一周热榜

对话似乎总是围绕着寻找联合创始人或融资展开。这其实只是表层问题，本质上是结果。作为创始人，是什么阻碍了你？如果能深入挖掘，而不是停留在表面，那就太好了。

一个简化构建 RAG 系统时 LLM 调用、数据库检索、重新排序、对话存储和嵌入的 Python 小型库。 该库有意仅公开跨提供商通用的功能，以避免特定于提供商的参数。 像 LangChain 这样的库提供了许多集成，但通常依赖于许多抽象、大量使用关键字参数以及难以定制的复杂代码。 功能： - 同步和异步 API - LLM 调用：调用和流式传输（温度，推理级别） - 响应元数据：答案、token 使用情况、停止原因 - RAG 文档：检索、重新排序、嵌入 - 聊天历史：对话存储 - 跨提供商的通用错误处理 - 提供商：OpenAI、Anthropic、Google、AWS 重试逻辑留给用户处理（参见 README）。 暂不支持 Agent 功能。

我厌倦了我的 AI 智能体因为 LLM 幻觉 JSON 键或传递字符串而不是整数而崩溃。所以我构建了 ToolGuard——它使用边缘情况（空值、缺失字段、类型不匹配、10MB 负载）对你的 Python 工具函数进行模糊测试，并给你一个 100 分的可靠性评分。<p>运行测试不需要 LLM。它读取你的类型提示，生成一个 Pydantic 模式，并确定性地破坏事物。<p>pip install py-toolguard<p>GitHub: <a href="https:&#x2F;&#x2F;github.com&#x2F;Harshit-J004&#x2F;toolguard" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;Harshit-J004&#x2F;toolguard</a><p>如果你正在构建复杂的工具链，如果你查看该仓库，我将感到非常荣幸。 强烈欢迎对架构进行严厉的反馈！

我们在 Zalor 发布了一项新功能：用于 Agent 测试的自定义数据集。<p>现在您可以： • 上传包含真实输入和预期输出的 CSV 文件 • 针对这些数据集运行您的 Agent • 从现有测试用例中生成新的测试用例，以涵盖边缘情况<p>这使得测试您之前手动测试的场景以及在 Agent 更改时捕获回归问题变得更加容易。<p>演示如下。欢迎任何构建 Agent 的人提供反馈。

针对 EMERALDWISDOM 进行调优，以在负载下实现更低的延迟——什么方法最有效，既能保持系统稳定，又不会过度设计？