这太棒了！🤯 n8n 让你的代理工作流程变得简单易行。 你可以从 ChatGPT 或 Claude Code 中搜索、查看和运行你的 n8n 工作流程。 看看我如何开始使用它来优化我的 AI 代理。

Meta 的一篇很酷的论文。 还有另一个多智能体系统的优秀应用。 （收藏一下） 训练现代 AI 模型需要大量高质量的数据。 然而，瓶颈不仅仅在于数量。数据的多样性不足。单一模型生成的合成数据往往会产生同质化的输出，重复模式，并缺乏人类创建的数据集中所具有的细微多样性。 Meta 的这项新研究介绍了 Matrix，一个点对点框架，多个 AI 代理通过去中心化的互动协作生成合成训练数据。 在相同的硬件资源下，Matrix 实现了 2–15 倍更高的数据生成吞吐量，而不影响输出质量。 简而言之：不是一个模型生成数据，而是专门的代理扮演不同的角色并相互互动。一个提问，另一个回答，第三个评估质量。这些多轮对话捕捉了复杂的推理和多样的视角。 Matrix 的不同之处在于：没有中央协调者。代理在完全去中心化的架构中直接沟通。这使得可扩展性得以实现，而不会出现基础设施瓶颈。 该框架通过基于角色的对话协议、多轮互动模式以及每个阶段内置的质量过滤来运作。只有符合质量标准的数据才能进入最终的训练集。 多智能体协作生成的合成数据比单一模型方法更具多样性。生成的数据集提高了下游模型在推理和遵循指令基准测试中的表现。

opus 4.5 中一个被忽视的酷炫部分。 您现在可以设置努力级别，以在响应的全面性和代币效率之间进行权衡。 高 - 复杂推理 中 - 平衡努力的代理任务 低 - 更简单的任务