Cum să construiești un agent AI

Cum să construiești un agent AI

Răspuns scurt: Pentru a construi un agent IA care funcționează în practică, tratați-l ca o buclă controlată: luați date de intrare, decideți următoarea acțiune, apelați un instrument cu scop restrâns, observați rezultatul și repetați până când trece o verificare clară „gata”. Își merită locul atunci când sarcina este în mai mulți pași și condusă de instrumente; dacă o singură solicitare o rezolvă, săriți peste agent. Adăugați scheme stricte de instrumente, limite de pași, înregistrare în jurnal și un validator/critic, astfel încât, atunci când instrumentele eșuează sau datele de intrare sunt ambigue, agentul să escaladeze în loc să se repete.

Concluzii cheie:

Bucla controlerului : Implementează intrare → act → observă repetiția cu condiții de oprire explicite și pași maximi.

Proiectarea instrumentelor : Mențineți instrumentele restrânse, tipizate, cu permisiuni și validate pentru a preveni haosul de tip „do_anything”.

Igiena memoriei : Folosește stare compactă pe termen scurt plus recuperare pe termen lung; evită descărcarea transcrierilor complete.

Rezistență la utilizarea abuzivă : Adăugați liste de permisiuni, limite de rată, idempotență și „runcare la încercare” pentru acțiuni riscante.

Testabilitate : Mențineți o suită de scenarii (eșecuri, ambiguitate, injecții) și rulați-o din nou la fiecare modificare.

Cum să construiești un agent AI? Infografic
Articole pe care ți-ar putea plăcea să le citești după acesta:

🔗 Cum se măsoară performanța IA
Învățați parametri practici pentru a evalua viteza, precizia și fiabilitatea.

🔗 Cum să vorbești cu inteligența artificială
Folosește sugestii, context și întrebări ulterioare pentru a obține răspunsuri mai bune.

🔗 Cum se evaluează modelele de inteligență artificială
Comparați modele folosind teste, rubrici și rezultate ale sarcinilor din lumea reală.

🔗 Cum să optimizezi modelele de inteligență artificială
Îmbunătățiți calitatea și costurile prin reglare, eliminare și monitorizare.

1) Ce este un agent IA, în termeni obișnuiți 🧠

Un agent AI este o buclă. Documentația LangChain „Agenți”

Asta e tot. O buclă cu un creier la mijloc.

Intrare → gândire → acționează → observă → repetare . Reacționează pe hârtie (raționează + acționează)

Unde:

  • Intrarea este o solicitare a utilizatorului sau un eveniment (e-mail nou, tichet de asistență, ping senzor).

  • A gândi este un model de limbaj care raționează despre pasul următor.

  • Acțiunea înseamnă apelarea unui instrument (căutare documente interne, rulare cod, creare tichet, redactare răspuns). Ghid de apelare a funcțiilor OpenAI

  • Observe citește ieșirea instrumentului.

  • Repetarea este partea care îl face să pară „agentic” în loc de „vorbăreț”. Documentația LangChain „Agents”

Unii agenți sunt practic macrocomenzi inteligente. Alții acționează mai mult ca un operator junior care poate jonglera între sarcini și recupera erori. Ambele contează.

În plus, nu ai nevoie de autonomie completă. De fapt… probabil că nu o dorești 🙃

2) Când ar trebui să construiești un agent (și când nu ar trebui) 🚦

Construiește un agent atunci când:

  • Lucrarea este în mai multe etape și se schimbă în funcție de ce se întâmplă pe parcurs.

  • Jobul necesită utilizarea instrumentelor (baze de date, CRM-uri, execuție de cod, generare de fișiere, browsere, API-uri interne). Documentația „Instrumente” LangChain

  • Vrei rezultate repetitive cu paravane de protecție, nu doar răspunsuri unice.

  • Poți defini „gata” într-un mod în care un computer îl poate verifica, chiar și în termeni vagi.

Nu construiți un agent atunci când:

  • O simplă solicitare + un răspuns rezolvă problema (nu exagera cu ingineria, te vei urî mai târziu).

  • Ai nevoie de determinism perfect (agenții pot fi consecvenți, dar nu robotici).

  • Nu ai niciun instrument sau date pentru a te conecta - atunci sunt în mare parte doar vibrații.

