Kako izgraditi AI agenta

Kako izgraditi AI agenta

Kratak odgovor: Da biste izgradili AI agenta koji radi u praksi, tretirajte ga kao kontroliranu petlju: primite ulaz, odlučite o sljedećoj radnji, pozovite alat uskog opsega, promatrajte rezultat i ponavljajte dok ne prođe jasna provjera "gotovo". Zaslužuje svoje kada je zadatak višekoračan i vođen alatom; ako ga rješava jedan upit, preskočite agenta. Dodajte stroge sheme alata, ograničenja koraka, zapisivanje i validator/kritičara tako da kada alati zakažu ili su unosi dvosmisleni, agent eskalira umjesto da se ponavlja u petlji.

Ključne zaključke:

Kontrolna petlja : Implementiraj ulaz→djeluj→promatraj ponavljanje s eksplicitnim uvjetima zaustavljanja i maksimalnim brojem koraka.

Dizajn alata : Alati trebaju biti uski, tipizirani, s dopuštenjima i validirani kako bi se spriječio kaos "uradi_any".

Higijena pamćenja : Koristite kompaktno kratkoročno stanje plus dugoročno pronalaženje; izbjegavajte izbacivanje punih transkripata.

Otpornost na zlouporabu : Dodajte popise dopuštenih, ograničenja brzine, idempotentnost i "probno izvršavanje" za rizične radnje.

Testabilnost : Održavajte skup scenarija (neuspjesi, dvosmislenost, injekcije) i ponovno ih pokrenite pri svakoj promjeni.

Kako izraditi AI agenta? Infografika
Članci koje biste možda željeli pročitati nakon ovog:

🔗 Kako mjeriti performanse umjetne inteligencije
Naučite praktične metrike za mjerenje brzine, točnosti i pouzdanosti.

🔗 Kako razgovarati s umjetnom inteligencijom
Koristite upute, kontekst i daljnje upute kako biste dobili bolje odgovore.

🔗 Kako procijeniti AI modele
Usporedite modele koristeći testove, rubrike i rezultate zadataka iz stvarnog svijeta.

🔗 Kako optimizirati AI modele
Poboljšajte kvalitetu i troškove podešavanjem, obrezivanjem i praćenjem.

1) Što je AI agent, rečeno običnim ljudima 🧠

AI agent je petlja. Dokumentacija LangChain "Agenti"

To je to. Petlja s mozgom u sredini.

Unos → misli → djeluj → promatraj → ponovi . Reagiraj (rasuđivanje + djeluj)

Gdje:

  • Ulaz je korisnički zahtjev ili događaj (nova e-pošta, zahtjev za podršku, ping senzora).

  • Razmišljanje je jezični model koji rasuđuje o sljedećem koraku.

  • Djelovanje poziva alat (pretraživanje interne dokumentacije, pokretanje koda, kreiranje zahtjeva, pisanje odgovora). Vodič za pozivanje OpenAI funkcija

  • Observe čita izlaz alata.

  • Ponavljanje je dio koji stvara osjećaj "agentskog" umjesto "pričljivog". Dokumentacija LangChain "Agenti"

Neki agenti su u osnovi pametni makroi. Drugi se ponašaju više kao mlađi operateri koji mogu žonglirati zadacima i oporavljati se od pogrešaka. Oba se računaju.

Također, ne treba ti potpuna autonomija. Zapravo… vjerojatno je ne želiš 🙃

2) Kada biste trebali izgraditi agenta (a kada ne biste trebali) 🚦

Izgradite agenta kada:

  • Rad je višestepeni i mijenja se ovisno o tome što se dogodi u međuvremenu.

  • Posao zahtijeva korištenje alata (baze podataka, CRM-ovi, izvršavanje koda, generiranje datoteka, preglednici, interni API-ji). Dokumentacija LangChain "Alati"

  • Želite ponovljive rezultate s zaštitnim ogradama, a ne samo jednokratne odgovore.

