随笔分类 - LLM
大模型相关
摘要：这段时间，我越来越不想把 AI 叫“助手”了。 因为“助手”这个词，太轻。听上去像是帮你查点资料、写点文案、回点消息。 但我现在在做的事，已经不是这个级别了。 我不是在给 AI 随便装几个 Skill。我是在一点点把它搭成一套工作能力系统。 很多人理解 Skill，还是把它当成插件市场里的“小功能”
阅读全文
摘要：这段时间，我在做一件很有意思、也很重要的事： 不是找一个 AI 助手替我干活。而是把我的工作方法、判断标准、分析能力、设计能力，持续“教”给它，让它逐步变成我的工作分身。 很多人现在谈 AI，还是停留在“能不能帮我写文案、做表格、回消息、写代码”这个层面。 这当然有价值。但坦白说，这只是最表层的价值
阅读全文
摘要：今天简单看了看，基于Microsoft.Extensions.AI 和 Microsoft.Extensions.VectorData构建向量搜索。给大家分享分享。 首先，创建.NET 控制台应用，然后执行以下开发步骤 通过为数据集生成嵌入内容来创建和填充向量存储。 为用户提示生成嵌入内容。 使用用
阅读全文
摘要：详细记录Google A2UI 本地调试问题解决方案： 如果你还没装 uv，在 macOS 上推荐用 Homebrew： brew install uv 安装完成后验证： uv --version 默认部署会报错： × Failed to download google-genai==1.55.0
阅读全文
摘要：引用Google Gemini的释义： Agentic AI frameworks are software toolkits that provide structure, components, and protocols for building autonomous AI agents th
阅读全文
摘要：那么对于 Agent 从业者，结合白皮书内容，我们可以学到什么。我想下面是几条非常实用的启示： 从 Level 1–2 做起，而不是一上来造“超级 Agent” 先把“连通 + 工具调用 + 上下文工程”做好 把一个具体业务场景做深做稳，再考虑多 Agent 与自我进化 把 Agent 当“系统”而
阅读全文
摘要：1. Agent 如何学习与自我演化 与人类类似，智能体通过经验和外部信号进行持续学习然后进化，才能胜任人类社会更多的任务（这也是一个比较热门的研究领域，后面再单独聊）。 白皮书把 Agent 的“学习信号”分成几类： 运行时经验：日志、Trace、记忆，包含成功与失败的轨迹 外部信号：新政策文档、
阅读全文
摘要：在身份与安全体系中，Agent 被视为一种新的主体类型： 传统只有两类： 用户（OAuth/SSO） 服务账号（IAM/Service Account） 现在增加第三类： Agent 身份：有独立的数字身份、证书与权限范围 可以通过类似 SPIFFE 的标准进行身份验证 授予严格的最小权限，限制可访
阅读全文
摘要：Google Agent白皮书讨论了 Agent 与外部世界的三种关键关系。 1. Agents & Humans：更自然、更高带宽的交互 最简单的是聊天式 UI 进阶是结构化输出（JSON），驱动富 UI 或工作流引擎 更进一步是 Computer Use： Agent 直接操纵 UI 元素（点击
阅读全文
摘要：Google Agent白皮书提出一个重要概念：Agent Ops，是 DevOps/MLOps 在 Agent 时代的自然演进。 1. 测试不再是“output == expected” Agent 响应本身就是概率性的，同一个请求每次都可能略有不同 语言质量和任务完成度，往往难以用简单断言描述
阅读全文
摘要：目前的 LLM 是生成式 AI， 更像一个预测引擎： 用户提出一个问题 模型基于训练数据和提示词，单次生成一个回答 每一步都要人类驱动，缺少持续性、记忆和行动能力 白皮书指出，我们正经历一场范式转移：从 Predictive AI 转向 Autonomous Agents： 不再只是“给一个答案”，
阅读全文
摘要：最近研究Function Call，总结了一篇文章，分享给大家 一、GPT-4中实现函数调用功能 定义函数：首先，开发一个函数。例如，一个获取天气信息的函数可能如下： def get_current_weather(location, unit='Celsius'): # 此处实现获取天气信息的逻辑
阅读全文
浙公网安备 33010602011771号