這真是太好了！🤯 n8n 讓你的代理工作流程變得簡單易行。 你可以從 ChatGPT 或 Claude Code 搜尋、查看和運行你的 n8n 工作流程。 看看我如何開始使用它來優化我的 AI 代理。

Meta 的一篇很酷的論文。 以及多代理系統的另一個優秀應用。 （收藏它） 訓練現代 AI 模型需要大量高質量的數據。 然而，瓶頸不僅僅是數量。數據的多樣性不足。單一模型生成的合成數據往往會產生同質化的輸出，重複模式，並缺乏人類創建數據集中的細微變化。 Meta 的這項新研究介紹了 Matrix，一個點對點框架，讓多個 AI 代理通過去中心化的互動共同生成合成訓練數據。 在相同的硬體資源下，Matrix 實現了 2–15 倍更高的數據生成吞吐量，而不影響輸出質量。 TL;DR：不是一個模型生成數據，而是專門的代理扮演不同的角色並相互互動。一個提問，另一個回答，第三個評估質量。這些多輪對話捕捉了複雜的推理和多樣的觀點。 Matrix 的不同之處在於：沒有中央協調者。代理在完全去中心化的架構中直接通信。這使得可擴展性不會受到基礎設施瓶頸的影響。 該框架通過基於角色的對話協議、多輪互動模式以及每個階段內建的質量過濾運作。只有符合質量標準的數據才能進入最終的訓練集。 多代理協作生成的合成數據比單一模型方法更具多樣性。生成的數據集提高了下游模型在推理和遵循指令基準上的性能。

opus 4.5 中一個不為人知的酷炫部分。 您現在可以設置努力程度，以在回應的徹底性和代幣效率之間進行權衡。 高 - 複雜推理 中 - 平衡努力的代理任務 低 - 簡單任務