  • Možete definirati "gotovo" na način koji računalo može provjeriti, čak i okvirno.

Nemojte stvarati agenta kada:

  • Jednostavan prompt + odgovor rješava problem (nemoj previše komplicirati, kasnije ćeš se mrziti).

  • Potreban vam je savršen determinizam (agenti mogu biti donekle konzistentni, ali ne i robotski).

  • Nemate nikakve alate ni podatke za povezivanje - onda su to uglavnom samo vibracije.

Budimo iskreni: polovica „projekata AI agenata“ mogla bi biti tijek rada s nekoliko pravila grananja. Ali hej, ponekad je i atmosfera važna 🤷♂️

3) Što čini dobru verziju AI agenta ✅

Evo odjeljka "Što čini dobru verziju" koji ste tražili, osim što ću biti malo izravan:

Dobra verzija AI agenta nije ona koja najviše razmišlja. To je ona koja:

Ako se vaš agent ne može testirati, to je u osnovi vrlo samouvjeren automat. Zabavan na zabavama, zastrašujući u produkciji 😬

4) Temeljni gradivni blokovi agenta („anatomija“ 🧩)

Većina solidnih agenata ima ove dijelove:

A) Petlja kontrolera 🔁

Ovo je orkestrator:

B) Alati (tj. mogućnosti) 🧰

Alati su ono što čini agenta učinkovitim: LangChain dokumentacija o alatima

  • upiti baze podataka

  • slanje e-pošte

  • povlačenje datoteka

  • izvršavanje koda

  • pozivanje internih API-ja

  • pisanje u proračunske tablice ili CRM-ove

C) Sjećanje 🗃️

Dvije vrste su važne:

  • kratkoročno pamćenje : trenutni kontekst trčanja, nedavni koraci, trenutni plan

  • dugoročno pamćenje : korisničke postavke, kontekst projekta, dohvaćeno znanje (često putem ugrađivanja + vektorske pohrane) RAG rad

D) Politika planiranja i donošenja odluka 🧭

Čak i ako to ne nazivate "planiranjem", potrebna vam je metoda:

E) Zaštitne ograde i evaluacija 🧯

Da, to je više inženjerstvo nego suggeriranje. Što je... otprilike i poanta.

5) Tablica usporedbe: popularni načini za izgradnju agenta 🧾

Ispod je realistična „Tablica usporedbe“ - s nekoliko posebnosti, jer pravi timovi su neobični 😄

Alat / Okvir Publika Cijena Zašto to funkcionira Bilješke (mali kaos)
LangChain graditelji koji vole lego komponente slobodno-pomalo + infra veliki ekosustav za alate, memoriju, lance Možeš dobiti špagete brzo ako stvari ne imenuješ jasno
LamaIndeks RAG-ovi s puno igrača slobodno-pomalo + infra snažni obrasci pretraživanja, indeksiranje, konektori odlično kada vaš agent u osnovi radi na principu "traži + djeluje"... što je uobičajeno
Pristup u stilu OpenAI Assistantsa timovi koji žele brže postavljanje na temelju korištenja ugrađeni obrasci pozivanja alata i stanje izvođenja manje fleksibilan u nekim kutovima, ali čist za mnoge aplikacije OpenAI pokreće API, pozivanje funkcija OpenAI Assistantsa
Semantička jezgra developeri koji žele strukturiranu orkestraciju slobodnog uredna apstrakcija za vještine/funkcije osjeća se "uredno kao poduzeće" - ponekad je to kompliment 😉
AutoGen višeagentni eksperimentatori slobodnog obrasci suradnje agenta s agentom može pretjerivati; postaviti stroga pravila prekida
CrewAI navijači "timova agenata" slobodnog uloge + zadaci + primopredaje se lako izražavaju najbolje funkcionira kada su zadaci jasni, a ne kašasti
Plast pretraga + kanali ljudi slobodnog čvrsti cjevovodi, dohvat, komponente manje „kazališta agenata“, više „praktične tvornice“
Zarolaj sam (prilagođena petlja) kontrol frikovi (s ljubavlju) tvoje vrijeme minimalna magija, maksimalna jasnoća obično najbolje dugoročno... dok sve ne iznova izmisliš 😅

Nema jednog pobjednika. Najbolji izbor ovisi o tome je li glavni posao vašeg agenta pronalaženje , izvršavanje alata , koordinacija više agenata ili automatizacija tijeka rada .

