Lass uns OpenAI gpt-oss (100% lokal) optimieren:

Baue menschenähnliches Gedächtnis für deine Agenten (Open Source)! Jedes agentische und RAG-System hat Schwierigkeiten mit Echtzeit-Wissenupdates und schneller Datenabfrage. Zep löst diese Probleme mit seinem kontinuierlich weiterentwickelten und zeitlich bewussten Wissensgraphen. Wie Menschen organisiert Zep die Erinnerungen eines Agenten in Episoden, extrahiert Entitäten und deren Beziehungen aus diesen Episoden und speichert sie in einem Wissensgraphen: (verweise auf das Bild unten, während du liest) 1) Episoden-Subgraph: Erfasst Rohdaten mit Zeitstempeln und behält jedes Detail für eine einfache historische Abfrage. 2) Semantischer Entitäten-Subgraph: Extrahiert Entitäten (z.B. „Alice“, „Google“) und Fakten („Alice arbeitet bei Google“). Alles ist versioniert, sodass veraltete Informationen ersetzt werden. 3) Community-Subgraph: Gruppiert verwandte Entitäten in Cluster, mit Zusammenfassungen für schnellere Abfragen. Zep liefert bis zu 18,5 % höhere Genauigkeit bei 90 % geringerer Latenz im Vergleich zu Tools wie MemGPT. Es ist vollständig Open Source!

Unternehmen bauen RAG über Hunderte von Datenquellen, nicht nur eine! - Microsoft liefert es in M365-Produkten. - Google liefert es in seiner Vertex AI Search. - AWS liefert es in seinem Amazon Q Business. Lass uns ein MCP-gestütztes RAG über 200+ Quellen (100% lokal) aufbauen:

12 MCP, RAG und Agenten-Spickzettel für KI-Ingenieure (mit visuellen Elementen):

Bewerten Sie konversationelle LLM-Apps wie ChatGPT in 3 Schritten (Open-Source). Im Gegensatz zu Einzelturn-Aufgaben entfalten sich Gespräche über mehrere Nachrichten. Das bedeutet, dass das Verhalten des LLM über die Turns hinweg konsistent, konform und kontextbewusst sein muss, nicht nur in einer einmaligen Ausgabe genau. In DeepEval können Sie das in nur 3 Schritten tun: 1) Definieren Sie Ihren Multi-Turn-Testfall als ConversationalTestCase. 2) Definieren Sie eine Metrik mit ConversationalGEval in einfachem Englisch. 3) Führen Sie die Bewertung durch. Fertig! Dies bietet eine detaillierte Aufschlüsselung, welche Gespräche bestanden haben und welche nicht, zusammen mit einer Punktverteilung. Darüber hinaus erhalten Sie auch eine vollständige Benutzeroberfläche, um einzelne Turns zu inspizieren. Es gibt zwei gute Dinge daran: - Die gesamte Pipeline ist extrem einfach einzurichten und erfordert nur ein paar Zeilen Code. - DeepEval ist 100% Open-Source mit ~10k Sternen, und Sie können es leicht selbst hosten, damit Ihre Daten dort bleiben, wo Sie möchten. Finden Sie das Repository in den Kommentaren!

Ich habe ein RAG-System entwickelt, das über 36 Millionen Vektoren in <0,03 Sekunden abfragt. Die verwendete Technik macht RAG 32-mal speichereffizient! Überprüfen Sie die detaillierte Aufschlüsselung mit dem Code unten:

- Google Maps verwendet Graph-ML, um die voraussichtliche Ankunftszeit (ETA) vorherzusagen - Netflix verwendet Graph-ML (GNN) für Empfehlungen - Spotify verwendet Graph-ML (HGNNs) für Empfehlungen - Pinterest verwendet Graph-ML (PingSage) für Empfehlungen Hier sind 6 wichtige Methoden für die Graph-Feature-Engineering (mit Code):

Ich benutze Jupyter Notebooks jetzt seit über 9 Jahren. Hier sind 5 versteckte Funktionen, die ich entdeckt habe und von denen die meisten Benutzer nichts wissen:

Das fehlende Backend für Ihre KI-Agenten! Motia ist ein einheitliches System, in dem APIs, Hintergrundjobs, Ereignisse und Agenten nur Plug-and-Play-Schritte sind. - Python, JS & TypeScript im selben Workflow - Integrierte Beobachtbarkeit - Bereitstellung mit einem Klick 100% Open Source.

Ein MCP-Server, der jeden zum Datenbankingenieur macht (Open Source)! @MongoDB hat gerade einen MCP-Server veröffentlicht, der es KI-Tools wie Claude, Cursor und GitHub Copilot ermöglicht, direkt mit einer MongoDB-Installation zu kommunizieren. Das bedeutet, dass jetzt jeder (technisch oder nicht-technisch) sagen kann: - „Zeig mir die aktivsten Benutzer“ - „Erstelle einen neuen Datenbankbenutzer mit nur Lesezugriff“ - „Wie sieht das Schema für meine Bestellungen-Sammlung aus?“ ...und lasse den Agenten den Rest erledigen. Es ist nicht nötig, manuelle Abfragen einzugeben oder Syntax auswendig zu lernen. Dieser MCP-Server funktioniert über: - Atlas - Community Edition - Enterprise Advanced Englisch ist alles, was du jetzt brauchst, um produktionsreife Abfragen zu schreiben. 100% Open Source! Link im nächsten Tweet. Danke an das #MongoDB-Team für die heutige Zusammenarbeit!