Kako napraviti AI agenta

Kako napraviti AI agenta

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

Ključne zaključke:

Kontrolna petlja : Implementirajte ulaz→djelovanje→posmatranje ponavljanja s eksplicitnim uvjetima zaustavljanja i maksimalnim brojem koraka.

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

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

Otpornost na zloupotrebu : Dodajte dozvoljene liste, ograničenja brzine, idempotentnost i "probno izvršavanje" za rizične radnje.

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

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

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

🔗 Kako razgovarati sa vještačkom inteligencijom
Koristite upute, kontekst i dodatna pitanja kako biste dobili bolje odgovore.

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

🔗 Kako optimizirati AI modele
Poboljšajte kvalitet i troškove podešavanjem, orezivanjem i praćenjem.

1) Šta je AI agent, iz perspektive normalne osobe 🧠

AI agent je petlja. Dokumentacija LangChain "Agenti"

To je to. Petlja sa mozgom u sredini.

Unos → misli → djeluj → posmatraj → ponovi . Reagiraj na papiru (rasuđivanje + djelovanje)

Gdje:

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

  • Razmišljanje je jezički 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 grešaka. Oba se računaju.

Također, ne treba vam potpuna autonomija. U stvari... vjerovatno je ne želite 🙃

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

Izgradite agenta kada:

  • Rad se sastoji od više koraka i mijenja se u zavisnosti od toga šta se dešava na pola puta.

  • Posao zahtijeva korištenje alata (baze podataka, CRM-ovi, izvršavanje koda, generiranje datoteka, preglednici, interni API-ji). LangChain dokumentacija o alatima.

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

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

Ne kreirajte agenta kada:

  • Jednostavan prompt + odgovor rješava problem (nemojte pretjerivati ​​s inženjeringom, kasnije ćete mrziti sebe).

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

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

Budimo iskreni: polovina "AI agenata" može biti tok rada s nekoliko pravila grananja. Ali hej, ponekad je i atmosfera bitna 🤷♂️

3) Šta čini dobru verziju AI agenta ✅

Evo dijela "Šta čini dobru verziju" koji ste tražili, osim što ću biti malo direktan:

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 pouzdan slot aparat. Zabavan na zabavama, zastrašujući u produkciji 😬

4) Osnovni 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 efikasnim: LangChain dokumentacija o alatima

  • upiti u bazi podataka

  • slanje e-poruka

  • povlačenje datoteka

  • izvršavanje koda

  • pozivanje internih API-ja

  • pisanje u proračunske tablice ili CRM-ove

C) Pamćenje 🗃️

Dvije vrste su bitne:

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

  • dugoročno pamćenje : korisničke preferencije, kontekst projekta, preuzeto 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 inženjering nego suggeriranje. Što je... otprilike i poenta.

5) Tabela poređenja: popularni načini za izgradnju agenta 🧾

Ispod je realistična „Tabela poređenja“ - sa nekoliko posebnosti, jer pravi timovi su neobični 😄

Alat / Okvir Publika Cijena Zašto to funkcioniše Bilješke (mali haos)
LangChain graditelji koji vole lego komponente slobodno-pomalo + infra veliki ekosistem za alate, memoriju, lance Možeš brzo dobiti špagete ako stvari ne imenuješ jasno
LamaIndeks RAG-ovi s puno igrača slobodno-pomalo + infra jaki obrasci pretraživanja, indeksiranje, konektori odlično kada vaš agent u osnovi radi na principu "pretraži + djeluj"... što je uobičajeno
Pristup u stilu OpenAI Assistantsa timovi koji žele brže postavljanje zasnovano na korištenju ugrađeni obrasci pozivanja alata i stanje izvršavanja manje fleksibilan u nekim uglovima, ali čist za mnoge aplikacije OpenAI pokreće API, pozivanje funkcija OpenAI Assistants
Semantičko jezgro developeri koji žele strukturiranu orkestraciju slobodnog uredna apstrakcija za vještine/funkcije osjeća se "uredno kao u preduzeću" - ponekad je to kompliment 😉
AutoGen višeagentni eksperimentatori slobodnog obrasci saradnje između agenata može pretjerivati; postaviti stroga pravila za prekid
CrewAI navijači "timova agenata" slobodnog uloge + zadaci + primopredaje se lako izražavaju najbolje funkcionira kada su zadaci jasni, a ne kašasti
Plast sijena pretraga + cjevovodi ljudi slobodnog čvrsti cjevovodi, preuzimanje, komponente manje „agentskog pozorišta“, više „praktične fabrike“
Zamotaj svoju (prilagođena petlja) kontrol frikovi (ljubavni) tvoje vrijeme Minimalna magija, maksimalna jasnoća obično najbolje dugoročno... dok sve ponovo ne izmisliš 😅

Nema jednog pobjednika. Najbolji izbor zavisi od toga da li je glavni posao vašeg agenta pronalaženje podataka , izvršavanje alata , koordinacija više agenata ili automatizacija radnog procesa .

6) Kako korak po korak napraviti 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: Definišite posao u jednoj rečenici 🎯

Primjeri:

  • "Napišite odgovor kupca koristeći politiku i kontekst tiketa, a zatim zatražite odobrenje."