Să fim sinceri: jumătate din „proiectele agenților AI” ar putea fi un flux de lucru cu câteva reguli de ramificare. Dar hei, uneori contează și atmosfera 🤷♂️

3) Ce face ca o versiune bună a unui agent IA să fie ✅

Iată secțiunea „Ce face o versiune bună a” pe care ai cerut-o, doar că voi fi puțin cam direct:

O versiune bună a unui agent IA nu cea care gândește cel mai intens. Este cea care:

Dacă agentul tău nu poate fi testat, practic e un aparat de sloturi foarte sigur pe sine. Distracție la petreceri, terifiantă în producție 😬

4) Elementele constitutive de bază ale unui agent („anatomia” 🧩)

Majoritatea agenților solizi au aceste componente:

A) Bucla controlerului 🔁

Acesta este orchestratorul:

B) Instrumente (cunoscute și sub numele de capabilități) 🧰

Instrumentele sunt cele care fac un agent eficient: documentația „Instrumente” LangChain

  • interogări în baza de date

  • trimiterea de e-mailuri

  • extragerea fișierelor

  • cod de rulare

  • apelarea API-urilor interne

  • scrierea în foi de calcul sau CRM-uri

C) Memorie 🗃️

Două tipuri contează:

  • memorie pe termen scurt : contextul curent al alergării, pașii recenți, planul curent

  • memorie pe termen lung : preferințe utilizator, context proiect, cunoștințe recuperate (adesea prin încorporări + un stocator vectorial) lucrare RAG

D) Politica de planificare și luare a deciziilor 🧭

Chiar dacă nu numiți asta „planificare”, aveți nevoie de o metodă:

E) Balustrade și evaluare 🧯

Da, e mai mult inginerie decât îndemn. Ceea ce e... cam ideea.

5) Tabel comparativ: modalități populare de a construi un agent 🧾

Mai jos este un „Tabel comparativ” realist - cu câteva ciudățenii, deoarece echipele reale sunt ciudate 😄

Instrument / Cadru Public Preţ De ce funcționează Note (un mic haos)
LangChain constructori cărora le plac componentele în stil Lego free-ish + infra un ecosistem mare pentru unelte, memorie, lanțuri poți face spaghete repede dacă nu numești lucrurile clar
Indexul Lamei Echipe cu RAG-uri puternice free-ish + infra modele puternice de recuperare, indexare, conectori excelent când agentul tău este practic „caută + acționează”... ceea ce este ceva obișnuit
Abordarea în stilul OpenAI Assistants echipele care doresc o configurare mai rapidă bazat pe utilizare modele de apelare a instrumentelor încorporate și stare de rulare mai puțin flexibil în unele colțuri, dar curat pentru multe aplicații OpenAI Runs API Apelarea funcțiilor OpenAI Assistants
Nucleu semantic dezvoltatori care doresc orchestrare structurată oarecum liber abstractizare clară pentru competențe/funcții pare „ordonată ca la o întreprindere” - uneori e un compliment 😉
Generare automată experimentatori cu agenți multipli oarecum liber modele de colaborare agent-agent poate exagera; stabilește reguli stricte de concediere
CrewAI fanii „echipelor de agenți” oarecum liber Rolurile + sarcinile + predările sunt ușor de exprimat funcționează cel mai bine când sarcinile sunt clare, nu moi
Carul cu fân căutare + canale de căutare persoane oarecum liber conducte solide, recuperare, componente mai puțin „teatru de agenți”, mai mult „fabrică practică”
Roll-your own (buclă personalizată) obsedați de control (afectuoși) timpul tău magie minimă, claritate maximă de obicei e cel mai bun pe termen lung… până reinventezi totul 😅

Nu există un singur câștigător. Cea mai bună alegere depinde de faptul dacă sarcina principală a agentului dvs. este recuperarea , execuția instrumentelor , coordonarea mai multor agenți sau automatizarea fluxului de lucru .

6) Cum să construiești un agent AI pas cu pas (rețeta propriu-zisă) 🍳🤖

Aceasta este partea pe care majoritatea oamenilor o sar peste, apoi se întreabă de ce agentul se comportă ca un raton într-o cămară.

Pasul 1: Definește jobul într-o singură propoziție 🎯

Exemple:

  • „Scrieți un răspuns pentru client folosind politica și contextul tichetului, apoi solicitați aprobarea.”

  • „Investigați un raport de eroare, reproduceți-l și propuneți o remediere.”

  • „Transformă notițele imperfecte ale ședinței în sarcini, responsabili și termene limită.”

