Show HN เผยแพร่สเปกโครงสร้างพื้นฐานเอเจนต์ AI และการบีบอัดหน่วยความจำ
เริ่มตรงนี้
โพสต์ Show HN ได้เผยแพร่สเปกสถาปัตยกรรมสำหรับโครงสร้างพื้นฐานเอเจนต์ AI โดยออกแบบ вокругการบีบอัดหน่วยความจำแบบหมุนสามชั้น: ค่าคงที่ที่ปักหมุดไว้, บัญชีแยกประเภทที่บีบอัดแล้วของข้อเท็จจริงที่ขจัดความซ้ำซ้อนแล้ว และส่วนท้ายดิบแบบร้อนของ 4–6 เทิร์นล่าสุด ผู้เขียนรายงานว่าบนชุดย่อย SWE-bench Verified ที่ใช้ Llama-3.3-70B บน 4×A100 การออกแบบนี้บรรลุการเรียกคืนกฎระบบ 97.8% ที่ 0.62M โทเคนต่อการรัน ลดลง 66% เมื่อเทียบกับบัฟเฟอร์บริบทแบบธรรมดา สเปกยังครอบคลุมการถอดรหัสแบบจำกัดสคีมาผ่าน xgrammar และ outlines, การเสริมความแข็งแกร่งของ MCP และแซนด์บ็อกซ์ gVisor/Firecracker ตัวเลขประสิทธิภาพเป็นผลลัพธ์ที่ผู้เขียนรายงานเอง
สร้างจากรายงาน · อัปเดต 16 ชม. ที่แล้ว
ไทม์ไลน์รายงาน
ไล่ตามรายงานเพื่อดูเหตุการณ์นี้จากหลายด้าน
- Hacker News · AIShow HN: ข้อกำหนดโครงสร้างพื้นฐานและ Memory Compaction สำหรับ AI Agent
โพสต์ Show HN เผยแพร่ข้อกำหนดสถาปัตยกรรมที่คัดสรรสำหรับโครงสร้างพื้นฐานของ AI agent โดยเน้นการออกแบบ three-tier rolling memory compaction ได้แก่ pinned invariants, compacted ledger ของข้อเท็จจริงที่ deduplicated แล้ว และ hot raw tail ของ 4-6 เทิร์นล่าสุด บนชุดย่อย SWE-bench Verified ด้วย Llama-3.3-70B บน 4×A100 ผู้เขียนรายงานว่าได้ system rules recall 97.8% และ 0.62M tokens ต่อการรันหนึ่งครั้ง ลดลง 66% เมื่อเทียบกับ context buffer แบบ naive ข้อกำหนดยังครอบคลุม schema-constrained decoding ผ่าน xgrammar และ outlines, MCP hardening และ gVisor/Firecracker sandboxing
ความร้อนแรงของเหตุการณ์นี้
- ช่วงปัจจุบันที่เทียบได้
- 6
- จุดสูงสุดในช่วงที่เทียบได้
- 1017 พฤศจิกายน 17:00
- การเปลี่ยนแปลงใน 24 ชั่วโมง
- –
แนวโน้มนี้เปรียบเทียบผู้ร่วมพูดถึงชุดเดียวกันในช่วงเวลาที่เฝ้าดูต่อเนื่อง ช่วงจึงอาจแคบกว่าคะแนนความร้อนปัจจุบัน วางเมาส์หรือแตะกราฟเพื่อดูความร้อนรายชั่วโมง กดลูกศรเพื่อเลื่อนดู