  • "Istraži izvještaj o grešci, reproduciraj ga i predloži ispravku."

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

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

Korak 2: Odlučite se o nivou autonomije (nizak, srednji, ljut) 🌶️

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

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

  • Visoko : izvršava se od početka do kraja, pinga se vrši samo kod izuzetaka.

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 jak model + manji model za jeftinije korake (klasifikacija, usmjeravanje)

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

Također odlučite:

  • maksimalan broj tokena

  • temperatura

  • Da li interno dozvoljavate dugačke tragove zaključivanja (možete, ali nemojte izlagati sirovi tok misli krajnjim korisnicima)

Korak 4: Definišite alate sa strogim shemama 🔩

Alati bi trebali biti:

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

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

  • kreiraj_tiket(naslov: string, tijelo: string, prioritet: enum) -> id_tiket

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

Ako agentu date motornu pilu, nemojte se iznenaditi kada on oreže živu ogradu uklanjanjem i nje.

Korak 5: Izgradite kontrolnu petlju 🔁

Minimalna petlja:

  1. Počnite s ciljem + početnim kontekstom

  2. Pitajte model: „Sljedeća akcija?“

  3. Ako se pozove alat - izvrši alat

  4. Dodaj opažanje

  5. Provjerite stanje zaustavljanja

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

Dodaj:

Korak 6: Pažljivo dodajte memoriju 🗃️

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

Pravilo:

  • ako se često mijenja - održavajte to kratkoročno

  • ako je stabilno - čuvati dugoročno

  • ako je osjetljivo - skladištite minimalno (ili nikako)

Korak 7: Dodajte validaciju i prolaz za "kritiku" 🧪

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 - zahvalit ćeš se. Sadašnjost - zaboravit ćeš. Takav je jednostavno život 😵💫

7) Pozivanje alata koje vam ne slama dušu 🧰😵

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

Učinite alate pouzdanim (pouzdanost je dobra stvar)

Pouzdani alati su:

Dodajte zaštitne ograde na sloju alata, ne samo upute

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

Uradi:

  • liste dozvoljenih (koji alati mogu da se pokreću)

  • validacija unosa

  • ograničenja brzine OpenAI vodič za ograničenja brzine

  • provjere dozvola po korisniku/organizaciji

  • „režim rada na suho“ za rizične akcije

Dizajn za djelimični kvar

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

Tiho efikasan trik: vratite strukturirane greške poput:

  • tip: greška_autorizacije

  • tip: nije_pronađen

  • tip: rate_limited
    Tako da model može inteligentno reagovati umjesto da paniči.

8) Sjećanje koje pomaže umjesto da vas proganja 👻🗂️

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

Kratkoročno pamćenje: održavajte ga kompaktnim

Upotreba:

  • posljednjih N koraka

  • tekući sažetak (ažurira se u svakoj petlji)

  • trenutni plan

  • trenutna ograničenja (budžet, vrijeme, politike)

Ako sve stavite u kontekst, dobićete:

  • viši trošak

  • sporija latencija

  • više konfuzije (da, čak i tada)

Dugoročno pamćenje: pronalaženje umjesto "punjenja"

Većina „dugoročnog pamćenja“ je više poput:

  • ugrađivanja

  • vektorska trgovina

  • RAG papir za prošireno generiranje pronalaženja (RAG)

Agent ne pamti. On preuzima najrelevantnije isječke tokom izvođenja. LlamaIndex “Uvod u RAG”

Praktična pravila pamćenja

  • Pohranite „preferencije“ kao eksplicitne činjenice: „Korisnik voli sažetke u tačkama i mrzi emotikone“ (lol, ali ne ovdje 😄)

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

  • Nikad ne čuvajte tajne osim ako zaista ne morate

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

9) Planiranje obrazaca (od jednostavnih do otmjenih) 🧭✨

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

Uzorak A: Planer kontrolne liste ✅

  • Model ispisuje listu koraka

  • Izvršava se korak po korak

  • Status ažuriranja kontrolne liste

Odlično za uvođenje u rad. Jednostavno, lako se testira.

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

  • model odlučuje o sljedećem pozivu alata

  • posmatra izlaz

  • ponavlja ReAct rad

Ovo je klasičan osjećaj agenta.

Uzorak C: Nadzornik-radnik 👥

Ovo je vrijedno kada se zadaci mogu paralelno izvršavati ili kada želite različite "uloge" kao što su:

  • istraživač

  • programer

  • urednik

  • Provjera kvalitete

Uzorak D: Planiraj, pa izvrši s ponovnim planiranjem 🔄

  • kreiraj plan

  • izvršiti

  • Ako rezultati alata promijene stvarnost, ponovo planirajte

Ovo sprečava agenta da tvrdoglavo slijedi loš plan. Ljudi to rade također, osim ako nisu umorni, u kom slučaju također slijede loše planove.

