Давайте доработаем OpenAI gpt-oss (100% локально):

Создайте память, похожую на человеческую, для ваших агентов (с открытым исходным кодом)! Каждая агентная и RAG система сталкивается с проблемами обновления знаний в реальном времени и быстрого извлечения данных. Zep решает эти проблемы с помощью своей постоянно развивающейся и временно осведомленной графа знаний. Как и люди, Zep организует воспоминания агента в эпизоды, извлекает сущности и их отношения из этих эпизодов и хранит их в графе знаний: (смотрите изображение ниже, пока читаете) 1) Подграф эпизода: захватывает сырые данные с временными метками, сохраняя каждую деталь для легкого исторического поиска. 2) Подграф семантических сущностей: извлекает сущности (например, "Алиса", "Гугл") и факты ("Алиса работает в Гугле"). Все версии обновляются, поэтому устаревшая информация заменяется. 3) Подграф сообщества: группирует связанные сущности в кластеры, с резюме для более быстрого извлечения. Zep обеспечивает до 18,5% более высокую точность с 90% меньшей задержкой по сравнению с такими инструментами, как MemGPT. Он полностью с открытым исходным кодом!

Предприятия создают RAG на основе сотен источников данных, а не одного! - Microsoft поставляет это в продуктах M365. - Google поставляет это в своем Vertex AI Search. - AWS поставляет это в своем Amazon Q Business. Давайте создадим RAG на базе MCP более чем из 200 источников (100% локально):

12 шпаргалок по MCP, RAG и агентам для инженеров ИИ (с визуализациями):

Оцените приложения LLM для общения, такие как ChatGPT, в 3 шага (с открытым исходным кодом). В отличие от одноразовых задач, разговоры разворачиваются через несколько сообщений. Это означает, что поведение LLM должно быть последовательным, соответствующим и осведомленным о контексте на протяжении всех этапов, а не только точным в одном выходном результате. В DeepEval вы можете сделать это всего за 3 шага: 1) Определите ваш тестовый случай с несколькими этапами как ConversationalTestCase. 2) Определите метрику с помощью ConversationalGEval на простом английском. 3) Запустите оценку. Готово! Это предоставит подробный анализ того, какие разговоры прошли, а какие провалились, вместе с распределением оценок. Более того, вы также получите полный интерфейс для проверки отдельных этапов. Есть две хорошие вещи в этом: - Весь процесс крайне прост в настройке и требует всего лишь несколько строк кода. - DeepEval является 100% открытым исходным кодом с ~10k звездами, и вы можете легко разместить его на своем сервере, чтобы ваши данные оставались там, где вы хотите. Найдите репозиторий в комментариях!

Я создал систему RAG, которая запрашивает более 36 миллионов векторов за <0,03 секунды. Используемая техника делает RAG в 32 раза более эффективным по памяти! Проверьте подробный разбор с кодом ниже:

- Google Maps использует графовые ML для предсказания ETA - Netflix использует графовые ML (GNN) в рекомендациях - Spotify использует графовые ML (HGNNs) в рекомендациях - Pinterest использует графовые ML (PingSage) в рекомендациях Вот 6 обязательных способов для графовой инженерии признаков (с кодом):

Я использую Jupyter Notebooks уже более 9 лет. Вот 5 скрытых функций, которые я обнаружил и о которых большинство пользователей не знает:

Недостающий бэкенд для ваших агентов ИИ! Motia — это единая система, в которой API, фоновые задания, события и агенты — это просто готовые к работе шаги. - Python, JS и TypeScript в одном рабочем процессе - Встроенная наблюдаемость - Развертывание одним щелчком мыши 100% открытый исходный код.

Сервер MCP, который делает любого инженера баз данных (с открытым исходным кодом)! @MongoDB только что выпустила сервер MCP, который позволяет таким инструментам ИИ, как Claude, Cursor и GitHub Copilot, общаться напрямую с развертыванием MongoDB. Это означает, что теперь любой (технический или нетехнический) может сказать: - "Покажи мне самых активных пользователей" - "Создай нового пользователя базы данных с доступом только для чтения" - "Какова схема для моей коллекции заказов?" ...и пусть Агент позаботится об остальном. Нет необходимости вводить ручные запросы или запоминать синтаксис. Этот сервер MCP работает на: - Atlas - Community Edition - Enterprise Advanced Теперь вам нужно только знание английского, чтобы писать запросы производственного уровня. 100% с открытым исходным кодом! Ссылка в следующем твите. Спасибо команде #MongoDB за сотрудничество сегодня!