6) Kako korak po korak izgraditi AI agenta (stvarni recept) 🍳🤖

Ovo je dio koji većina ljudi preskoči, a zatim se pitaju zašto se agent ponaša kao rakun u ostavi.

Korak 1: Definirajte posao u jednoj rečenici 🎯

Primjeri:

  • „Napišite odgovor kupca koristeći pravila i kontekst zahtjeva, a zatim zatražite odobrenje.“

  • „Istražite izvješće o grešci, reproducirajte ga i predložite ispravak.“

  • „Pretvorite nesavršene bilješke sa sastanaka u zadatke, vlasnike i rokove.“

Ako to ne možete jednostavno definirati, ne može ni vaš agent. Mislim, može, ali će improvizirati, a improvizacija je mjesto gdje proračuni umiru.

Korak 2: Odlučite se za razinu autonomije (niska, srednja, ljuta) 🌶️

  • Niska autonomija : predlaže korake, ljudski klikovi "odobruju"

  • Srednje : pokreće alate, izrađuje nacrte rezultata, eskalira u slučaju neizvjesnosti

  • Visoka : izvršava se od početka do kraja, pinga ljude samo u slučaju iznimki.

Počnite s nižim tempom nego što želite. Uvijek možete kasnije pojačati.

Korak 3: Odaberite strategiju svog modela 🧠

Obično birate:

  • jedan snažan model za sve (jednostavno)

  • jedan jaki model + manji model za jeftine korake (klasifikacija, usmjeravanje)

  • specijalizirani modeli (vid, kod, govor) ako je potrebno

Također odlučite:

  • maksimalan broj tokena

  • temperatura

  • dopuštate li interno duge tragove zaključivanja (možete, ali nemojte izlagati sirovi tok misli krajnjim korisnicima)

Korak 4: Definirajte alate sa strogim shemama 🔩

Alati bi trebali biti:

Umjesto alata pod nazivom do_anything(input: string) , napravite:

  • search_kb(upit: niz) -> rezultati[]

  • create_ticket(naslov: string, tijelo: string, prioritet: enum) -> ticket_id

  • send_email(to: string, subject: string, body: string) -> status Vodič za pozivanje OpenAI funkcija

Ako agentu date motornu pilu, nemojte se iznenaditi kada ona oreže živicu uklanjanjem i ograde.

Korak 5: Izgradite petlju kontrolera 🔁

Minimalna petlja:

  1. Započnite s ciljem + početnim kontekstom

  2. Pitajte model: „Sljedeća akcija?“

  3. Ako se pozove alat - izvrši alat

  4. Dodaj opažanje

  5. Provjerite uvjet zaustavljanja

  6. Ponovite (s maksimalnim brojem koraka) dokumentaciju za LangChain "Agente"

Dodati:

Korak 6: Pažljivo dodajte memoriju 🗃️

Kratkoročno: održavati sažeti "sažetak stanja" ažuriran u svakom koraku. LangChain "Pregled memorije"
Dugoročno: pohranjivati ​​trajne činjenice (korisničke postavke, organizacijska pravila, stabilnu dokumentaciju).

Pravilo:

  • ako se često mijenja - održavajte ga kratkoročnim

  • ako je stabilno - čuvati dugoročno

  • ako je osjetljivo - skladištiti minimalno (ili nikako)

Korak 7: Dodajte validaciju i prolaz "kritičar" 🧪

Jeftin, praktičan uzorak:

  • agent generira rezultat

  • validator provjerava strukturu i ograničenja

  • opcionalni pregledi kritičkog modela za nedostajuće korake ili kršenja pravila NIST AI RMF 1.0

Nije savršeno, ali hvata šokantnu količinu gluposti.

