ако сè го ставите во контекст, добивате:

  • повисока цена

  • побавна латентност

  • повеќе конфузија (да, дури и тогаш)

Долгорочна меморија: обновување наместо „полнење“

Поголемиот дел од „долгорочната меморија“ е повеќе како:

  • вградувања

  • векторска продавница

  • RAG хартија со зголемена генерација (RAG) за пребарување

Агентот не меморира. Ги презема најрелевантните фрагменти за време на извршување. LlamaIndex „Вовед во RAG“

Практични правила за меморија

  • Зачувајте ги „преференциите“ како експлицитни факти: „Корисникот сака резимеа со точки и мрази емотикони“ (хаха, не тука 😄)

  • Зачувајте ги „одлуките“ со временски ознаки или верзии (инаку се натрупуваат противречности)

  • Никогаш не чувајте тајни освен ако навистина не морате

И еве ја мојата несовршена метафора: меморијата е како фрижидер. Ако никогаш не го исчистите, на крајот вашиот сендвич ќе има вкус на кромид и жалење.

9) Модели на планирање (од едноставни до фенси) 🧭✨

Планирањето е само контролирано распаѓање. Не го правете мистично.

Модел А: Планер за контролна листа ✅

  • Моделот прикажува листа на чекори

  • Извршува чекор-по-чекор

  • Статус на листата за проверка на ажурирања

Одлично за воведување во системот. Едноставно, тестирано.

Модел Б: Јамка на ReAct (причина + дејствување) 🧠→🧰

  • моделот одлучува за следниот повик за алатката

  • набљудува излез

  • повторува ReAct труд

Ова е класичното чувство на агент.

Модел C: Супервизор-работник 👥

Ова е вредно кога задачите се паралелизираат или кога сакате различни „улоги“ како што се:

  • истражувач

  • кодерот

  • уредник

  • Проверувач на квалитет

Модел D: Планирај-па-изврши со препланирање 🔄

  • креирај план

  • изврши

  • ако резултатите од алатката ја променат реалноста, препланирајте

Ова го спречува агентот тврдоглаво да следи лош план. Луѓето исто така го прават ова, освен ако не се уморни, во кој случај и тие следат лоши планови.

10) Безбедност, сигурност и избегнување на отпуштање 🔐😅

Ако вашиот агент може да преземе мерки, ви е потребен безбедносен дизајн. Не е „убаво да го имате“. Потребен. NIST AI RMF 1.0

Цврсти ограничувања

  • максимални чекори по трчање

  • максимални повици на алатката во минута

  • максимално трошење по сесија (буџет за токени)

  • ограничени алатки зад одобрувањето

Ракување со податоци

  • редактирај чувствителни влезови пред најавување

  • одделни средини (развивач наспроти продукција)

  • дозволи за алатки со најмалку привилегии

Ограничувања на однесувањето

  • принудете го агентот да цитира внатрешни фрагменти од докази (не надворешни врски, само внатрешни референци)

  • бараат ознаки за неизвесност кога довербата е ниска

  • бара „постави разјаснувачки прашање“ ако внесените податоци се двосмислени

Сигурен агент не е најсигурен. Тоа е оној што знае кога претпоставува… и го кажува тоа.

11) Тестирање и евалуација (делот што сите го избегнуваат) 🧪📏

Не можеш да го подобриш она што не можеш да го измериш. Да, таа реплика е клише, но е досадно вистинита.

Изградете сет сценарија

Креирајте 30-100 тест случаи:

Резултати од бодовите

Користете метрики како што се:

  • стапка на успех на задачата

  • време до завршување

  • стапка на обновување на грешки во алатката

  • стапка на халуцинации (тврдења без докази)

  • стапка на одобрување од луѓе (доколку е во надгледуван режим)

Регресивни тестови за инструкции и алатки

Секогаш кога ќе промените:

  • шема на алатки

  • системски инструкции

  • логика за пребарување

  • формат на меморија
    Повторно стартувајте го пакетот.

Агентите се чувствителни суштества. Како собните растенија, но поскапи.

