Agentene møter nå en ny hindring! Og det skyldes ikke datakraft, minne eller LLM-er! Vi brukte tiår på å designe API-er for utviklere som leser dokumentasjon, forstår kontekst og kan improvisere når ting går i stykker. Men AI-agenter kan ikke gjøre noe av dette. De trenger perfekt konsistens, maskinlesbar alt, og null tvetydighet. Så de fleste API-er som opprinnelig ble designet for mennesker, er nå dårlige for AI-bruk. Og dette gapet er allerede i ferd med å bli alles problem siden AI-agenter nå er de primære API-brukerne. @getpostman har gitt ut en API Modity Assessment som løser dette, og de samarbeider med meg i dag om dette innlegget for å dele hva det innebærer. Den viser nøyaktig hvor du står på tvers av 6 kritiske divisjoner: - Innvirkning: Driver API-er faktisk forretningsresultater? - Oppdagelsesbarhet: Kan agenter i det hele tatt finne API-ene dine, for ikke å snakke om å bruke dem effektivt? - Kvalitet: Har du automatiske sjekker som oppdager problemer før en agent hamrer på systemet ditt? - Styring: Finnes det en konsistent struktur som maskiner kan forstå? - Sikkerhet: Kan du håndtere AI-agenter som ringer 1000 ganger flere samtaler enn mennesker? - AI-beredskap: Kan maskiner konsumere API-ene dine like lett som mennesker? Vurderingen tar 5 minutter og viser deg nøyaktig hvor gapene er. Det interessante er hvordan det kobler API-modenhet direkte til AI-beredskap. Det handler ikke bare om å ha gode API-er lenger. I stedet handler det om å ha API-er som kan konsumeres, forstås og utnyttes av neste generasjon AI-systemer. De fleste teamene jeg snakker med tror de er klare fordi de har «god dokumentasjon». Men bra for mennesker betyr ikke det samme som bra for maskiner. Jeg har delt en vurdering i svarene.

Et stort gjennombrudd her! Noen har fikset alle de store feilene i Jupyter Notebooks. .ipynb-formatet sitter fast i 2014. Det var laget for en annen tid – ingen sky-samarbeid, ingen AI-agenter, ingen teamarbeidsflyter. Endrer du én celle, får du 50+ linjer med JSON-metadata i git-diffen din. Kodegjennomganger blir et mareritt. Vil du dele en databasetilkobling på tvers av notatbøker? Konfigurer det separat i hver av dem. Trenger du kommentarer eller tillatelser? For ille. Jupyter jobber med solo-analyse, men pauser for team som bygger produksjons-AI-systemer. Deepnote har nettopp gjort løsningen åpen kildekode (Apache 2.0-lisens) De har laget en ny notebook-standard som faktisk passer moderne arbeidsflyter: ↳ Menneskelesbar YAML - Git-differ viser faktiske kodeendringer, ikke JSON-støy. Kodegjennomganger fungerer endelig. ↳ Prosjektbasert struktur - Flere notatbøker deler integrasjoner, hemmeligheter og miljøinnstillinger. Konfigurer én gang, bruk overalt. ↳ 23 ny blokk - SQL, interaktive input, diagrammer og KPI-er som førsteklasses borgere. Bygg dataapper, ikke bare analysenotatbøker. ↳ Flerspråklig støtte – Python og SQL i én notatbok. Moderne dataarbeid er ikke lenger enkeltspråk. ↳ Full bakover- og foroverkompatibilitet: konverter hvilken som helst Jupyter-notatbok til Deepnote og omvendt med én kommando. npx @ deepnote/convert notebook.ipynb Deretter åpner du den i VS Code, Cursor, WindSurf eller Antigravity. Dine eksisterende notatbøker migrerer umiddelbart. Deres skyversjon legger til sanntidssamarbeid med kommentarer, tillatelser og sanntidsredigering. Jeg har delt GitHub-repo-lenken i svarene! Det er 100 % åpen kildekode.

Microsoft. Google. AWS. Alle prøver å løse det samme problemet for AI-agenter: Hvordan bygge kunnskapsgrafer som er raske nok for sanntids LLM-applikasjoner? FalkorDB er en åpen kildekode-grafdatabase som løser dette ved å tenke nytt om hvordan grafer fungerer. Den bruker sparsomme matriser og lineær algebra i stedet for tradisjonell traversering! La oss forstå hva som gjør dem så raske: Tradisjonelle grafdatabaser lagrer relasjoner som lenkede noder og går gjennom dem ett hopp om gangen. Men det er et problem: Når du spør etter forbindelser, går databasen gjennom noder og kanter som om den følger et kart. For massive kunnskapsgrafer som driver AI-agenter, skaper dette en alvorlig flaskehals. Men hva om du kunne representere hele grafen som en matematisk struktur? Det er her sparsomme matriser kommer inn. En sparsom matrise lagrer kun forbindelsene som eksisterer. Ingen bortkastet plass, ingen unødvendige data. Bare de relasjonene som betyr noe. Og her er gjennombruddet: Når grafen din er en sparsom matrise, kan du spørre den ved hjelp av lineær algebra i stedet for traversering. Spørringene dine blir matematiske operasjoner, ikke steg-for-steg-vandringer gjennom noder. Matematikk går raskere enn å bevege seg. Mye raskere. I tillegg gjør sparsomme matriser lagring utrolig effektiv. Du lagrer bare det som finnes, noe som betyr at du kan få plass til massive kunnskapsgrafer i minnet uten å bruke opp ressurser. Så hvorfor ikke bare holde seg til vektorsøk? Vektorsøk er raskt, men fanger bare naiv likhet. De finner mønstre, men overser strukturen. Grafer fanger de nyanserte forholdene mellom enheter. Dette sikrer at konteksten som hentes for agenten din er svært nøyaktig og relevant, ikke bare «lik». Og her er hva du får med FalkorDB: ↳ Ultrarask, fler-leietaker grafdatabase ↳ Effektiv lagring ved bruk av tynn matrise-representasjon ↳ Kompatibel med OpenCypher (samme spørringsspråk som Neo4j) ↳ Bygget spesielt for LLM-applikasjoner og agentminne ↳ Kjører på Redis for enkel distribusjon Å komme i gang krever én Docker-kommando. Jeg testet det med deres Python-klient, og ytelsesforskjellen er umiddelbart merkbar. Hvis du bygger AI-agenter som trenger sanntidstilgang til tilkoblet informasjon, er dette verdt å utforske. Det beste er at det er 100 % åpen kildekode! Jeg har delt lenken til deres GitHub-repo i neste tweet!