AI.x社区

嘿，大家好！这里是一个专注于AI智能体的频道今天给家人们分享一些智能体应用的目前的一些好的消息。今年在AI开发工具领域有一个逐渐兴起的观点：具有更好"AI计算机交互接口"的工具，将有比较大希望能解决AIAgent的可靠性和准确性问题。目前这种趋势已经在多个产品中体现出来，比如E2B平台(​​https:github.come2bdevE2B​​)，以及由JeremyHoward发起、现在被Anthropic采用的llms.txt文档规范。最新Vercel也推出了一个通用的A...

近期，微软推出了一款创新性的通用MultiAgent框架——MagenticOne。这个开源项目致力于处理各类复杂的开放性任务，涵盖范围包括网络浏览操作、本地文件管理、Python代码编写与执行、市场研究分析以及学术论文撰写等多个方面。该框架由五个核心智能体构成：总体协调的Orchestrator、负责网络任务的WebSurfer、管理文件系统的FileSurfer、专注编程的Coder，以及处理终端操作的ComputerTerminal。在这个体系中，Orchestrator作为核...

在与用户进行自然对话交互时，智能体需要完成两个核心任务：一是进行对话交流，二是执行推理与规划。智能体在对话过程中，需要综合利用所有可获取的信息来做出回应，同时其行为要始终围绕目标展开。这种对话交互与多步推理规划的双重模式，与卡尼曼所描述的人类快速和缓慢思维系统颇为相似。基于这一理念，DeepMind团队开发了一个双系统框架，称为TalkerReasoner，旨在模仿人类的这两种思维模式。为了实现智能体与用户之间的自...

嘿，大家好！这里是一个专注于AI智能体的频道！今天我要跟大家分享一个超级棒的开源工具——Crawl4AI。这个工具简直是构建AIAgent的福音，它自动化了网页爬取和数据提取的过程，让开发者们能更高效地构建智能Agent来收集和分析信息。首先，Crawl4AI是完全开源且免费的，这意味着开发者们可以无门槛地使用它。它的核心亮点是AI驱动，能够自动识别和解析网页元素，大大节省了我们的时间和精力。而且，Crawl4AI还能将提取的数据转...

ToolGen:UnifiedToolRetrievalandCallingviaGeneration随着大型语言模型（LLMs）的发展，它们无法与外部工具直接交互以自主执行任务，这仍然是一个关键的限制。传统方法依赖于将工具描述作为上下文进行输入，这受到上下文长度的限制，并且需要单独的、通常效率不高的检索机制。我们引入了ToolGen，这是一种范式转变，通过将每个工具表示为唯一的token，直接将工具知识集成到LLM的参数中。这使得LLM能够生成工具调用和参数作为其...

今天我们来聊聊一个超酷的东西——使用AutoGPT创建的智能Agent。想象一下，你有一个庞大的在线商城数据库，里面存储了海量的用户和交易数据。你想知道有多少活跃用户？一个AutoGPTAgent就能帮你秒查出来，而且，它还能写出正确的SQL查询，不会出错的那种。首先，我们需要给AutoGPT准备一个“大脑”，也就是向量存储，用来保存它的记忆。然后，我们还需要定义一些工具，让Agent知道如何执行SQL查询、获取表结构等。代码大致长这...

嘿，大家好！这里是一个专注于AI智能体的频道！今天开始我们来详细看看智能体的大脑——记忆模块的内部，主要从三个方面来扒一扒：记忆从哪儿来，记忆长啥样，以及怎么用记忆。今天我们主要聊聊记忆来源这个话题！首先，我们得明白，记忆对Agent来说，就像是它们的知识库和经验集，能让它们在处理任务时更加得心应手。记忆来源，就是指智能体记忆内容的出处。这里，我们主要关注三种类型的记忆来源：内部任务信息（InsidetrialI...

嘿，大家好！这里是一个专注于AI智能体的频道小长假结束了，今天给家人们分享一下假期开源的一个Agent设计模式图，图画的很漂亮。热度蛮高的，然后还有大佬开源了配套的tutorialgithub项目。Agentic设计模式常见的有4种基于reflection的，纯粹的对结果反思，无外部交互。这是一个非常基础的模式，尽管很简单，但却可以为结果带来挺大的提升。与工具交互，并对交互结果进行推理。LLM中存储的信息通常不足以准确、有见地地回答问...

嘿，大家好！这里是一个专注于AI智能体的频道今天给家人们分享一个新RAG技巧，随着LLMs能力的变强，检索整个文档而不是文档块已经逐渐成为RAG的新规范。但是如何从大量文档中找出正确的文档呢？最近akshaypachaar大佬，开源了一个改变游戏规则的方法，它将RAG与结构化查询相结合，以实现精确的文档检索。方法的秘密是：建索引的每个文档块附带上文档的信息执行块搜索，从而可以获取到相关的文档的元数据使用检索到的元数据作为...

今天分享这篇很干的文章！通过对RAG系统的用户Query进行难度区分，进而可以将系统划分为4个等级。RetrievalAugmentedGeneration(RAG)andBeyond:AComprehensiveSurveyonHowtoMakeyourLLMsuseExternalDataMoreWisely使用外部数据增强的大型语言模型(LLMs)在完成现实世界任务方面表现出了卓越的能力。外部数据不仅增强了模型的特定领域专业知识和时间相关性，而且还减少了幻觉的发生率，从而增强了输出的可控性和可解释性。将外部...

