我从一个神经网络中移除了74%的神经元。 这仅使准确率下降了0.50%。 以下是详细信息（附带代码）：

关键的Agentic AI概念的分层概述。 让我们逐层理解。 1) LLMs（基础层） 在核心层面，你有像GPT、DeepSeek等LLMs。 这里的核心思想： - 令牌化和推理参数：文本如何被分解为令牌并由模型处理。 - 提示工程：设计输入以获得更好的输出。 - LLM API：与模型交互的编程接口。 这是驱动其他一切的引擎。 2) AI代理（基于LLMs构建） 代理围绕LLMs构建，使其能够自主行动。 关键职责： - 工具使用和功能调用：将LLM连接到外部API/工具。 - 代理推理：推理方法，如ReAct（推理+行动）或Chain-of-Thought。 - 任务规划和分解：将大任务分解为小任务。 - 内存管理：跟踪历史、上下文和长期信息。 代理是使LLMs在现实工作流程中有用的大脑。 3) Agentic系统（多代理系统） 当你结合多个代理时，你会得到Agentic系统。 特征： - 代理间通信：代理之间相互交流，必要时使用像ACP、A2A这样的协议。 - 路由和调度：决定哪个代理处理什么，以及何时处理。 - 状态协调：确保多个代理协作时的一致性。 - 多代理RAG：在代理之间使用检索增强生成。 - 代理角色和专业化：具有独特目的的代理。 - 编排框架：构建工作流程的工具（如CrewAI等）。 这一层是关于代理之间的协作和协调。 4) Agentic基础设施 顶层确保这些系统是稳健、可扩展和安全的。 这包括： - 可观察性和日志记录：跟踪性能和输出（使用像DeepEval这样的框架）。 - 错误处理和重试：对故障的弹性。 - 安全性和访问控制：确保代理不越界。 - 速率限制和成本管理：控制资源使用。 - 工作流自动化：将代理集成到更广泛的管道中。 - 人工干预控制：允许人类监督和干预。 这一层确保企业/生产环境的信任、安全和可扩展性。 整体而言，Agentic AI涉及一个分层架构，每一层外层都为内层增加了可靠性、协调性和治理。

LLM上下文长度随时间的增长： - GPT-3.5-turbo → 4k tokens - OpenAI GPT4 → 8k tokens - Claude 2 → 100k tokens - Llama 3 → 128k tokens - Gemini → 1M tokens 让我们了解它们如何扩展LLM的上下文长度：

你正在参加一次机器学习面试。 面试官问："为什么核技巧被称为技巧？" 以下是如何回答（附简单数学）：

LLMs中的3种推理提示技术：

DeepMind 构建了一种简单的 RAG 技术： - 将幻觉减少 40% - 提高答案相关性 50% 让我们了解如何在 RAG 系统中使用它（附代码）：

Figma画布用于构建AI代理工作流。 Sim是一个轻量级、用户友好的平台，可以在几分钟内构建AI代理工作流。 它原生支持所有主要的LLM、向量数据库等。 100%开源，拥有超过7000颗星！

从任何非结构化文件中获取RAG准备好的数据！ @tensorlake将非结构化文档转换为RAG准备好的数据，只需几行代码。它返回文档布局、结构化提取、边界框等。 适用于任何复杂布局、手写文档和多语言数据。

模型上下文协议（MCP），清晰解释（附带视觉图示）：

一个图形驱动的全能 RAG 系统！ RAG-Anything 是一个基于 LightRAG 的图形驱动的全能多模态文档处理 RAG 系统。 它支持在一个集成框架内的所有内容模态。 100% 开源。