最新

因为他用光了所有缓存。

萨蒂亚·纳德拉等人曾宣扬，生成式人工智能（GenAI）将取代各种 SaaS 服务的“业务逻辑”或“中间层”。他们的设想是，用户通过聊天界面与 GenAI 模型交互，然后模型直接与数据库交互。这将显然会使几乎所有 SaaS 应用程序的需求变得多余。 然而，实际情况是，GenAI 一直在向“堆栈”的上层移动，离数据库越来越远。现在没有人再谈论取代 SaaS 了。相反，GenAI 已经变成了一种点缀，你可以将其“叠加”在现有的 SaaS 应用程序之上，而无需真正取代它们任何预先存在的功能。 这种“向上移动”的变化充分说明了我们当前模型的无能为力。它们如此无能且不可靠，甚至无法取代 Excel 的任何一个部分。相反，微软所做的只是“将 GenAI 叠加其上”，将重担放在用户身上，让他们“弄清楚”如何使用它。我们从“用聊天代理取代它”变成了“直接在上面添加一个聊天代理，并寄希望于最好结果”。换句话说，我们实际上让我们的 SaaS 应用程序变得更加复杂，而不是整合它们的功能，从而简化它们。

不使用 API，而是从头开始训练一个模型，即使是很小的模型。<p>关于数据、训练过程或输出，你有什么感到惊讶的地方吗？

大家好，我是 Contextual AI 的 Jay（网址：https://contextual.ai/）。 我们一直在构建一个面向技术行业的 AI 智能体平台，主要针对半导体、航空航天、制造业等领域。Agent Composer 是我们新推出的强大可视化构建器和运行时，用于创建能够基于技术文档、日志和规范进行推理的智能体。 我们解决的问题是：通用 AI 在复杂的的技术任务上表现不佳。这并非因为模型本身能力不足，而是因为它们无法访问正确的上下文信息（数据表、测试日志、流程规范、机构知识）。 Agent Composer 的功能： * 三种创建智能体的方式：预构建模板、自然语言描述或空白画布 * 可视化拖放式构建器，提供无代码体验，同时为开发人员提供 YAML 配置 * 混合工作流程：将确定性步骤（合规性检查、验证）与动态推理（根本原因分析、研究）相结合 * 基于您的数据，并提供完整归因 我们在此过程中学到的： * 解析比人们想象的更重要。包含表格、图表和交叉引用的技术 PDF 会让大多数现成的解析器崩溃。我们构建了自己的解析器。 * 检索精度至关重要。基本的向量搜索可以解决 70% 的问题；剩下的 30% 需要混合检索、重新排序和查询重构。这最后的 30% 区分了“炫酷演示”和“真正有用”。 * 企业需要控制。纯粹的自主智能体会让合规团队感到担忧。在同一个工作流程中混合确定性和动态步骤的能力，是对客户反馈的直接回应。 以下是一些供您探索的链接： * 产品快速入门指南：https://docs.contextual.ai/quickstarts/agent-composer * 我们构建的有趣的火箭科学演示：https://demo.contextual.ai/ * 博客：https://contextual.ai/blog/introducing-agent-composer * 免费帐户注册链接：https://app.contextual.ai/?signup=1 很乐意深入探讨架构、检索策略或经验教训。您有什么问题或反馈吗？