Microsoft AutoGen: Multi-Agent AI Workflows with Advanced Automation
微软研究院于 2023 年 9 月推出了 AutoGen，这是一个开源 Python 框架，用于构建能够进行复杂多代理协作的 AI 代理。AutoGen 已经在研究人员、开发人员和组织中获得了关注，截至 2024 年 5 月，GitHub 上有超过 290 名贡献者，下载量接近 90 万次。在此成功的基础上，微软推出了 AutoGen Studio，这是一款低代码 […]文章 Microsoft AutoGen：具有高级自动化功能的多代理 AI 工作流首先出现在 Unite.AI 上。
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
