PaperAgent
PaperAgent
AI大模型向量数据库机器学习
日更,解读AI前沿技术热点Paper
9
0
0
0
大模型大模型向量数据库云安全
日更,解读AI前沿技术热点Paper
11
0
0
0
80
0
0
1
AI向量数据库大模型数据库
具有记忆(Memory)功能的AI智能体(Agent)能够保留上下文,识别随时间变化的模式,并根据过去的互动进行适应:Short-term memory、Long-term memory。短期记忆短期记忆(STM)使智能体能够记住最近的输入,以便进行即时决策。这种类型的记忆在对话式AI中非常有用,因为需要在多次交流中保持上下文。例如,一个能够记住会话中先前消息的聊天机器人可以提供连贯的回应,而不是
32
0
0
0
AI大模型向量数据库机器学习
AI Agents、Agentic AI、Agentic 架构、Agentic 工作流,Agents 无处不在。但它们究竟是什么?它们真的能做些什么吗?新技术带来了混乱的术语、不切实际的期望以及自封的在线专家。将穿透围绕 AI Agents 的噪音和炒作,解释并阐述 Agentic AI 的一个关键要素: Agentic 工作流(Workflows) 。Agents 本身几乎无法完成什么任务。它们
36
0
0
0
AI大模型向量数据库火山方舟
LLM优化技术在许多通用任务中提升了模型性能,但缺乏针对 AI Agents 关键功能(如 长期规划、动态环境交互和复杂决策 )的专门优化。为此,华东师大等提供了对 LLM的AI Agents优化 方法的全面回顾,将其分为 参数驱动 和 非参数驱动 。15类AI Agents优化方法。参数驱动优化 :涵盖基于微调的优化、基于强化学习的优化以及混合策略,非参数驱动策略 :提示工程和外部知识检索。一、
39
0
0
0
AI大模型向量数据库云存储
工作流(Workflows)是为实现特定任务或目标而设计的一系列相互关联的步骤。最简单类型的工作流是确定性的,这意味着它们遵循预定义的步骤序列,并且无法适应新信息或变化的条件。有些工作流利用了 LLM 或其他机器学习模型或技术。这些通常被称为 AI 工作流,可以是 Agentic 或非 Agentic 的。在一个非 Agentic 的工作流中,LLM 通过指令提示生成输出。Agentic 工作流是
49
0
0
0
大模型大模型向量数据库容器
几乎就在同一天,两个国内著名大模型厂商DeepSeek与阿里通义千问组团开源了模型:DeepSeek-V3-0324( 更美观的网页和游戏前端 ),Qwen2.5-VL-32B-Instruct( 以小博大 ):Qwen2.5-vl-32B模型72B 对 VLM 来说太大?7B 不够强!那么可以使用32B 模型响应更符合人类偏好:调整输出样式以提供更详细、格式更好的答案,使其更符合人类偏好。数学推
24
0
0
0
AI火山方舟向量数据库大模型
多模态链式思考(MCoT) 推理最近受到了广泛关注,但面对图像、视频、语音、音频、3D等不同模态中数据仍面临独特挑战。通往AGI:CoT->MCoT->R1-Omni(R1/o1)新加坡国立大学&香港中文大学等提供了 第一份关于MCoT推理的系统性综述 ,阐明了相关的基础概念和定义,提出了一个全面的分类体系,并从不同角度深入分析了当前的各种方法。约100种多模态链式思考(MCoT)推理的发展时间线
38
0
0
0
AI大模型向量数据库云通信
40张图,拆解10余种 LLM Agents全栈技术:主要组件、Multi-Agent框架、以及MCP
34
0
0
0
AI大模型向量数据库云存储
“智能体”可以有多种定义,可以将其定义为完全自主的系统,这些系统能够在较长时间内独立运行,使用各种工具来完成复杂的任务;也可以用它来描述遵循预定义工作流程的更为规范的实现方式。所有这些变体都可归类为智能体系统,但这其中重要的架构区分是:工作流(workflow)是通过预定义的代码路径来协调 LLM(大型语言模型)和工具的系统。智能体(Agent)则是 LLM 动态指导自身流程和工具使用的系统,它们
34
0
0
0
AI大模型向量数据库NoSQL数据库