10) Sigurnost, pouzdanost i da ne dobijete otkaz 🔐😅

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

Stroga ograničenja

  • maksimalan broj koraka po trčanju

  • maksimalni broj poziva alata u minuti

  • maksimalna potrošnja po sesiji (budžet tokena)

  • ograničeni alati iza odobrenja

Obrada podataka

  • uredi osjetljive unose prije prijave

  • odvojena okruženja (razvojna naspram produkcije)

  • dozvole alata s najmanjim privilegijama

Ograničenja ponašanja

  • prisilite agenta da citira interne dijelove dokaza (ne eksterne linkove, samo interne reference)

  • zahtijevaju oznake nesigurnosti kada je pouzdanost niska

  • zahtijevati „postavljanje pojašnjavajućeg pitanja“ ako su unosi dvosmisleni

Pouzdan agent nije onaj koji ima najviše samopouzdanja. 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 iritantno istinita.

Izradite skup scenarija

Kreirajte 30-100 testnih slučajeva:

Rezultati bodovanja

Koristite metrike kao što su:

  • stopa uspjeha zadatka

  • vrijeme potrebno za završetak

  • stopa oporavka od grešaka 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 instrukcije

  • logika pretraživanja

  • formatiranje memorije
    Ponovo pokrenite paket.

Agenti su osjetljive zvijeri. Kao sobne biljke, ali skuplje.

12) Obrasci implementacije koji vam neće iscrpiti budžet 💸🔥

Počnite s jednom uslugom

Dodajte kontrole troškova rano

  • rezultati preuzimanja iz keširanja

  • komprimiranje stanja razgovora sa sažecima

  • korištenje manjih modela za usmjeravanje i ekstrakciju

  • ograničavanje "režima dubokog razmišljanja" na najteže korake

Uobičajeni izbor arhitekture

  • kontroler bez stanja + eksterno skladište stanja (DB/redis)

  • Pozivi alata su idempotentni gdje god 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 zaista, zaista ne zatreba 😬

13) Završne napomene - kratka verzija o tome kako napraviti AI agenta 🎁🤖

Ako se ničega drugog ne sjećate, zapamtite ovo:

Agent nije magija. To je sistem 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

Šta je, jednostavnim riječima, AI agent?

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 posmatranja, a ne samo od ćaskanja. Mnogi agenti su samo pametna automatizacija s pristupom alatima, dok se drugi ponašaju više kao mlađi operater koji se može oporaviti od grešaka.

Kada bi trebalo da izgradim AI agenta umesto da samo koristim prompt?

Kreirajte agenta kada je posao višekoračan, mijenja se na osnovu međurezultata i zahtijeva pouzdanu upotrebu alata (API-ji, baze podataka, sistemi za izdavanje tiketa, izvršavanje koda). Agenti su također korisni kada želite ponovljive rezultate sa zaštitnim ogradama i načinom provjere "završeno". Ako jednostavan prompt-response funkcioniše, agent je obično nepotreban dodatni resurs i uzrokuje dodatne greške.

Kako da napravim AI agenta koji se ne zaglavljuje u petljama?

Koristite uslove fiksnog zaustavljanja: maksimalan broj koraka, maksimalan broj poziva alata i jasne provjere završetka. 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 problema. Uobičajeni sigurnosni ventil je eskalacija: ako agent nije siguran ili ponavlja greške, 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 akciju, 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 "pokreni sam" može dobro funkcionirati ako održavate stanje čistim i provodite ograničenja koraka.

Kako da dizajniram pozivanje alata da bude pouzdano u produkciji?

Alate neka budu usko definirane, tipizirane, s dozvolama i validirane - izbjegavajte generičke alate koji "urade bilo što". Dajte prednost strogim shemama (poput strukturiranih izlaza/pozivanja funkcija) kako agent ne bi mogao ručno mijenjati ulaze. Dodajte liste dopuštenih, ograničenja brzine i provjere dozvola 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 izvršavanja (nedavni koraci, trenutni plan, ograničenja) i dugoročno pronalaženje (preferencije, stabilna pravila, relevantna dokumentacija). Održavajte kratkoročnu kompaktnost sa sažecima koji se izvršavaju, a ne punim transkriptima. Za dugoročno pamćenje, pronalaženje (ugrađivanja + vektorsko skladištenje/RAG obrasci) obično je bolje od "trpanja" svega u kontekst i zbunjivanja modela.

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

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

Kako da osiguram agenta ako može poduzeti stvarne akcije?

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

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

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

Kako da implementiram agenta bez povećanja latencije i troškova?

Uobičajeni obrazac je kontroler bez stanja sa eksternim skladištem stanja (DB/Redis), servisnim alatima iza njega i snažnim evidentiranjem/praćenjem (često OpenTelemetry). Kontrolišite troškove keširanjem preuzimanja, 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 rezultati - 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 asistenata - platform.openai.com

  7. LangChain - Dokumentacija za agente (JavaScript) - docs.langchain.com

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

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

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

  11. arXiv - RAG rad - arxiv.org

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

  13. OpenTelemetry - Uvod u vidljivost - opentelemetry.io

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

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

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

  17. OWASP - LLM01 Brza injekcija - genai.owasp.org

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

  19. Microsoft - Semantički kernel - 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

Nazad na blog