ข้ามไปที่เนื้อหา
เหตุการณ์ร้อนแรงกำลังพัฒนา

LangChain อธิบายรายละเอียดโครงสร้างพื้นฐานร่วมเบื้องหลังเอเจนต์ภายในของบริษัท

2 รายงาน1 แหล่งข่าวที่รายงานอัปเดต 7 ชม. ที่แล้ว

เริ่มตรงนี้

ไดเจสต์ AI

LangChain เผยแพร่ห้าองค์ประกอบร่วมเบื้องหลังเอเจนต์ภายในสำหรับการตลาด การขาย และวิศวกรรม: การทำงานภายใน Slack การจัดการตัวตน หน่วยความจำสองชั้น การรันโค้ดในแซนด์บ็อกซ์ และการรันเบื้องหลังตามกำหนดเวลา GTM Agent, OpenSWE และ Content Studio ล้วนทำงานบน Managed Deep Agents ซึ่งต่อยอดจากโครงสร้าง Deep Agents แบบโอเพนซอร์สและมีช่องทางสื่อสาร ครอน แซนด์บ็อกซ์ หน่วยความจำ และตัวตน บทความอธิบายว่าแต่ละเอเจนต์ผสมข้อมูลรับรองแบบ on-behalf-of กับข้อมูลรับรองแบบคงที่อย่างไร และระบุว่าหน่วยความจำเป็นหนึ่งในห้าด้านที่ถูกสำรวจน้อยที่สุด ในบทความติดตามผล LangChain กล่าวว่ากว่า 70% ของการรันสำหรับเอเจนต์เชิงรุกสองตัว คือ GTM Agent และ Robin มาจากกำหนดการมากกว่าคำสั่งจากมนุษย์ โดยให้เหตุผลว่าหน่วยความจำที่สร้างจากบริบทตั้งต้น ผลตอบรับจากผู้ใช้ และผลลัพธ์ คือสิ่งที่ทำให้เอเจนต์ลงมือได้โดยไม่มีคำสั่ง และการเช็กอินต้องมีสัญญาณสูงและตรวจสอบได้อย่างรวดเร็ว ส่งผ่าน Slack ที่ผู้ใช้ทำงานอยู่แล้ว LangChain ระบุว่าการรักษาหน่วยความจำให้มีประโยชน์เป็นเรื่องยากเพราะความเด่นชัด การหมดอายุ และความซ้ำซ้อน และงานเบื้องหลังตามกำหนดการที่เรียกว่า "dreaming" เป็นวิธีทั่วไปในการอัปเดตหน่วยความจำ

สร้างจากรายงาน · อัปเดต 7 ชม. ที่แล้ว

ความคืบหน้า

2 ความคืบหน้า

  1. 18 พฤศจิกายน 00:49 · 1 รายงาน
    แบ่งปันบทเรียนจากการสร้างเอเจนต์เชิงรุก
    LangChain Blog:LangChain ว่าด้วยการสร้าง proactive agent: บทเรียนด้าน memory และ UX จาก GTM Agent และ Robin
  2. 17 พฤศจิกายน 14:39 · 1 รายงาน
    แบ่งปันห้าองค์ประกอบของการสร้างโครงสร้างพื้นฐานระดับบริษัท
    LangChain Blog:LangChain เผยองค์ประกอบห้าส่วนสำหรับสร้างโครงสร้างตัวแทนภายในของบริษัท

ไทม์ไลน์รายงาน

ไล่ตามรายงานเพื่อดูเหตุการณ์นี้จากหลายด้าน

18 พฤศจิกายน
  1. LangChain Blog
    LangChain ว่าด้วยการสร้าง proactive agent: บทเรียนด้าน memory และ UX จาก GTM Agent และ Robin

    LangChain สรุปสิ่งที่ได้เรียนรู้จากการรัน proactive agent ภายในสองตัวคือ GTM Agent และ Robin บน Managed Deep Agents ซึ่งปัจจุบันกว่า 70% ของการรันมาจากตารางเวลาแทนที่จะเป็นพรอมป์จากมนุษย์ บทความระบุว่า memory ที่สร้างจาก seed context ความคิดเห็นของผู้ใช้ และผลลัพธ์ คือสิ่งที่ทำให้ agent ลงมือทำได้โดยไม่มีพรอมป์ และการเช็กอินต้องมีสัญญาณสูงและตรวจสอบได้เร็ว ส่งในที่ที่ผู้ใช้ทำงานอยู่แล้วอย่าง Slack พร้อมระบุว่าการรักษา memory ให้มีประโยชน์เป็นเรื่องยากเพราะความเด่นชัด การหมดอายุ และความซ้ำซ้อน และงานเบื้องหลังตามตารางเวลาที่เรียกว่า dreaming เป็นวิธีทั่วไปในการอัปเดต memory

17 พฤศจิกายน
  1. LangChain Blog
    LangChain เผยองค์ประกอบห้าส่วนสำหรับสร้างโครงสร้างตัวแทนภายในของบริษัท

    LangChain อธิบายถึงห้าองค์ประกอบพื้นฐานร่วมที่อยู่เบื้องหลังตัวแทนภายในสำหรับการตลาด การขาย และวิศวกรรม ได้แก่ การอยู่ใน Slack การจัดการตัวตน หน่วยความจำสองชั้น การรันโค้ดในแซนด์บ็อกซ์ และการรันเบื้องหลังตามกำหนดเวลา GTM Agent, OpenSWE และ Content Studio ล้วนทำงานบน Managed Deep Agents ซึ่งอยู่บนโครงสร้าง Deep Agents แบบโอเพนซอร์สและมีช่องทาง, cron, แซนด์บ็อกซ์, หน่วยความจำ และตัวตน โพสต์ดังกล่าวอธิบายรายละเอียดว่าตัวแทนแต่ละตัวผสมผสานข้อมูลรับรองแบบ on-behalf-of และแบบคงที่อย่างไร และระบุว่าหน่วยความจำยังเป็นพื้นที่ที่ถูกสำรวจน้อยที่สุด

ความร้อนแรงของเหตุการณ์นี้

ช่วงปัจจุบันที่เทียบได้
8
จุดสูงสุดในช่วงที่เทียบได้
1018 พฤศจิกายน 01:00
การเปลี่ยนแปลงใน 24 ชั่วโมง
–

แนวโน้มนี้เปรียบเทียบผู้ร่วมพูดถึงชุดเดียวกันในช่วงเวลาที่เฝ้าดูต่อเนื่อง ช่วงจึงอาจแคบกว่าคะแนนความร้อนปัจจุบัน วางเมาส์หรือแตะกราฟเพื่อดูความร้อนรายชั่วโมง กดลูกศรเพื่อเลื่อนดู