Korak 8: Zabilježite sve što ćete požaliti što niste zabilježili 📜

Zapisnik:

Budućnost - bit ćeš zahvalan. Sadašnjost - zaboravit ćeš. Takav je jednostavno život 😵💫

7) Pozivanje alata koje ti ne slama dušu 🧰😵

Pozivanje alata je mjesto gdje "Kako izgraditi AI agenta" postaje pravi softverski inženjering.

Učinite alate pouzdanima (pouzdanost je dobra)

Pouzdani alati su:

Dodajte zaštitne ograde na sloju alata, ne samo upute

Upute su pristojni prijedlozi. Validacija alata je zaključana vrata. OpenAI strukturirani izlazi

Učinite:

  • popisi dopuštenih (koji alati mogu pokrenuti)

  • validacija unosa

  • ograničenja brzine OpenAI vodič za ograničenja brzine

  • provjere dopuštenja po korisniku/organizaciji

  • „način rada na suho“ za rizične radnje

Dizajn za djelomični kvar

Alati ne uspijevaju. Mreže se ljuljaju. Autorizacija istječe. Agent mora:

Tiho učinkovit trik: vratite strukturirane greške poput:

  • vrsta: auth_error

  • vrsta: nije_pronađeno

  • tip: rate_limited
    Tako model može inteligentno reagirati umjesto paničariti.

8) Sjećanje koje pomaže umjesto da te proganja 👻🗂️

Pamćenje je moćno, ali može postati i ladica za smeće.

Kratkoročno pamćenje: održavajte ga kompaktnim

Koristiti:

  • posljednjih N koraka

  • tekući sažetak (ažurira se u svakoj petlji)

  • trenutni plan

  • trenutna ograničenja (proračun, vrijeme, politike)

Ako sve stavite u kontekst, dobit ćete:

  • viši trošak

  • sporija latencija

  • više zbunjenosti (da, čak i tada)

Dugoročno pamćenje: pronalaženje umjesto "punjenja"

Većina „dugoročnog pamćenja“ više je poput:

  • ugradnje

  • vektorska trgovina

  • RAG papir s proširenom generacijom pretraživanja

Agent ne pamti. Dohvaća najrelevantnije isječke tijekom izvođenja. LlamaIndex “Uvod u RAG”

Praktična pravila pamćenja

  • Spremite „preferencije“ kao eksplicitne činjenice: „Korisnik voli sažetke s grafičkim oznakama i mrzi emojije“ (lol, ali ne ovdje 😄)

  • Pohranite „odluke“ s vremenskim oznakama ili verzijama (inače se gomilaju kontradikcije)

  • Nikad ne čuvaj tajne osim ako to stvarno nije neophodno

A evo i moje nesavršene metafore: sjećanje je kao hladnjak. Ako ga nikad ne očistite, na kraju će vam sendvič imati okus luka i kajanja.

9) Obrasci planiranja (od jednostavnih do otmjenih) 🧭✨

Planiranje je samo kontrolirana dekompozicija. Nemojte od toga praviti mistiku.

Uzorak A: Planer kontrolne liste ✅

  • Model ispisuje popis koraka

  • Izvršava se korak po korak

  • Status ažuriranja kontrolne liste

Izvrsno za uvođenje u rad. Jednostavno, testirano.

Uzorak B: Petlja ReAct (razlog + djelovanje) 🧠→🧰

  • model odlučuje o sljedećem pozivu alata

  • promatra izlaz

  • ponavlja ReAct rad

Ovo je klasičan osjećaj agenta.

