相关新闻

placeholder

Barret李靖

1小时前

LLM 出来之后，在应用层的折腾从未停歇。从 Prompt 调优到 Workflow 配置，再到 Agent 构建，最终目的都是一样的：让 LLM 更好地为人类干活，把机器的性能压榨到极致。 对 LLM 的压榨，可以分为两个维度。一是帮助它找到最优算法，让推理少走弯路。 为此我们几乎把能想到的路子都走了一遍，让 LLM 学会反思（reflection、self-consistency、self

placeholder

xxchan

2天前

Context7 是个少数比较有用的 MCP tool 之一，他能搜索你用的库的文档。 但这两天 X 上有人提到一些新的 MCP 文档搜索工具，说比 Context7 好。 那么问题来了，我怎么知道到底哪个好呢？ 其实可以让 agent 自己比

placeholder

0xWizard

2天前

人和 ai 的差异没那么大。 人的心法/逻辑/思考方式，就是 LLM 大语言模型底层；平时的“事上练”/经验/盈亏/读书，就是数据训练。 所谓进步和升级，无非就是一边升级模型底层，一边不断喂数据。 这样当 prompt 提示词适当的时候，就能给出更令人满意/更聪明/更接近正确的答案。

placeholder

meng shao

3天前

Designing Claude Code —— Claude Relations 负责人 Alex Albert 与 Claude Code 设计负责人 Meaghan Choi 一起探讨了 Claude Code 的设计理念、终端界面的演变，以及它如何赋能非技术人员如设计师。探讨的焦点在于 Claude Code 如何将 LLM 的力量无缝融入开发者日常工作流中，强调简洁、集成和创新。 起源

placeholder

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

3天前

一旦与LLM的交互范式突破，电力需求恐怕远超这个比例

关联事件

#多智能体之争：Anthropic生态VS单智能体

49

Anthropic与Cognition就多智能体系统构建展开激辩，核心争议在于上下文共享与否。Anthropic强调构建多智能体生态，提升复杂任务处理效率，近期发布多智能体构建指南，阐述“协调者-执行者”架构，并通过代理协调和系统评估提升任务性能，认为单个智能体的上下文有限，压缩比太大就会失真。Cognition则更关注单个Agent的效率和稳定性。Anthropic还发布了关于多智能体系统的文章，详细阐述构建多个智能体所面临的工程挑战，并强调带宽、结构、机制的重要性。这场争论反映了AI发展路径的不同选择，对未来AI系统的设计和应用具有重要意义。