Vamos ajustar o OpenAI gpt-oss (100% localmente):

Construa memória humana para seus agentes (código aberto)! Todos os sistemas agenciais e RAG lutam com atualizações de conhecimento em tempo real e recuperação rápida de dados. A Zep resolve esses problemas com seu Knowledge Graph em constante evolução e consciência temporal. Como os humanos, o Zep organiza as memórias de um Agente em episódios, extrai entidades e seus relacionamentos desses episódios e os armazena em um gráfico de conhecimento: (consulte a imagem abaixo enquanto lê) 1) Subgráfico do episódio: captura dados brutos com carimbos de data/hora, retendo todos os detalhes para facilitar a pesquisa histórica. 2) Subgrafo de entidade semântica: extrai entidades (por exemplo, "Alice", "Google") e fatos ("Alice trabalha no Google"). Tudo é versionado, então informações desatualizadas são substituídas. 3) Subgrafo da Comunidade: Agrupa entidades relacionadas em clusters, com resumos para recuperação mais rápida. O Zep oferece precisão até 18,5% maior com latência 90% menor quando comparado a ferramentas como o MemGPT. É totalmente de código aberto!

As empresas constroem RAG em mais de 100 fontes de dados, não uma! - A Microsoft o envia em produtos M365. - O Google o envia em sua pesquisa Vertex AI. - A AWS o envia em seu Amazon Q Business. Vamos construir um RAG baseado em MCP com mais de 200+ fontes (100% local):

12 folhas de referência de MCP, RAG e agentes para engenheiros de IA (com recursos visuais):

Avalie aplicativos LLM de conversação como o ChatGPT em 3 etapas (código aberto). Ao contrário das tarefas de turno único, as conversas se desenrolam em várias mensagens. Isso significa que o comportamento do LLM deve ser consistente, compatível e sensível ao contexto em todos os turnos, não apenas preciso na saída única. No DeepEval, você pode fazer isso com apenas 3 etapas: 1) Defina seu caso de teste de vários turnos como um ConversationalTestCase. 2) Defina uma métrica com ConversationalGEval em inglês simples. 3) Execute a avaliação. Terminado! Isso fornecerá uma análise detalhada de quais conversas foram aprovadas e quais falharam, juntamente com uma distribuição de pontuação. Além disso, você também obtém uma interface de usuário completa para inspecionar turnos individuais. Há duas coisas boas sobre isso: - Todo o pipeline é extremamente simples de configurar e requer apenas algumas linhas de código. - O DeepEval é 100% de código aberto com ~ 10 mil estrelas, e você pode facilmente hospedá-lo para que seus dados permaneçam onde você quiser. Encontre o repositório nos comentários!

Eu construí um sistema RAG que consulta 36M+ vetores em <0,03 segundos. A técnica usada torna a memória RAG 32x eficiente! Confira o detalhamento com o código abaixo:

- O Google Maps usa o gráfico ML para prever o ETA - A Netflix usa o gráfico ML (GNN) na recomendação - Spotify usa gráfico ML (HGNNs) na recomendação - O Pinterest usa o gráfico ML (PingSage) na recomendação Aqui estão 6 maneiras obrigatórias de engenharia de recursos gráficos (com código):

Eu uso Jupyter Notebooks há mais de 9 anos. Aqui estão 5 recursos ocultos que descobri que a maioria dos usuários não conhece:

O back-end que faltava para seus agentes de IA! O Motia é um sistema unificado em que APIs, trabalhos em segundo plano, eventos e agentes são apenas etapas plug-and-play. - Python, JS e TypeScript no mesmo fluxo de trabalho - Observabilidade integrada - Implantação com um clique 100% de código aberto.

Um servidor MCP que torna qualquer um um engenheiro de banco de dados (código aberto)! @MongoDB acaba de lançar um servidor MCP que permite que ferramentas de IA como Claude, Cursor e GitHub Copilot conversem diretamente com uma implantação do MongoDB. Isso significa que qualquer pessoa (técnica ou não técnica) agora pode dizer: - "Mostre-me os usuários mais ativos" - "Criar um novo usuário de banco de dados com acesso somente leitura" - "Qual é o esquema da minha coleção de pedidos?" ... e deixe o Agente cuidar do resto. Não há necessidade de digitar consultas manuais ou memorizar a sintaxe. Este servidor MCP funciona em: -Atlas - Edição da Comunidade - Empresa Avançada O inglês é tudo o que você precisa agora para escrever consultas de nível de produção. 100% de código aberto! Link no próximo tweet. Obrigado à equipe #MongoDB pela parceria hoje!