Uzorak C: Nadzornik-radnik 👥

Ovo je vrijedno kada se zadaci mogu paralelno izvoditi ili kada želite različite "uloge" poput:

  • istraživač

  • programer

  • urednik

  • Provjera kvalitete

Uzorak D: Planiraj, pa izvrši s ponovnim planiranjem 🔄

  • stvori plan

  • izvršiti

  • ako rezultati alata promijene stvarnost, preplanirajte

To sprječava agenta da tvrdoglavo slijedi loš plan. Ljudi to također rade, osim ako nisu umorni, u kojem slučaju također slijede loše planove.

10) Sigurnost, pouzdanost i ne dobiti otkaz 🔐😅

Ako vaš agent može poduzeti mjere, potreban vam je sigurnosni dizajn. Ne "lijepo je imati". Potreba. NIST AI RMF 1.0

Stroga ograničenja

  • maksimalni broj koraka po trčanju

  • maks. poziva alata u minuti

  • maksimalna potrošnja po sesiji (proračun tokena)

  • ograničeni alati iza odobrenja

Obrada podataka

  • uredi osjetljive unose prije prijave

  • odvojena okruženja (razvojna naspram produkcije)

  • dopuštenja alata s najmanjim privilegijama

Ograničenja ponašanja

  • prisiliti agenta da citira interne isječke dokaza (ne vanjske poveznice, samo interne reference)

  • zahtijevaju oznake nesigurnosti kada je pouzdanost niska

  • zahtijevati „postavljanje pojašnjavajućeg pitanja“ ako su unosi dvosmisleni

Pouzdan agent nije najpouzdaniji. To je onaj koji zna kada nagađa... i to i kaže.

11) Testiranje i evaluacija (dio koji svi izbjegavaju) 🧪📏

Ne možeš poboljšati ono što ne možeš izmjeriti. Da, ta rečenica je otrcana, ali je dosadno istinita.

Izradite skup scenarija

Izradite 30-100 testnih slučajeva:

Rezultati bodovanja

Koristite metrike poput:

  • stopa uspjeha zadatka

  • vrijeme potrebno za dovršetak

  • stopa oporavka od pogrešaka alata

  • stopa halucinacija (tvrdnje bez dokaza)

  • stopa odobravanja od strane ljudi (ako je u nadziranom načinu rada)

Regresijski testovi za upute i alate

Kad god promijenite:

  • shema alata

  • sistemske upute

  • logika pretraživanja

  • formatiranje memorije
    Ponovno pokrenite paket.

Agenti su osjetljive zvijeri. Poput sobnih biljaka, ali skuplji.

12) Obrasci implementacije koji vam neće iscrpiti proračun 💸🔥

Započnite s jednom uslugom

Dodajte kontrole troškova rano

  • rezultati dohvaćanja iz predmemorije

  • komprimiranje stanja razgovora sa sažecima

  • korištenje manjih modela za usmjeravanje i ekstrakciju

  • ograničavanje „načina dubokog razmišljanja“ na najteže korake

Uobičajeni izbor arhitekture

  • kontroler bez stanja + vanjsko spremište stanja (DB/redis)

  • Pozivi alata su idempotentni gdje je to moguće Stripe „Idempotentni zahtjevi“

  • red čekanja za duge zadatke (kako ne biste web zahtjev držali otvorenim zauvijek)

Također: napravite "prekidač za gašenje". Neće vam trebati dok vam stvarno, stvarno ne zatreba 😬

13) Završne bilješke - kratka verzija o tome kako izgraditi AI agenta 🎁🤖

Ako se ničega drugog ne sjećate, zapamtite ovo:

Agent nije magija. To je sustav koji donosi dobre odluke dovoljno često da bude vrijedan... i priznaje poraz prije nego što uzrokuje štetu. Tiho utješno, na neki način 😌

I da, ako to pravilno osmislite, osjeća se kao da zapošljavate malog digitalnog pripravnika koji nikad ne spava, povremeno paniči i voli papirologiju. Dakle, u osnovi pripravnik.

Često postavljana pitanja

Što je AI agent, jednostavnim riječima?

