Типы материалов
Практические материалы: промпты, рабочие процессы, инструменты и разбор ошибок.
29 важных материаловЗа 30 дней: 16Всего собрано: 45
В статье описывается, как использовать AWS Lambda Durable Functions и другие инструменты для автоматизации процесса устранения неполадок。
Почему это важно: Материал описывает автоматизацию процесса устранения неполадок, что может значительно сократить время реагирования на инциденты.
Автор описывает, как построить бизнес-кейс для агентной автоматизации, используя модель ценности。
Почему это важно: Статья предлагает полезную модель для оценки ценности агентной автоматизации в бизнесе.
AWS демонстрирует использование агентного поиска (AgenticRetrieveStream) в Amazon Bedrock Managed Knowledge Base через LangChain. В отличие от стандартного Retrieve API。
Почему это важно: Сравнивает стандартный и агентный поиск в Amazon Bedrock, показывая, как разбивать сложные запросы для повышения точности.
AWS представила Amazon Bedrock AgentCore Evaluations — управляемую функцию для оценки производительности AI-агентов на этапах разработки и в продакшене. Инструмент позволяет измерять не только качество ответов, но и выбор инструментов, соблюдение бизнес-ограничений и прозрачность принятия решений с помощью встроенных и кастомных оценщиков.
Почему это важно: Описана структура встроенных и пользовательских метрик для оценки точности и объяснимости мультиагентных систем в Amazon Bedrock AgentCore.
Автор обсуждает, как AI изменяет работу разработчиков и предлагает три ключевых навыка。
Почему это важно: Статья подчеркивает важность навыков взаимодействия с AI для разработчиков в условиях меняющегося рабочего процесса.
Команда ServiceNow CoreAI представила AutoSynthData — систему для создания синтетических задач обучения на основе ошибок целевой модели и успешных примеров более сильной модели-учителя. В экспериментах с EnterpriseOps Gym подход позволил повысить Pass@1 на 7.2 процентных пункта (рост на 35%) при дообучении Gemma-4-26B-A4B-it.
Почему это важно: ServiceNow описывает конвейер AutoSynthData для генерации синтетических данных, демонстрируя рост точности на 35% при дообучении модели.
Исследователи Microsoft показали, что перенос инференса с бортовых GPU на edge или облачные серверы улучшает успешность задач。
Почему это важно: Microsoft добавляет в Physical AI Toolchain функцию выгрузки инференса на edge или cloud GPU, что повышает точность роботов и экономит заряд батареи.
Mistral описывает процесс миграции 40 000 строк Fortran 77 в C++ для европейского энергетического оператора. Для обеспечения точности перед началом миграции был создан инструментарий проверки численного соответствия. Документирование базы кода выполнялось с помощью Vibe CLI и Mistral OCR. В процессе использовалась гибридная модель: человек управлял рабочим процессом из планировщика, кодировщика, тестировщика и ревьюера.
Почему это важно: Описан практический опыт модернизации кода с помощью AI-агентов, включая создание проверочных инструментов и структурированных рабочих процессов.
Исследователи из Berkeley AI Research и IBM Research адаптировали фреймворк K-Search для MLX。
Почему это важно: Исследование демонстрирует перенос экспертизы CUDA в MLX через AI-агент, обеспечивая ускорение до 20 раз на Apple Silicon.