12) Модели на распоредување кои нема да ви го стопат буџетот 💸🔥

Започнете со една услуга

Додадете рано контроли на трошоците

  • кеширање на резултатите од пребарувањето

  • компресирање на состојбата на разговорот со резимеа

  • користење на помали модели за рутирање и екстракција

  • ограничување на „режимот на длабоко размислување“ на најтешките чекори

Заеднички избор на архитектура

  • контролер без состојба + надворешно складиште на состојби (DB/redis)

  • Повиците на алатките се идемпотентни каде што е можно Stripe „Идемпотентни барања“

  • ред за долги задачи (за да не држите веб-барање отворено засекогаш)

Исто така: изградете „прекинувач за исклучување“. Нема да ви треба сè додека навистина, навистина не ви треба 😬

13) Заклучоци - кратка верзија на „Како да изградите агент за вештачка интелигенција“ 🎁🤖

Ако не се сеќавате на ништо друго, запомнете го ова:

Агентот не е магија. Тоа е систем кој донесува добри одлуки доволно често за да биде вреден… и признава пораз пред да предизвика штета. Тивко утешно, на некој начин 😌

И да, ако го изградите правилно, се чувствувате како да вработувате мал дигитален практикант кој никогаш не спие, повремено паничи и обожава да работи со документација. Значи, во основа, практикант.

Најчесто поставувани прашања

Што е агент на вештачка интелигенција, едноставно кажано?

Агентот со вештачка интелигенција е во основа јамка што се повторува: прима влезни информации, одлучува за следниот чекор, користи алатка, го чита резултатот и повторува додека не се заврши. „Агентскиот“ дел доаѓа од дејствување и набљудување, а не само разговор. Многу агенти се само паметна автоматизација со пристап до алатки, додека други се однесуваат повеќе како помлад оператор кој може да се опорави од грешки.

Кога треба да изградам агент за вештачка интелигенција наместо само да користам потсетник?

Изградете агент кога работата е во повеќе чекори, се менува врз основа на средни резултати и бара сигурна употреба на алатки (API-ја, бази на податоци, издавање тикети, извршување на код). Агентите се исто така корисни кога сакате повторувачки резултати со заштитни огради и начин за проверка „завршено“. Ако едноставен брз одговор функционира, агентот обично е непотребен прекумерен трошок и дополнителни режими на дефекти.

Како да изградам агент на вештачка интелигенција кој нема да се заглавува во јамки?

Користете услови за тврдо запирање: максимални чекори, максимални повици на алатки и јасни проверки за завршување. Додадете структурирани шеми на алатки, тајмаути и повторни обиди кои нема да се обидуваат повторно засекогаш. Евидентирајте ги одлуките и излезните резултати од алатките за да можете да видите каде отстапуваат од колосекот. Чест сигурносен вентил е ескалацијата: ако агентот е несигурен или ги повторува грешките, треба да побара помош, а не да импровизира.

Која е минималната архитектура за Како да се изгради агент за вештачка интелигенција?

Најмалку ви е потребна контролерска јамка која го снабдува моделот со цел и контекст, бара следна акција, извршува алатка доколку е побарано, го додава набљудувањето и повторува. Исто така, ви се потребни алатки со строги влезно/излезни форми и проверка на „завршено“. Дури и јамка што сама ја извршуваш може да работи добро ако ја одржуваш состојбата чиста и спроведуваш ограничувања на чекорите.

Како треба да дизајнирам повикување на алатки за да биде сигурно во производството?

Алатките треба да бидат ограничени, типизирани, со дозволи и валидирани - избегнувајте генеричка алатка „do_anything“. Претпочитајте строги шеми (како структурирани излези/повикување функции) за агентот да не може рачно да менува влезни податоци. Додадете списоци на дозволи, ограничувања на брзината и проверки на дозволите на корисникот/организацијата на ниво на алатката. Дизајнирајте ги алатките така што ќе бидат безбедни за повторно извршување кога е можно, користејќи шеми на идемпотентност.

Кој е најдобриот начин да се додаде меморија без да се влоши состојбата на агентот?

Третирајте ја меморијата како два дела: краткорочна состојба на извршување (неодамнешни чекори, тековен план, ограничувања) и долгорочно пребарување (преференции, стабилни правила, релевантни документи). Одржувајте краткорочна компактна состојба со резимеа на извршување, а не со целосни транскрипти. За долгорочна меморија, пребарувањето (вградувања + векторски складишта/RAG шеми) обично е подобро од „вметнување“ на сè во контекст и збунување на моделот.