AI agent je u osnovi petlja koja se ponavlja: prima unos, odlučuje o sljedećem koraku, koristi alat, čita rezultat i ponavlja dok se ne završi. „Agentski“ dio dolazi od djelovanja i promatranja, a ne samo od čavrljanja. Mnogi agenti su samo pametna automatizacija s pristupom alatima, dok se drugi ponašaju više kao mlađi operater koji se može oporaviti od pogrešaka.

Kada bih trebao/la izraditi AI agenta umjesto da samo koristim prompt?

Izradite agenta kada je posao višekoračan, mijenja se na temelju međurezultata i zahtijeva pouzdanu upotrebu alata (API-ji, baze podataka, izdavanje tiketa, izvršavanje koda). Agenti su također korisni kada želite ponovljive rezultate s zaštitnim ogradama i načinom provjere "gotovo". Ako jednostavan prompt-response funkcionira, agent je obično nepotreban opterećenje i dodatni načini kvara.

Kako mogu izraditi AI agenta koji se ne zaglavljuje u petljama?

Koristite uvjete fiksnog zaustavljanja: maksimalan broj koraka, maksimalan broj poziva alata i jasne provjere dovršetka. Dodajte strukturirane sheme alata, vremenska ograničenja i ponovne pokušaje koji se neće ponavljati zauvijek. Zabilježite odluke i izlaze alata kako biste mogli vidjeti gdje dolazi do zastoja. Uobičajeni sigurnosni ventil je eskalacija: ako je agent nesiguran ili ponavlja pogreške, trebao bi tražiti pomoć, a ne improvizirati.

Koja je minimalna arhitektura za izradu AI agenta?

Minimalno vam je potrebna kontrolna petlja koja modelu daje cilj i kontekst, traži sljedeću radnju, izvršava alat ako se zatraži, dodaje opažanje i ponavlja. Također su vam potrebni alati sa strogim oblicima ulaza/izlaza i provjerom "gotovo". Čak i petlja "izradi svoj vlastiti zadatak" može dobro funkcionirati ako održavate stanje čistim i provodite ograničenja koraka.

Kako bih trebao dizajnirati pozivanje alata da bude pouzdano u produkciji?

Alate neka budu usko definirane, tipizirane, s dopuštenjima i validirane - izbjegavajte generički alat koji "uradi bilo što". Dajte prednost strogim shemama (poput strukturiranih izlaza/pozivanja funkcija) kako agent ne bi mogao ručno mijenjati ulaze. Dodajte popise dopuštenih, ograničenja brzine i provjere dopuštenja korisnika/organizacije na sloju alata. Dizajnirajte alate tako da budu sigurni za ponovno pokretanje kad god je to moguće, koristeći obrasce idempotentnosti.

Koji je najbolji način za dodavanje memorije bez pogoršanja agenta?

Tretirajte pamćenje kao dva dijela: kratkoročno stanje izvođenja (nedavni koraci, trenutni plan, ograničenja) i dugoročno pronalaženje (preferencije, stabilna pravila, relevantna dokumentacija). Kratkoročno pamćenje održavajte kompaktnim s tekućim sažecima, a ne potpunim transkriptima. Za dugoročno pamćenje, pronalaženje (ugrađivanja + vektorska pohrana/RAG obrasci) obično je bolje od "trpanja" svega u kontekst i zbunjivanja modela.

Koji obrazac planiranja trebam koristiti: kontrolnu listu, ReAct ili nadzornik-radnik?

Planer s kontrolnom listom izvrstan je kada su zadaci predvidljivi i želite nešto lako za testiranje. Petlje u stilu ReAct-a sjajne su kada rezultati alata mijenjaju ono što sljedeće radite. Obrasci nadzornika i radnika (poput razdvajanja uloga u stilu AutoGen-a) pomažu kada se zadaci mogu paralelno izvoditi ili imati koristi od različitih uloga (istraživač, programer, QA). Planiranje-pa-izvršenje s ponovnim planiranjem praktičan je srednji put za izbjegavanje tvrdoglavih loših planova.

Kako mogu osigurati agenta ako može poduzeti stvarne akcije?

