flowith 2.0版本,携带Oracle agent,成为你最得力的那个agent助理

大模型机器学习算法

picture.image

flowith 是一家非常出色的AI企业,差异化的画布风格,是其独特的标志,当其他企业都在用chatbot作为AI模型与用户交互的主流界面,flowith早就进入到了工作流交互界面。

现在,flowith 2.0版本迭来了,带着强大的AI助理,登上舞台。

聊天机器人已经是过去式,你值得拥有更好的。

Flowith 2.0——你的超强 AI 创作工作空间,带有知识功能。

你的 AI 画布现在实现了:多线程、具备上下文感知能力、深度互联。

Flowith 2.0 改变了个人和团队创作、分发以及变现知识的方式:

多线程:我们的无限画布现在助力基于项目的协作,让你能够同时管理多个创意流程。

具备上下文感知能力:带来真正的“第二大脑”体验,我们的知识花园会自动将你的知识与 AI 相连接,而编辑器会在你创作时推荐相关的内容——就像为开发者提供的光标功能,但为内容创作者进行了重新构想。

深度互联:通过我们的知识市场将你的专业知识转化为可交易的资产,同时接入一个繁荣的精选知识库生态系统。

Flowit

picture.image

在体验过flowith后,我个人感触是,flowith又领先一步的走到了task的前列。这和openai的位置靠的非常近,想要解决的是用户的任务。只不过openai用的是o系列的模型,flowith用的是智能体。

Openai推出task,2025 AI将接管你的高频任务

给大家展示一下flowith的代理能力。

step1:启动flowith的Oracle agent

flowith在画布上挂满了武器库,包括给大模型提供的各类插件。

找到oracle模式,提示你它可以处理复杂,多步任务的智能体,启动它。

picture.image

step2: 输入你的任务

输入你的任务,这里找到示例:

Research and compile the revenue data for Meta, NVIDIA, and Apple over the past five years.

研究并整理过去五年 Meta、NVIDIA 和苹果的收入数据。

这个任务要是交给你的下属来做,你想想他需要多久的时间?是1个小时,2个小时,还是1天的时间了?

现在交给Oracle agent,用时不过2分钟。****

step3: Oracle agent开始自动的思考任务,并制定多步规划

收到任务后,agent不是立马开工,而是先分析需求,指定了一个任务表。

picture.image

从这个任务清单上,可以看到,agent是理解你的需求,并且分步去实现的。

并且这个清单会和用户确认,当用户觉得可以,agent就开始执行。

step4: Oracle agent开始逐步实现任务并与人类互动,确认可以进入下一步还是重做当前任务

大约1分钟内,agent就收集了3家公司的数据。并和确认数据是否满足要求。

picture.image

在和我确定了数据后,又开始了下一步,制表。

picture.image

打开它提供的表格,可以看到它是调用了code,进行编写。

picture.image

step5: 完成任务后,与用户确认是否满意,或者是否有新的任务

picture.image

以上5步是在一个画布里完成的,从任务完成的质量上看,不输给o系列模型,交互上更是强于o系列模型。从Oracle agent的体验上,我又一次感受到了AI coding中 agent交互的风格,那就是 辅助驾驶 的乐趣。

2025年agent大有可为。

flowith 也为国内的各大厂商,打了个样。各位开发者,可以照着flowith,来改进你的产品了,所有的saas,软件,都会变成辅助驾驶,都会有Oracle agent的流程和范式。

如果你的软件,产品,还是以前的模式, 那么新一代的软件编程范式,一定会超过你,就像智能驾驶,用过的人,回不到过去手动驾驶的时代了。


以上就是今天的内容,AI的世界每天都在变化,好工具层出不穷,如果你希望学习AI知识,掌握AI技能,并获得相关职业,可以关注这个公众号。也可以添加我的微信,进入AI爱好者群聊。

共同进步。

价值超过1000万的AI应用+飞书多维表格模板,秒杀市面上AI课程,免费送

强烈推荐生成式AI课程(免费学习且有证书)

承接智能体工作流的定制和解决方案,欢迎咨询。

关键词:AI

picture.image

创作不易,既然看到这里了,如果觉得不错,请订阅公众号,然后点个赞、在看、转发

0
0
0
0
关于作者

文章

0

获赞

0

收藏

0

相关资源
火山引擎大规模机器学习平台架构设计与应用实践
围绕数据加速、模型分布式训练框架建设、大规模异构集群调度、模型开发过程标准化等AI工程化实践,全面分享如何以开发者的极致体验为核心,进行机器学习平台的设计与实现。
相关产品
评论
未登录
看完啦,登录分享一下感受吧~
暂无评论