Кој модел на планирање треба да го користам: контролна листа, ReAct или работен надзорник?

Планерот за контролна листа е одличен кога задачите се предвидливи и сакате нешто лесно за тестирање. Јамките во стилот на ReAct се одлични кога резултатите од алатките го менуваат она што го правите следно. Моделите супервизор-работник (како што е раздвојувањето на улогите во стилот на AutoGen) помагаат кога задачите можат да се паралелизираат или да имаат корист од различни улоги (истражувач, програмер, QA). Планирањето, а потоа извршувањето со препланирање е практична средина за избегнување на тврдоглави лоши планови.

Како да направам агент безбеден ако може да преземе вистински дејствија?

Користете дозволи со најмалку привилегии и ограничете ги ризичните алатки зад режимите за одобрување или „суво работење“. Додадете буџети и ограничувања: максимални чекори, максимални трошоци и ограничувања за повици на алатки по минута. Редирајте ги чувствителните податоци пред најавувањето и одделете ги средините за развој од продукциските средини. Побарајте ознаки за неизвесност или прашања за разјаснување кога влезните податоци се двосмислени, наместо да дозволите довербата да ги замени доказите.

Како да тестирам и евалуирам агент со вештачка интелигенција за да се подобри со текот на времето?

Изградете пакет сценарија со среќни патеки, рабни случаи, неуспеси на алатките, двосмислени барања и обиди за инјектирање на потсетници (OWASP стил). Оценете ги резултатите како што се успех на задачата, време до завршување, закрепнување од грешки во алатките и тврдења без докази. Секој пат кога ќе ги промените шемите на алатките, потсетниците, пребарувањето или форматирањето на меморијата, повторно стартувајте го пакетот. Ако не можете да го тестирате, не можете сигурно да го испорачате.

Како да распоредам агент без да ги зголемам латенцијата и трошоците?

Честа шема е контролер без состојба со надворешно складиште на состојби (DB/Redis), алатки за услуги зад него и силно евидентирање/мониторинг (често OpenTelemetry). Контролирајте ги трошоците со кеширање за пребарување, компактни резимеа на состојби, помали модели за рутирање/екстракција и ограничување на „длабокото размислување“ на најтешките чекори. Користете редови за долги задачи за да не ги држите отворени веб-барањата. Секогаш вклучувајте прекинувач за убивање.

Референци

  1. Национален институт за стандарди и технологија (NIST) - NIST AI RMF 1.0 (доверливост и транспарентност) - nvlpubs.nist.gov

  2. OpenAI - Структурирани излези - platform.openai.com

  3. OpenAI - Водич за повикување функции - platform.openai.com

  4. OpenAI - Водич за ограничувања на цени - platform.openai.com

  5. OpenAI - Работи API - platform.openai.com

  6. OpenAI - Повикување на функции за асистенти - platform.openai.com

  7. LangChain - Документација за агенти (JavaScript) - docs.langchain.com

  8. LangChain - Документација за алатки (Python) - docs.langchain.com

  9. LangChain - Преглед на меморијата - docs.langchain.com

  10. arXiv - Реакт труд (причина + дејствување) - arxiv.org

  11. arXiv - RAG труд - arxiv.org

  12. Библиотека на градители на Amazon Web Services (AWS) - Истекување на време, повторни обиди и застој со треперење - aws.amazon.com

  13. OpenTelemetry - Водич за набљудување - opentelemetry.io

  14. Stripe - Идемпотентни барања - docs.stripe.com

  15. Google Cloud - Стратегија за повторен обид (повлекување + треперење) - docs.cloud.google.com

  16. OWASP - Топ 10 за апликации за големи јазични модели - owasp.org

  17. OWASP - LLM01 Брза инјекција - genai.owasp.org

  18. LlamaIndex - Вовед во RAG - developers.llamaindex.ai

  19. Microsoft - Семантичко јадро - learn.microsoft.com

  20. Microsoft AutoGen - Мулти-агентска рамка (документација) - microsoft.github.io

  21. CrewAI - Концепти на агенти - docs.crewai.com

  22. Сејно (длабоко) - Документација за ретривери - docs.haystack.deepset.ai

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас

Назад кон блогот