95 % av AI-ingeniørfaget er bare kontekstteknikk. Alle er besatt av bedre modeller, mens konteksten fortsatt er den virkelige flaskehalsen. Selv den beste modellen i verden vil gi deg søppel hvis du gir den feil informasjon. Dette er det de fleste går glipp av: Kontekstutvikling handler ikke bare om RAG, minne eller agenter. Det er kunsten og vitenskapen å levere riktig informasjon, i riktig format, til rett tid, til din LLM. Tenk på hva du faktisk trenger: ↳ Henting for å hente relevante dokumenter ↳ Korttidsminne for å spore samtaler ↳ Langtidsminne for å huske brukerpreferanser ↳ Agenter til å orkestrere alt ↳ Verktøy for å utvide kapabiliteter Det er 5 forskjellige systemer du må bygge, koble til og vedlikeholde. Jeg har nylig bygget med Pixeltable, og det er en interessant tilnærming til dette problemet. Det er åpen kildekode og behandler kontekstutvikling som et samlet dataproblem: Ideen er enkel: i stedet for å sy sammen en vektordatabase, en SQL-database, en embedding-tjeneste og et agent-rammeverk, lever alt i ett system. Dokumentene dine, embeddingene, samtalehistorikken og agentutdataene dine er alle bare tabeller. Embeddings er beregnede kolonner som oppdateres automatisk. Vektorsøk fungerer parallelt med dine vanlige dataoperasjoner. Hva jeg finner nyttig: ↳ RAG-pipelines uten å administrere separate databaser ↳ Langtidsminne gjennom vektorsøk over historiske samtaler ↳ Multiagent-arbeidsflyter som vedvarer automatisk ↳ Token-budsjettstyring innebygd i rammeverket Det er ikke magisk, men det fjerner mye av integrasjonsbelastningen. Du kjemper ikke med tre forskjellige API-er for å få henting, minne og agenter til å fungere sammen. Jeg har delt en startnotatbok i neste tweet om å bygge en kontekstutviklingspipeline med Pixeltable. Den dekker alle komponentene og tingene vi har diskutert her. Alt er 100 % åpen kildekode.

Et stort gjennombrudd her! Til slutt kan agentene dine lære som mennesker: Agent Reinforcement Trainer (ART) er et rammeverk for å trene flertrinns LLM-agenter for virkelige oppgaver ved bruk av GRPO. Du trenger bare noen få linjer kode. Ingen manuelle belønninger nødvendig! 100 % åpen kildekode.

MCP og A2A (Agent2Agent) protokoll, forklart visuelt! Agentiske applikasjoner krever både A2A og MCP. - MCP gir agenter tilgang til verktøy. - A2A lar agenter koble seg til andre agenter og samarbeide i team. Visualiseringen nedenfor forklarer nøyaktig hvor de passer inn i Agent-protokollstakken. > Hva er A2A? A2A (Agent2Agent) gjør det mulig for flere AI-agenter å samarbeide om oppgaver uten å direkte dele sitt interne minne, tanker eller verktøy. I stedet kommuniserer de ved å utveksle kontekst, oppgaveoppdateringer, instruksjoner og data. > A2A <> MCP AI-applikasjoner kan modellere A2A-agenter som MCP-ressurser, representert ved deres AgentCard (mer om kort i neste tweet). Ved å bruke dette kan AI-agenter som kobler seg til en MCP-server oppdage nye agenter å samarbeide med og koble seg til via A2A-protokollen. > Agentkort (ID-kort for agenter) Fjernagenter som støtter A2A må publisere et JSON Agent Card som beskriver deres kapasiteter og autentisering. Kunder bruker dette for å finne og kommunisere med den beste megleren for en oppgave. > Hva gjør A2A kraftfull? - Sikkert samarbeid - Oppgave- og tilstandsstyring - UX-forhandling - Kapabilitetsoppdagelse - Agenter fra ulike rammeverk som jobber sammen I tillegg kan den integreres med MCP. Hvis du vil lære MCP-er fra bunnen av (med prosjekter), har jeg delt en gratis guidebok i svarene.