L'ingénierie contextuelle ne consiste pas seulement à jeter plus de données à votre LLM - il s'agit de lui donner le bon contexte au bon moment. Dans cette présentation pour @OReillyMedia, notre ingénieur en relations développeurs @tuanacelik explique comment les blocs de mémoire vous aident à construire des agents qui maintiennent un contexte structuré pour des tâches complexes. Elle démontre des blocs de mémoire d'artefact en utilisant un bot de suivi de commande de restaurant - montrant comment distiller des conversations entières en juste les informations structurées essentielles (type de pizza, garnitures, adresse) plutôt que de traiter l'historique complet des discussions. Concepts clés abordés : · Différents types de blocs de mémoire (statique, extraction de faits, vecteur, artefact) · Gestion du ratio de contexte - équilibrer l'historique des discussions, les invites système et la mémoire · Utilisation des flux de travail des agents pour construire et optimiser le contexte étape par étape L'exemple montre comment les blocs de mémoire d'artefact peuvent transformer une conversation errante en une commande propre et structurée - exactement ce dont vous avez besoin pour des agents de production gérant des tâches du monde réel. Regardez la présentation complète :

Marre de lutter avec des fichiers Excel désordonnés qui cassent les parseurs traditionnels ? 📊 Rejoignez notre atelier le 29 janvier à 11h PT pour voir comment LlamaSheets transforme des feuilles de calcul chaotiques en fichiers Parquet propres et prêts pour l'IA tout en préservant tout le contexte qui compte. 📈 Gérez des structures complexes comme les cellules fusionnées, les en-têtes multi-niveaux et le formatage visuel que les outils traditionnels manquent 🤖 Créez des agents spécifiques aux feuilles de calcul pour l'analyse financière, le parsing de budget et les rapports automatisés 💼 Découvrez des exemples concrets : consolidation de données multi-régionales et extraction de tableaux de revenus trimestriels ⚡ Transformez le chaos des feuilles de calcul en données structurées avec juste quelques lignes de code Nous passerons en revue des cas d'utilisation pratiques et vous montrerons des modèles d'intégration avec LlamaAgents afin que vous puissiez construire des pipelines de traitement de données robustes. Inscrivez-vous à l'atelier :

Un problème que nous rencontrons souvent : de longs documents avec différentes parties de contenu répétitif. Exemple : un livre de CV avec une page de couverture, quelques pages sur les cursus des étudiants, puis des CV enchaînés. Construisez un agent de traitement de CV intelligent qui extrait automatiquement des données structurées à partir de contenu répétitif en utilisant LlamaSplit pour identifier où chaque contenu individuel commence et se termine et LlamaExtract pour extraire des données structurées : 📄 Téléchargez des livres de CV au format PDF sur LlamaCloud et catégorisez automatiquement les pages en utilisant LlamaSplit pour séparer les CV individuels des pages de cursus et de couverture. 🤖 Extrayez des informations structurées de chaque CV en utilisant LlamaExtract avec des schémas personnalisés pour capturer les noms, les coordonnées, l'éducation, l'expérience professionnelle et les compétences, etc. (à votre choix). ⚡ Orchestrer l'ensemble du processus avec LlamaAgent Workflows. 🔍 Traitez des données de CV réelles avec des scores de confiance et une sortie structurée prête pour le filtrage, la recherche et les systèmes de correspondance des candidats. Le tutoriel utilise un livre de CV de NYU comme exemple et montre à la fois des appels API individuels et une mise en œuvre complète d'un flux de travail automatisé. Découvrez le tutoriel complet :