如何使用代理和-LLM-简化工作
如何使用代理和 LLM 简化工作
原文：
towardsdatascience.com/how-to-streamline-your-work-with-agents-and-llms/不要错过《变量》的每一期新版本，我们的每周通讯精选了编辑们的精选内容、深度分析、社区新闻等。
如果您想探索优化基于 LLM 的工作流程的创新方法，您就来到了正确的位置。本周的重点包括代理工具调用、提示的功能测试以及创建您自己的 AI 编码助手。
在我们深入探讨之前，然而，有一个简短的提醒：在 TDS，我们欢迎现有和新作者的文章——所以如果您手头有关于数据科学、AI 或相关主题的草稿，我们的贡献者门户已开放！
带有代码示例的 MCP（模型上下文协议）清晰介绍
新接触 MCP（模型上下文协议）吗？Sandi Besen分享了一个关于这一新兴方法介绍，用于编排 AI 代理的功能——附带一个动手实践的代码示例，使内容具体且可操作。
通过功能测试掌握提示工程：可靠 LLM 输出的系统指南
如何确保模型产生您期望的输出？Ugo Pradère概述了算法测试您提示的好处。
使用 Ollama 和 Hugging Face 在 JupyterLab 中构建您自己的 AI 编码助手
清晰且专注的，Parul Pandey的逐步指南展示了您如何利用 LLM 的力量来提高编程效率。
其他推荐阅读
我们的作者兴趣广泛——正如您通过本周我们重点推荐的其它杰出文章所看到的，涵盖了多模态、数据科学代理、统计学等多个主题。
- 多模态人工智能系统如何理解图表并从中提取信息？Luciano Abriata详细介绍了他们最近取得的进展。
- 为了最小化任何数据中断的影响，请遵循Alle Sravani在 Tableau 元数据 API 教程中的实用见解。
- 为了让产品团队在人工智能时代脱颖而出，组织需要为他们设定成功的基础；Chinmay Kakatkar详细说明了这包括哪些内容。
- 阅读 Yu Dong 的Google 数据科学代理的教程，以了解最新的 AI 工具的最新动态——包括它们的优点和缺点。
- 谁不喜欢深入统计学呢？我们很高兴再次欢迎Alejandro Alvarez Perez回归，他的泊松分布入门清晰、全面且适合初学者。
认识我们的新作者
探索我们最近添加的贡献者的一些顶级作品：
- Daragh Sibley将丰富的行业经验带入他的写作中——包括他关于数据团队组织模式的处女作。
- Anya Korsakova的研究专注于生物信息学和基因组学，但她的最新 TDS 文章探讨了神经网络电路中吸引子的美丽与混沌。
- Bartek Szubstarski凭借数据处理的专业知识加入我们的社区，这在他对联邦学习背景下算法保护的实用考察中非常有用。
为 TDS 贡献力量
我们喜欢发布新作者的文章，所以如果你最近撰写了一个有趣的项目演练、教程或对我们核心主题的理论反思，为什么不与我们分享呢？
浙公网安备 33010602011771号