Agentic GraphRAG for Commercial Contracts
将法律信息构建为知识图，以使用langgraph代理提高答案的准确性The Post Agentic GraphRag用于商业合同的后图首先出现在数据科学上。
Talk to My Data: Instant, explainable answers with agentic AI
发现如何与我的数据的代理AI应用程序交谈，使业务领导者具有即时，可靠的见解，弥合数据分析和决策之间的差距。帖子与我的数据交谈：即时，可解释的AgentIC AI，首先出现在DataRobot上。
随着人工智能和自动化重新定义商业格局，各公司正在努力解决如何有效地整合这些技术，同时平衡创新、治理和可扩展性。微软首席架构师 Shankar Narayanan SGS 在人工智能、云平台和企业自动化方面拥有深厚的专业知识。在这次对话中，Shankar 探讨了从基于规则的自动化到 Agentic AI 的转变，即不断发展的 […]
The ‘TACO’ Framework For Understanding AI Agents
作者：Swami Chandrasekaran，KPMG。人工智能代理系统代表了企业人工智能的转型转变，从被动信息检索转向主动执行和决策。 Agentic ...
New AI “agents” could hold people for ransom in 2025
“Agentic” AI 可能在 2025 年问世，它可能允许黑客派遣个人、AI 驱动的代理来做他们的肮脏工作。
Will the Convergence of Agentic AI and Spatial Computing Empower Human Agency in the AI Revolution?
随着 AI 竞赛的起起落落继续吸引着商界领袖、投资者和媒体的注意力，最令人兴奋的新兴创新之一是 Agentic AI 和空间计算，它们将重新定义我们与数字系统和物理环境的交互方式。这两项技术均被 Gartner 评为十大战略技术 […]Agentic AI 和空间计算的融合是否会在 AI 革命中增强人类能动性？首次出现在 Unite.AI 上。
Nitin Singhal, VP of Engineering (Data, AI, and Integrations) at SnapLogic
Nitin Singhal 是一位经验丰富的技术和产品领导者，拥有超过 25 年的行业经验。他目前担任 SnapLogic 的工程副总裁，专注于负责任地集成应用程序和系统，利用 Agentic 架构为全球受众释放数据潜力。在加入 SnapLogic 之前，Nitin 是 […]Nitin Singhal，SnapLogic 工程副总裁（数据、AI 和集成）一文首先出现在 Unite.AI 上。
Weekly Review 29 November 2024
我上周在 Twitter 上发布的一些有趣的链接（我也在 Mastodon、Threads、Newsmast 和 Bluesky 上发布了这些链接）：看起来每个人都在加入诉讼潮流。这种情况可能会持续下去，直到对使用数据训练人工智能是否构成复制数据做出最终裁决：https://techcrunch.com/2024/11/18/indian-news-agency-sues-openai-alleging-copyright-infringement/虽然大多数人对生成人工智能持乐观态度，但安全专家并不热衷于它：https://www.techrepublic.com/article/ciso-
AI Agent Workflows: A Complete Guide on Whether to Build With LangGraph or LangChain
深入研究由同一创建者开发的两个库 — LangChain 和 LangGraph：它们的关键构建块、它们如何处理核心功能，以及如何根据你的用例决定使用哪个库语言模型已经为用户如何与 AI 系统交互以及这些系统如何通过自然语言相互通信提供了可能性。当企业想要使用 Agentic AI 功能构建解决方案时，第一个技术问题通常是“我使用什么工具？”对于那些急于入门的人来说，这是第一个障碍。来源：Dalle-3在本文中，我们将探讨用于构建 Agentic AI 应用程序的两个最流行的框架 — LangChain 和 LangGraph。在本文结束时，你应该彻底了解关键构建块，了解每个框架在处理核心功能
Key Insights for Teaching AI Agents to Remember
根据对 Autogen 的“可教代理”的实验，提出构建强大记忆能力的建议记忆无疑正在成为 Agentic AI 的一个重要方面。随着 AI 代理用例的复杂性不断增加，这些代理从过去的经验中学习、利用存储的业务特定知识以及根据累积信息适应不断变化的场景的需求也在不断增加。在我之前的文章“AI 中的记忆：主要优势和投资考虑因素”中，我探讨了记忆对 AI 至关重要的原因，讨论了其在回忆、推理和持续学习中的作用。然而，这篇文章将直接深入研究记忆的实现，通过流行的代理框架 Autogen 中的“可教性”功能来检查其影响。注意：虽然这篇文章本质上是技术性的，但它为希望评估记忆在 Agentic AI 系统
适合长期 W/E 的六项 Nerdy AI 活动。StoryDiffusion。AI 代理堆栈。AI 城镇游戏。最新的上下文学习。KANs Alt 到 MLP。Amazon Q Assitant。带有 llama3 的 Agentic RAG。WildChat 数据集。
新的开放式混合专家模型。Jamba SSM-MoE。Qwen1.5-MoE-A2.7B。DBRX 132B MoE。frankenMoEs。AI Agentic 工作流。1 位 ML 模型。OpenDevin。AgentStudio。
