让我们微调 OpenAI gpt-oss（100% 本地）:

为您的代理构建类人记忆（开源）！ 每个代理和RAG系统在实时知识更新和快速数据检索方面都面临挑战。 Zep通过其不断发展的、具有时间感知的知识图谱解决了这些问题。 像人类一样，Zep将代理的记忆组织成情节，从这些情节中提取实体及其关系，并将其存储在知识图谱中： （在阅读时请参考下面的图像） 1) 情节子图：捕获带有时间戳的原始数据，保留每个细节以便于历史查找。 2) 语义实体子图：提取实体（例如，“Alice”，“Google”）和事实（“Alice在Google工作”）。所有信息都有版本控制，因此过时的信息会被替换。 3) 社区子图：将相关实体分组为集群，并提供摘要以加快检索速度。 与MemGPT等工具相比，Zep的准确性提高了高达18.5%，延迟降低了90%。 它是完全开源的！

企业在数百个数据源上构建RAG，而不是仅仅一个！ - 微软在M365产品中提供它。 - 谷歌在其Vertex AI Search中提供它。 - AWS在其Amazon Q Business中提供它。 让我们在200多个源（100%本地）上构建一个MCP驱动的RAG：

12份针对AI工程师的MCP、RAG和代理的备忘单（附带视觉效果）:

以3个步骤评估像ChatGPT这样的对话LLM应用（开源）。 与单轮任务不同，对话是在多条消息中展开的。 这意味着LLM的行为必须在多个回合中保持一致、合规，并且具有上下文意识，而不仅仅是在一次输出中准确。 在DeepEval中，您可以通过以下3个步骤做到这一点： 1）将您的多轮测试用例定义为ConversationalTestCase。 2）用简单英语定义一个度量标准，使用ConversationalGEval。 3）运行评估。 完成！ 这将提供详细的分析，显示哪些对话通过，哪些失败，以及得分分布。 此外，您还可以获得一个完整的用户界面来检查单独的回合。 这有两个好处： - 整个流程非常简单，只需几行代码即可设置。 - DeepEval是100%开源的，拥有约1万颗星，您可以轻松自托管，以便您的数据保持在您希望的位置。 在评论中找到仓库！

我构建了一个 RAG 系统，可以在 <0.03 秒内查询 3600 万个以上的向量。 所使用的技术使 RAG 的内存效率提高了 32 倍！ 请查看下面的详细代码分解：

- 谷歌地图使用图形机器学习预测预计到达时间 - Netflix在推荐中使用图形机器学习（GNN） - Spotify在推荐中使用图形机器学习（HGNNs） - Pinterest在推荐中使用图形机器学习（PingSage） 以下是6种图形特征工程的必知方法（附代码）：

我已经使用 Jupyter Notebooks 超过 9 年了。 以下是我发现的 5 个大多数用户并不知道的隐藏功能：

您的 AI 代理缺少后端！ Motia 是一个统一的系统，其中 API、后台作业、事件和代理只是即插即用步骤。 - 同一工作流程中的 Python、JS 和 TypeScript - 内置可观测性 - 一键部署 100% 开源。

一个让任何人成为数据库工程师的MCP服务器（开源）！ @MongoDB刚刚发布了一个MCP服务器，让像Claude、Cursor和GitHub Copilot这样的AI工具可以直接与MongoDB部署进行对话。 这意味着任何人（无论是技术人员还是非技术人员）现在都可以说： - “给我显示最活跃的用户” - “创建一个只读访问的新数据库用户” - “我的订单集合的模式是什么？” ...然后让代理处理其余的。 无需手动输入查询或记忆语法。 这个MCP服务器适用于： - Atlas - 社区版 - 企业高级版 现在只需英语就能编写生产级查询。 100%开源！链接在下一条推文中。 感谢#MongoDB团队今天的合作！