微软GraphRAG自提出,已历时快一年,PaperAgent对其发展历程进行了专门梳理与总结:去年4月,为解决传统RAG在 全局性的查询总结 任务上表现不佳,微软多部门联合提出Project GraphRAG(大模型驱动的KG);去年7月,微软正式开源GraphRAG项目,引起极大关注,至今23.2k star,但落地时却面临巨大成本痛点(具体: LLM用于实体关系抽取+描述,社区总结 );去年
129
0
0
0
AI大模型向量数据库云存储
企业有大量长期沉淀下来的私域知识,比如规章制度、招投标书、客户服务资料,销售文案等等。Coze中有三种格式接入企业知识:文本 :将文档、URL、三方数据源上传为文本知识库后,用户发送消息时,智能体能够引用文本知识中的内容回答用户问题。表格 :用户上传表格后,支持按照表格的某列来匹配合适的行给智能体引用,同时也支持基于自然语言对数据库进行查询和计算。照片 :照片上传到知识库后自动/手动添加语义描述,
29
0
0
0
云原生大模型向量数据库关系型数据库
智能体依赖于大模型,而 LLM 的知识在训练时就已经固定,无法直接与外部系统(如API或数据库)进行交互。为了克服这些局限性,出现了大模型ReAct框架和 函数调用 (Function Call)两种方案,它们能够进行推理、采取行动以及与外部系统进行交互。ReAct框架 , 它遵循推理与行动的连续循环,工作原理如下:输入 :智能体接收自然语言的任务描述,输入到核心LLM中。推理 :LLM将任务分解
13
0
0
0
大模型大模型向量数据库企业应用
单智能体设计逻辑:从0到1设计一个用于企业内部员工使用的AI助理,并将智能体的大模型、插件、工作流、知识库、记忆等串联起来,AI助理能力假设:提供公司内部的规章制度咨询服务;提供员工办公提效能力;对接到公司的OA系统,提供考勤、员工信息查询。一步一步设计满足功能需求的企业员工AI助理,基本工作流程如下图:1、创建智能体:企业员工AI助理
38
0
0
0
云原生大模型向量数据库云存储
智能体(Agent)是指能够感知环境、根据感知做出决策并执行行动以实现特定目标的系统。在人工智能领域,Agent通常需要具备自主性、交互性、适应性和目标导向等特点。Agent可以是单一模态的,如仅处理文本信息的聊天机器人,也可以是多模态的,即能够理解和生成包括视觉、听觉等在内的多种类型的数据,Agent也可以是多个协同分工共同来解决复杂任务。根据智能体数量与能力,可以分为: 单一智能体、多模态智能
35
0
0
0
AI大模型向量数据库云通信
终于,昨天微信以“AI 搜索”的形式接入了满血版DeepSeek R1,目前灰度测试ing,其中“深度思考”模式由DeepSeek-R1模型经过长思考而提供的更全面的回答:目前DeeSeek-R1是 不支持function call 的,微信接入DeepSeek-R1可以采用 Agentic RAG 的方式,那么一个通用的AI Agentic(RAG)框架如何设计尼?本文进行专门剖析:另外,如
127
0
0
0
云原生向量数据库大模型数据库
DeepSeek-R1无法联网,利用Agentic RAG来实现
73
1
0
0
云原生大模型向量数据库机器学习
DeepSeek火在多重因素叠加:R1 低成本达到OpenAI o1的效果 + 技术创新且Open AI(大家都在一个起跑线) + 产品Open CoT/文笔深厚 + 国产 + 等等。DeepSeek R1使用示例prompt模版一、DeepSeek 市场影响DeepSeek 的开源策略对AI市场产生了结构性冲击,从市场分层来看(这里参考拾象-李广密大佬的分类,做了进一步扩展):ToC :影响最大
425
0
0
0
AI向量数据库大模型机器学习
Agents是一个复杂的工程系统,精髓在于依据业务场景“设计”Agents:1、角色定位、任务编排设计2、插件名称、参数、描述设计3、知识库、LLM、插件知识冲突4、workflow设计5、workflow or 任务编排?6、长期、还是短期记忆?7、一个、还是多个智能体?8、多个插件,还是多个智能体?9、多智能体协作设计基于此,PaperAgent团队从产品与算法两个维度准备了专栏学习教程:算法
117
0
0
0