最新

我于 2006 年开始开发 EDDI，它最初是一个基于规则的对话引擎。那时候，它主要依赖于模式匹配和状态机。当大型语言模型（LLM）出现时，一个有趣的问题不是“我该如何调用 GPT”，而是“我如何在生产环境中控制 AI 的行为？” 我的答案是：智能体逻辑应该存在于 JSON 配置文件中，而不是代码中。你描述智能体应该做什么、使用哪个 LLM、它可以调用哪些工具以及它的行为方式。引擎读取该配置并运行它。永远不会有动态代码执行。LLM 从设计上就无法运行任意代码。引擎是严格的，这样 AI 才能发挥创造力。 v6 是这个理念真正变得实用的版本。你可以让一组智能体以五种不同的编排方式（圆桌讨论、同行评审、魔鬼代言人等）辩论一个话题。每个智能体可以使用不同的模型。一个级联系统首先尝试廉价模型，只有在置信度较低时才会升级到昂贵的模型。 它还同时实现了 MCP 作为服务器和客户端，因此你可以从 Claude Desktop 或 Cursor 控制 EDDI。并且实现了 Google 的 A2A 协议，用于智能体跨平台互相发现。 整个系统在 Quarkus 上的 Java 25 中运行，以单个 Docker 镜像的形式发布，并且只需一个命令即可安装。自 2017 年以来，它一直开源，采用 Apache 2.0 许可证。 很想听听大家对这个架构和功能集的看法。如果你对缺少什么或你希望从这样的系统中获得什么有想法，我很乐意倾听。我一直在寻找关于路线图的良好建议。

我在 HyperCard 中训练了一个 Transformer。1216 个参数。1989 年的 Macintosh。是的，这花了一段时间。 MacMind 是一个完整的 Transformer 神经网络，包括嵌入、位置编码、自注意力机制、反向传播和梯度下降，完全用 HyperTalk 实现，这是苹果公司 1987 年随 HyperCard 发布的脚本语言。代码的每一行都可以在 HyperCard 的脚本编辑器中阅读。按住 Option 键点击任何按钮，就可以阅读实际的数学公式。 任务：学习位反转置换，这是快速傅里叶变换的起始步骤。该模型没有任何公式可循。它完全通过注意力机制和反复试验来发现位置模式。在第 193 步的训练中，它在连续的步骤中在 50%、75% 和 100% 的准确率之间振荡，最终像滚入碗里的球一样收敛。 整个“智能”由 1216 个数字组成，存储在 HyperCard 堆栈的隐藏字段中。保存文件，退出，重新打开：训练好的模型仍然存在，仍然正确。它可以在从 System 7 到 Mac OS 9 的任何系统上运行。 作为一个曾经的物理系学生，而 FFT 是我的老朋友，它位于信号处理、量子力学和波分析的核心。我构建这个是因为我们正处在一个人工智能影响我们所有人的时刻，但我们大多数人并不理解它实际上做了什么。反向传播和注意力机制是数学，而不是魔法。而数学并不关心它是在 TPU 集群上运行，还是在 1989 年的 68030 处理器上运行。 该代码库包含一个预先训练好的堆栈（第 1000 步），一个你可以自己训练的空白堆栈，以及一个用于验证数学的 Python/NumPy 参考实现。