Dacă nu poți să o definești simplu, nici agentul tău nu poate. Adică poate, dar va improviza, iar improvizația este locul unde bugetele ajung să moară.

Pasul 2: Decide nivelul de autonomie (scăzut, mediu, picant) 🌶️

  • Autonomie redusă : sugerează pași, clicurile umane „aprobă”

  • Mediu : rulează instrumente, elaborează rezultate, escaladează în caz de incertitudine

  • Înalt : execută end-to-end, trimite ping doar către oameni la excepții

Începeți mai jos decât doriți. Puteți oricând să creșteți intensitatea mai târziu.

Pasul 3: Alege-ți strategia modelului 🧠

De obicei, alegi:

  • un model puternic pentru orice (simplu)

  • un model puternic + un model mai mic pentru pași ieftini (clasificare, rutare)

  • modele specializate (vedere, cod, vorbire), dacă este necesar

De asemenea, decideți:

  • jetoane maxime

  • temperatură

  • dacă permiteți intern urme lungi de raționament (puteți, dar nu expuneți lanțul brut de gândire utilizatorilor finali)

Pasul 4: Definiți instrumentele cu scheme stricte 🔩

Instrumentele ar trebui să fie:

În loc de un instrument numit do_anything(input: string) , faceți:

  • search_kb(interogare: șir) -> rezultate[]

  • create_ticket(title: string, body: string, priority: enum) -> ticket_id

  • send_email(to: string, subject: string, body: string) -> status Ghid de apelare a funcțiilor OpenAI

Dacă îi dai agentului o drujbă, nu fi șocat când acesta tunde un gard viu, îndepărtând și gardul.

Pasul 5: Construiți bucla controlerului 🔁

Bucla minimă:

  1. Începeți cu obiectivul + contextul inițial

  2. Întreabă modelul: „Următoarea acțiune?”

  3. Dacă se apelează instrumentul - se execută instrumentul

  4. Adăugați observația

  5. Verificați starea de oprire

  6. Repetați (cu numărul maxim de pași) documentația LangChain „Agenți”

Adăuga:

Pasul 6: Adăugați memorie cu grijă 🗃️

Pe termen scurt: mențineți un „rezumat de stare” compact actualizat la fiecare pas. LangChain „Prezentare generală a memoriei”.
Pe termen lung: stocați informații durabile (preferințe utilizator, reguli organizaționale, documentație stabilă).

Regula generală:

  • dacă se schimbă des - păstrează-l pe termen scurt

  • dacă este stabil - depozitați pe termen lung

  • dacă este sensibil - depozitați la minimum (sau deloc)

Pasul 7: Adăugați validarea și un permis de „critic” 🧪

Un model ieftin și practic:

  • agentul generează rezultatul

  • Validatorul verifică structura și constrângerile

  • Revizuiri opționale ale modelului critic pentru pași lipsă sau încălcări ale politicilor NIST AI RMF 1.0

Nu este perfect, dar prinde o cantitate șocantă de absurdități.

Pasul 8: Înregistrează tot ce vei regreta că nu ai înregistrat 📜

Jurnal:

Viitorul - îți vei mulțumi. Prezentul - vei uita. Asta e pur și simplu viața 😵💫

7) Chemare de instrumente care nu-ți frânge sufletul 🧰😵

Apelarea instrumentelor este momentul în care „Cum să construiești un agent AI” devine inginerie software reală.

Faceți uneltele fiabile (fiabilitatea este un lucru bun)

Instrumentele fiabile sunt:

Adăugați balustrade la stratul de instrumente, nu doar solicitări

Prompturile sunt sugestii politicoase. Validarea instrumentelor este o ușă încuiată. Rezultate structurate OpenAI

Do:

  • liste permise (ce instrumente pot rula)

  • validarea intrărilor

  • limite de rată Ghidul limitelor de rată OpenAI

  • verificări de permisiuni per utilizator/organizație

  • „mod de simulare” pentru acțiuni riscante

Proiectare pentru cedare parțială

Instrumentele eșuează. Rețelele se clatină. Autentificarea expiră. Un agent trebuie:

Un truc discret și eficient: returnează erori structurate precum:

  • tip: eroare_autentificare

  • tip: negăsit

  • tip: rate_limited
    Astfel, modelul poate răspunde inteligent în loc să intre în panică.

8) Amintiri care te ajută în loc să te bântuie 👻🗂️

Memoria este puternică, dar poate deveni și un sertar cu vechituri.