Koristite dozvole s najmanjim privilegijama i ograničite rizične alate iza odobrenja ili "probnih" načina rada. Dodajte proračune i ograničenja: maksimalni broj koraka, maksimalnu potrošnju i ograničenja poziva alata po minuti. Uklonite osjetljive podatke prije zapisivanja i odvojite razvojna od produkcijskih okruženja. Zahtijevajte oznake nesigurnosti ili pojašnjavajuća pitanja kada su unosi dvosmisleni, umjesto da dopustite da povjerenje zamijeni dokaze.

Kako testirati i procijeniti AI agenta kako bi se s vremenom poboljšavao?

Izradite skup scenarija sa sretnim putevima, rubnim slučajevima, kvarovima alata, dvosmislenim zahtjevima i pokušajima ubrizgavanja prompta (OWASP stil). Bodujte ishode poput uspjeha zadatka, vremena potrebnog za dovršetak, oporavka od pogrešaka alata i tvrdnji bez dokaza. Svaki put kada promijenite sheme alata, prompte, dohvaćanje ili formatiranje memorije, ponovno pokrenite skup. Ako ga ne možete testirati, ne možete ga pouzdano isporučiti.

Kako mogu implementirati agenta bez povećanja latencije i troškova?

Uobičajeni obrazac je kontroler bez stanja s vanjskim spremištem stanja (DB/Redis), alatnim servisima iza njega i snažnim zapisivanjem/praćenjem (često OpenTelemetry). Kontrolirajte troškove predmemoriranjem dohvaćanja, kompaktnim sažecima stanja, manjim modelima za usmjeravanje/ekstrakciju i ograničavanjem „dubokog razmišljanja“ na najteže korake. Koristite redove čekanja za duge zadatke kako ne biste držali web zahtjeve otvorenima. Uvijek uključite prekidač za gašenje.

Reference

  1. Nacionalni institut za standarde i tehnologiju (NIST) - NIST AI RMF 1.0 (pouzdanost i transparentnost) - nvlpubs.nist.gov

  2. OpenAI - Strukturirani izlazi - platform.openai.com

  3. OpenAI - Vodič za pozivanje funkcija - platform.openai.com

  4. OpenAI - Vodič za ograničenja brzine - platform.openai.com

  5. OpenAI - Pokreće API - platform.openai.com

  6. OpenAI - Pozivanje funkcija asistenta - platform.openai.com

  7. LangChain - Dokumentacija agenata (JavaScript) - docs.langchain.com

  8. LangChain - Dokumentacija o alatima (Python) - docs.langchain.com

  9. LangChain - Pregled memorije - docs.langchain.com

  10. arXiv - ReAct rad (razum + djelovanje) - arxiv.org

  11. arXiv - RAG rad - arxiv.org

  12. Knjižnica za izradu Amazon Web Services (AWS) - Vremenska ograničenja, ponovni pokušaji i odgoda s podrhtavanjem - aws.amazon.com

  13. OpenTelemetry - Uvod u uočljivost - opentelemetry.io

  14. Stripe - Idempotentni zahtjevi - docs.stripe.com

  15. Google Cloud - Strategija ponovnog pokušaja (odgoda + podrhtavanje) - docs.cloud.google.com

  16. OWASP - Top 10 za aplikacije velikih jezičnih modela - owasp.org

  17. OWASP - LLM01 Brzo ubrizgavanje - genai.owasp.org

  18. LlamaIndex - Uvod u RAG - developers.llamaindex.ai

  19. Microsoft - Semantička jezgra - learn.microsoft.com

  20. Microsoft AutoGen - Višeagentni okvir (dokumentacija) - microsoft.github.io

  21. CrewAI - Koncepti agenata - docs.crewai.com

  22. Haystack (deepset) - Dokumentacija za retrivere - docs.haystack.deepset.ai

Pronađite najnoviju umjetnu inteligenciju u službenoj trgovini AI Assistant

O nama

Natrag na blog