嘿，大家好！这里是一个专注于AI智能体的频道最近这2篇综述有点撞车了，不是纯正的Agent综述，可以了解一下最新的应用测的Agent发展情况！现实中的Agent系统会面临很多的挑战，常见的有以下几点：感知模块的探索不足：当前研究中对LLMbasedAgent的感知模块探索不够，尤其是在处理代码这类特殊文本输入时，缺乏对树图结构等高级输入模式的研究。角色扮演能力的需求：Agent常常需要在不同任务中扮演多种角色，如代码生成器、测试...

嘿，大家好！这里是一个专注于AI智能体的频道！今天跟大家聊一些关于Agent发展的事情。如果说去年是RAG的元年，大家都在naiveRAG中添加各种技巧，使其变成AdavancedRAG。今年应该就是Agent的元年，年初RAG的迭代变成了AgenticRAG的发展方向，上半年Agent、Agentic、workflow等名词的爆火。当然后来到年终，RAG炒作到了RAG2.0、GraphRAG等上面，最近的RAG炒作变成了MemoryRAG，或者RAG已死等等相关的尽管智能体Agent很热门，但它...

嘿，大家好！这里是一个专注于AI智能体的频道！今天给大家安利一个开源框架muAgentv2.0：KG引擎驱动的创新Agent框架。由LLM和EKG（EventicKnowledgeGraph，行业知识载体）驱动的全新Agent框架，协同利用MultiAgent、FunctionCall、CodeInterpreter等。通过基于画布的拖放和简单的文本编写，大语言模型可以辅助您在人工指导下执行各种复杂的SOP。它兼容市场上现有的框架，可以实现四大核心差异化技术功能：复杂推理、在线协作、...

今天给大家分享JinaAI提出的一个新的技巧。正常在处理大规模数据建索引的时候，一般我们需要先对文档进行分块，建立向量索引。而这个分块大小，设置的都是比较短的，比如512。一方面是早期bert的处理长度的限制，另一个方面是如果文本太长，包含的信息就越多，那么可能比较难用一个向量来表征出来。图片对于前者，如果持续关注向量模型的同学可以发现，无论是开源的BGE系列，还是闭源的API，都在往一个较长的上下文靠齐（比如说...

嘿，大家好！这里是一个专注于AI智能体的频道！今天和大家聊聊一个经典的，贝壳提出的RAISEAgent架构。除了架构之外，还包含一个全面的智能体训练框架，从数据选取到场景增强等等。FromLLMtoConversationalAgent:AMemoryEnhancedArchitecturewithFineTuningofLargeLanguageModels本文介绍了RAISE（通过Scratchpad和示例进行reasoning和acting），这是一种高级架构，可增强GPT4等大型语言模型(LLMs)与会话Agent的集成。RAISE是Re...

嘿，大家好！这里是一个专注于AI智能体的频道！CAMELAI在Mistralcookbook上新增了一个教程。主要内容为：如何利用CAMEL的RAG与Firecrawl相结合，以实现高效的网络爬虫、multiagent角色扮演任务和知识图谱构建。示例是介绍一个使用Mistral模型对2024年巴黎奥运会土耳其射手进行全面研究的示例。图可能看不清，Agentops和output单独截图在下方：2个Agent，一个作为User提出指令，另外一个作为Assistant，执行任务。aiuser>instruc...

图神经网络（GNNs，GraphNeuralNetworks）是一类专为图结构数据设计的强大神经网络，擅长捕捉数据之间的复杂联系和关系。相较于传统神经网络，GNN在处理相互关联的数据点时更具优势，比如在社交网络分析、分子结构建模或交通系统优化等领域，GNN能够发挥出卓越的性能。1GNN概述图神经网络是近年来新兴的一类深度学习模型，擅长处理图形数据。传统神经网络处理的是像数字列表这样的简单数据，而图神经网络能处理更复杂的图形数据...

嘿，大家好！这里是一个专注于AI智能体的频道！最近，深度学习和人工智能领域的大牛们在arXiv上发表了一篇有趣的研究，标题挺长的：《检索增强生成或长上下文大型语言模型？全面研究和混合方法》。今天分享一篇由GoogleDeepMind和密歇根大学的研究人员发布的一个长上下文和RAG混合的方法。RetrievalAugmentedGenerationorLongContextLLMsAComprehensiveStudyandHybridApproach检索增强生成（RAG）一直是大型语言模型（LLMs）高...

嘿，大家好！这里是一个专注于AI智能体的频道！今天我要和大家聊聊一些实战相关的内容。大模型在实际的工业场景下最常见的2个场景分别为应用助手（copilot）,文档知识库问答（RAG）。事实上后者也逐渐在往更复杂的Agentic方向发展了，今天我们来看以下如何搭建一个可控的RAGAgent。RAGAgent核心是它的“大脑”，一个复杂的确定性图，它能让AI进行复杂的推理。而且，这个系统一般还能防止“幻觉”。确保所有答案都基于提供的数据...

嘿，大家好！这里是一个专注于AI智能体的频道！今天来聊聊一篇挺有意思的论文，被langchain官方点名，很多评论推荐的文章！MultiMetaRAG:ImprovingRAGforMultiHopQueriesusingDatabaseFilteringwithLLMExtractedMetadata检索增强生成（RAG）支持从外部知识源检索相关信息，并允许大型语言模型（LLM）回答对以前看不见的文档集合的查询。然而，研究表明，传统的RAG应用程序在回答多跳问题方面表现不佳，这些问题需要检索和推理支...