Memoria pe termen scurt: păstrați-o compactă

Utilizare:

  • ultimii N pași

  • un rezumat al rulării (actualizat la fiecare buclă)

  • planul actual

  • constrângerile actuale (buget, timp, politici)

Dacă pui totul în context, obții:

  • cost mai mare

  • latență mai lentă

  • mai multă confuzie (da, chiar și atunci)

Memoria pe termen lung: recuperarea în detrimentul „umpluturii”

Cea mai mare parte a „memoriei pe termen lung” este mai degrabă de genul:

  • încorporări

  • magazin vectorial

  • Recuperare augmentată de generare (RAG) - lucrare RAG

Agentul nu memorează. Acesta preia cele mai relevante fragmente de cod în timpul execuției. LlamaIndex „Introducere în RAG”

Reguli practice de memorie

  • Stochează „preferințele” ca fapte explicite: „Utilizatorului îi plac rezumatele cu puncte și urăște emoji-urile” (lol, dar nu aici 😄)

  • Stocați „deciziile” cu marcaje temporale sau versiuni (altfel se acumulează contradicții)

  • Nu păstra niciodată secrete decât dacă ești cu adevărat nevoit/ă

Și iată metafora mea imperfectă: memoria e ca un frigider. Dacă nu-l cureți niciodată, în cele din urmă sandvișul tău va avea gust de ceapă și regret.

9) Modele de planificare (de la simplu la sofisticat) 🧭✨

Planificarea este doar o descompunere controlată. Nu o face mistică.

Model A: Planificator listă de verificare ✅

  • Modelul generează o listă de pași

  • Execută pas cu pas

  • Actualizează starea listei de verificare

Excelent pentru integrare. Simplu, testabil.

Model B: Bucla ReAct (motiv + act) 🧠→🧰

  • modelul decide următoarea apelare a sculei

  • observă ieșirea

  • repetă hârtia ReAct

Aceasta este senzația clasică a unui agent.

Model C: Supervizor-lucrător 👥

Acest lucru este valoros atunci când sarcinile sunt paralelizabile sau când doriți „roluri” diferite, cum ar fi:

  • cercetător

  • programator

  • editor

  • Verificator QA

Modelul D: Planifică-apoi-execută cu replanificare 🔄

  • creați un plan

  • executa

  • Dacă rezultatele instrumentului schimbă realitatea, replanificați

Acest lucru împiedică agentul să urmeze cu încăpățânare un plan prost. Și oamenii fac asta, cu excepția cazului în care sunt obosiți, caz în care urmează și ei planuri proaste.

10) Siguranță, fiabilitate și evitarea concedierii 🔐😅

Dacă agentul dumneavoastră poate lua măsuri, aveți nevoie de un design de siguranță. Nu este „frumos de avut”. Necesar. NIST AI RMF 1.0

Limite stricte

  • pași maximi pe alergare

  • apeluri maxime ale sculelor pe minut

  • cheltuieli maxime per sesiune (buget pentru tokenuri)

  • instrumente restricționate în urma aprobării

Manipularea datelor

  • ștergând intrările sensibile înainte de înregistrare

  • medii separate (dezvoltare vs. producție)

  • permisiuni pentru instrumente cu privilegii minime

Constrângeri comportamentale

  • forțează agentul să citeze fragmente de dovezi interne (nu linkuri externe, ci doar referințe interne)

  • solicită semnalizări de incertitudine atunci când încrederea este scăzută

  • necesită „puneți o întrebare clarificatoare” dacă datele de intrare sunt ambigue

Un agent de încredere nu este cel mai încrezător. Este cel care știe când ghicește... și spune asta.

11) Testarea și evaluarea (partea pe care toată lumea o evită) 🧪📏

Nu poți îmbunătăți ceea ce nu poți măsura. Da, replica asta e siropoasă, dar e enervant de adevărată.

Construiți un set de scenarii

Creați 30-100 de cazuri de testare:

Rezultate scor

Folosește indicatori precum:

  • rata de succes a sarcinii

  • timp până la finalizare

  • rata de recuperare a erorilor instrumentului

  • rata halucinațiilor (afirmații fără dovezi)

  • rata de aprobare umană (dacă este în modul supravegheat)

Teste de regresie pentru prompturi și instrumente

De fiecare dată când te schimbi:

  • schema instrumentului

  • instrucțiuni de sistem

  • logica de recuperare

  • formatare memorie.
    Rulați din nou suita.

