دعنا نضبط OpenAI gpt-oss (100٪ محليا):

قم ببناء ذاكرة شبيهة بالبشر لوكلائك (مفتوح المصدر)! يكافح كل نظام وكيل ونظام RAG مع تحديثات المعرفة في الوقت الفعلي والاسترجاع السريع للبيانات. تحل Zep هذه المشكلات من خلال الرسم البياني المعرفي المتطور باستمرار والواعي زمنيا. مثل البشر ، ينظم Zep ذكريات العميل في حلقات ، ويستخرج الكيانات وعلاقاتها من هذه الحلقات ، ويخزنها في رسم بياني معرفي: (راجع الصورة أدناه أثناء القراءة) 1) الرسم البياني الفرعي للحلقة: يلتقط البيانات الأولية باستخدام الطوابع الزمنية ، ويحتفظ بكل التفاصيل لسهولة البحث التاريخي. 2) الرسم البياني الفرعي للكيان الدلالي: يستخرج الكيانات (على سبيل المثال، "أليس" و"جوجل") والحقائق ("أليس تعمل في Google"). كل شيء هو إصدار ، لذلك يتم استبدال المعلومات القديمة. 3) الرسم البياني الفرعي للمجتمع: يجمع الكيانات ذات الصلة في مجموعات، مع ملخصات لاسترجاع أسرع. يوفر Zep دقة أعلى بنسبة تصل إلى 18.5٪ مع زمن انتقال أقل بنسبة 90٪ مقارنة بأدوات مثل MemGPT. إنه مفتوح المصدر بالكامل!

تقوم الشركات ببناء RAG أكثر من 100 مصدر بيانات ، وليس مصدر واحد! - تقوم Microsoft بشحنها في منتجات M365. - تشحن Google في Vertex الذكاء الاصطناعي Search. - تشحنها AWS في Amazon Q Business. دعنا نبني RAG مدعوما ب MCP أكثر من 200+ مصدر (محلي 100٪):

12 ورقة غش MCP و RAG و Agents لمهندسي الذكاء الاصطناعي (مع المرئيات):

قم بتقييم تطبيقات LLM للمحادثة مثل ChatGPT في 3 خطوات (مفتوح المصدر). على عكس المهام أحادية المنعطف ، تتكشف المحادثات عبر رسائل متعددة. هذا يعني أن سلوك LLM يجب أن يكون متسقا ومتوافقا ومدركا للسياق عبر المنعطفات ، وليس دقيقا فقط في الإخراج من طلقة واحدة. في DeepEval ، يمكنك القيام بذلك من خلال 3 خطوات فقط: 1) حدد حالة الاختبار متعددة الأدوار على أنها ConversationalTestCase. 2) حدد مقياسا باستخدام ConversationalGEval بلغة إنجليزية بسيطة. 3) قم بإجراء التقييم. منجز! سيوفر هذا تفصيلا تفصيليا للمحادثات التي مرت والتي فشلت ، إلى جانب توزيع النتيجة. علاوة على ذلك ، يمكنك أيضا الحصول على واجهة مستخدم كاملة لفحص المنعطفات الفردية. هناك شيئان جيدان حول هذا: - يعد إعداد خط الأنابيب بأكمله أمرا بسيطا للغاية ولا يتطلب سوى بضعة أسطر من التعليمات البرمجية. - DeepEval مفتوح المصدر بنسبة 100٪ مع ~ 10 آلاف نجمة ، ويمكنك بسهولة استضافته ذاتيا حتى تظل بياناتك في المكان الذي تريده. ابحث عن الريبو في التعليقات!

لقد قمت ببناء نظام RAG يستعلم عن 36M + vectors في <0.03 ثانية. التقنية المستخدمة تجعل ذاكرة RAG 32x فعالة! تحقق من التفصيل التفصيلي باستخدام الكود أدناه:

- تستخدم خرائط Google الرسم البياني ML للتنبؤ بوقت الوصول المقدر - تستخدم Netflix الرسم البياني ML (GNN) في التوصية - يستخدم Spotify الرسم البياني ML (HGNNs) في التوصية - يستخدم Pinterest الرسم البياني ML (PingSage) في التوصية فيما يلي 6 طرق يجب معرفتها لهندسة ميزات الرسم البياني (مع التعليمات البرمجية):

لقد كنت أستخدم Jupyter Notebooks لأكثر من 9 سنوات حتى الآن. فيما يلي 5 ميزات مخفية اكتشفتها لا يعرفها معظم المستخدمين:

الواجهة الخلفية المفقودة لوكلاء الذكاء الاصطناعي لديك! Motia هو نظام موحد حيث تكون واجهات برمجة التطبيقات والوظائف في الخلفية والأحداث والوكلاء مجرد خطوات للتوصيل والتشغيل. - Python و JS و TypeScript في نفس سير العمل - إمكانية الملاحظة المدمجة - النشر بنقرة واحدة 100٪ مفتوح المصدر.

خادم MCP يجعل أي شخص مهندس قاعدة بيانات (مفتوح المصدر)! أصدرت @MongoDB للتو خادم MCP الذي يتيح لأدوات الذكاء الاصطناعي مثل Claude و Cursor و GitHub Copilot التحدث مباشرة إلى نشر MongoDB. هذا يعني أن أي شخص (تقني أو غير تقني) يمكنه الآن أن يقول: - "أظهر لي المستخدمين الأكثر نشاطا" - "إنشاء مستخدم قاعدة بيانات جديد مع حق الوصول للقراءة فقط" - "ما هو مخطط مجموعة طلباتي؟" ... ودع الوكيل يتولى الباقي. لا حاجة لكتابة الاستعلامات اليدوية أو حفظ بناء الجملة. يعمل خادم MCP هذا عبر: -أطلس - إصدار المجتمع - المؤسسة المتقدمة اللغة الإنجليزية هي كل ما تحتاجه الآن لكتابة استعلامات درجة الإنتاج. 100٪ مفتوح المصدر! الرابط في التغريدة التالية. شكرا لفريق #MongoDB على الشراكة اليوم!