Agenții sunt niște bestii sensibile. Ca plantele de apartament, dar mai scumpe.

12) Modele de implementare care nu vă epuizează bugetul 💸🔥

Începeți cu un singur serviciu

Adăugați controale de cost din timp

  • memorarea în cache a rezultatelor recuperării

  • comprimarea stării conversației cu rezumate

  • utilizarea de modele mai mici pentru rutare și extragere

  • limitarea „modului de gândire profundă” la pașii cei mai dificili

Alegerea arhitecturală comună

  • controler fără stare + stocare externă de stare (DB/redis)

  • Apelurile instrumentelor sunt idempotente acolo unde este posibil „Cereri idempotente” de la Stripe

  • coadă pentru sarcini lungi (astfel încât să nu țineți o cerere web deschisă pentru totdeauna)

De asemenea: construiește un „întrerupător de stingere a incendiilor”. Nu vei avea nevoie de el până când nu vei avea cu adevărat, cu adevărat nevoie de el 😬

13) Note de încheiere - versiunea scurtă despre Cum să construiești un agent AI 🎁🤖

Dacă nu vă mai amintiți nimic altceva, amintiți-vă de asta:

Un agent nu este magie. Este un sistem care ia decizii bune suficient de des pentru a fi valoros... și își recunoaște înfrângerea înainte să provoace daune. Într-un fel, reconfortant, discret 😌

Și da, dacă îl construiești corect, e ca și cum ai angaja un mic stagiar digital care nu doarme niciodată, intră în panică ocazional și iubește hârțogăraia. Deci, practic, un stagiar.

FAQ

Ce este un agent IA, în termeni simpli?

Un agent AI este practic o buclă care se repetă: preia informații, decide următorul pas, folosește un instrument, citește rezultatul și repetă până când este gata. Partea „agentică” vine din acțiune și observare, nu doar din discuții. Mulți agenți sunt doar automatizări inteligente cu acces la instrumente, în timp ce alții se comportă mai mult ca un operator junior care se poate recupera după erori.

Când ar trebui să construiesc un agent AI în loc să folosesc doar o solicitare?

Construiți un agent atunci când munca este în mai mulți pași, se modifică pe baza rezultatelor intermediare și necesită utilizarea unor instrumente fiabile (API-uri, baze de date, ticketing, execuție de cod). Agenții sunt utili și atunci când doriți rezultate repetitive cu bariere de siguranță și o modalitate de a verifica dacă „a fost finalizat”. Dacă un răspuns prompt simplu funcționează, un agent este de obicei o sursă de energie inutilă și moduri de eroare suplimentare.

Cum construiesc un agent AI care nu se blochează în bucle?

Folosește condiții de oprire strictă: număr maxim de pași, număr maxim de apeluri de instrumente și verificări ale finalizării. Adaugă scheme structurate de instrumente, timeout-uri și reîncercări care nu vor fi reluate la nesfârșit. Înregistrează deciziile și ieșirile instrumentelor, astfel încât să poți vedea unde deraiază. O supapă de siguranță comună este escaladarea: dacă agentul este nesigur sau repetă erorile, ar trebui să ceară ajutor în loc să improvizeze.

Care este arhitectura minimă pentru Cum se construiește un agent AI?

Cel puțin aveți nevoie de o buclă de controler care să furnizeze modelului un obiectiv și un context, să solicite următoarea acțiune, să execute un instrument dacă este solicitat, să adauge observația și să repete. De asemenea, aveți nevoie de instrumente cu forme stricte de intrare/ieșire și o verificare „gata”. Chiar și o buclă de tip „roll-your-own” poate funcționa bine dacă mențineți starea curată și impuneți limite de pas.

Cum ar trebui să proiectez apelarea instrumentelor astfel încât să fie fiabilă în producție?

Păstrați instrumentele restrânse, tipizate, cu permisiuni și validate - evitați un instrument generic de tip „do_anything”. Preferați scheme stricte (cum ar fi ieșiri structurate/apelarea funcțiilor), astfel încât agentul să nu poată modifica manual intrările. Adăugați liste de permisiuni, limite de rată și verificări ale permisiunilor utilizatorului/organizației la nivelul instrumentelor. Proiectați instrumentele astfel încât să poată fi rulate din nou în siguranță atunci când este posibil, folosind modele de idempotență.

Care este cea mai bună metodă de a adăuga memorie fără a înrăutăți agentul?

Tratați memoria ca fiind în două părți: starea de execuție pe termen scurt (pași recenți, planul curent, constrângeri) și recuperarea pe termen lung (preferințe, reguli stabile, documente relevante). Mențineți un accent pe termen scurt, cu rezumate în desfășurare, nu transcrieri complete. Pentru memoria pe termen lung, recuperarea (integrarea datelor + stocarea vectorială/șabloane RAG) este de obicei mai eficientă decât „încărcarea” tuturor informațiilor în context și crearea de confuzie în model.

Ce model de planificare ar trebui să utilizez: listă de verificare, ReAct sau supervizor-lucrător?

Un planificator de liste de verificare este excelent atunci când sarcinile sunt previzibile și doriți ceva ușor de testat. Buclele în stil ReAct sunt excelente atunci când rezultatele instrumentelor schimbă ceea ce faceți în continuare. Modelele supervizor-lucrător (cum ar fi separarea rolurilor în stil AutoGen) ajută atunci când sarcinile pot fi paralelizate sau pot beneficia de roluri distincte (cercetător, programator, QA). Planificarea-apoi-executarea cu replanificare este o cale de mijloc practică pentru a evita planurile încăpățânate și proaste.

Cum pot face un agent sigur dacă poate întreprinde acțiuni reale?

Folosește permisiuni cu privilegii minime și restricționează instrumentele riscante în modurile de aprobare sau „examinare preliminară”. Adaugă bugete și limite: număr maxim de pași, cheltuieli maxime și limite de apelare a instrumentelor pe minut. Redactează datele sensibile înainte de înregistrare și separă mediile de dezvoltare de cele de producție. Solicită semnalizări de incertitudine sau întrebări de clarificare atunci când datele de intrare sunt ambigue, în loc să lași încrederea să înlocuiască dovezile.

Cum testez și evaluez un agent de inteligență artificială astfel încât să se îmbunătățească în timp?

Construiți o suită de scenarii cu căi fericite, cazuri limită, eșecuri ale instrumentelor, cereri ambigue și încercări de injectare a prompturilor (în stil OWASP). Evaluați rezultatele precum succesul sarcinii, timpul de finalizare, recuperarea după erorile instrumentului și revendicările fără dovezi. De fiecare dată când modificați schemele instrumentelor, prompturile, regăsirea sau formatarea memoriei, rulați din nou suita. Dacă nu o puteți testa, nu o puteți livra în mod fiabil.

Cum implementez un agent fără a crește latența și costurile?

Un model comun este un controler fără stare (state controller) cu un depozit extern de stări (DB/Redis), servicii de instrumente în spatele acestuia și o monitorizare/înregistrare puternică (adesea OpenTelemetry). Controlați costurile cu memorarea în cache a regăsirii, rezumate compacte ale stărilor, modele mai mici pentru rutare/extragere și limitarea „gândirii profunde” la pașii cei mai dificili. Folosiți cozi pentru sarcini lungi, astfel încât să nu țineți deschise cererile web. Includeți întotdeauna un kill switch (închidere automată).

Referințe

  1. Institutul Național de Standarde și Tehnologie (NIST) - NIST AI RMF 1.0 (credibilitate și transparență) - nvlpubs.nist.gov

  2. OpenAI - Rezultate structurate - platform.openai.com

  3. OpenAI - Ghid de apelare a funcțiilor - platform.openai.com

  4. OpenAI - Ghid pentru limitele de viteză - platform.openai.com

  5. OpenAI - Rulează API - platform.openai.com

  6. OpenAI - Apelarea funcțiilor asistenților - platform.openai.com

  7. LangChain - Documentație agenți (JavaScript) - docs.langchain.com

  8. LangChain - Documentație despre instrumente (Python) - docs.langchain.com

  9. LangChain - Prezentare generală a memoriei - docs.langchain.com

  10. arXiv - Lucrare ReAct (rațiune + acțiune) - arxiv.org

  11. arXiv - articol RAG - arxiv.org

  12. Biblioteca Amazon Web Services (AWS) Builders - Expirări, reîncercări și întreruperi cu jitter - aws.amazon.com

  13. OpenTelemetry - Introducere la observabilitate - opentelemetry.io

  14. Stripe - Cereri idempotente - docs.stripe.com

  15. Google Cloud - Strategie de reîncercare (backoff + jitter) - docs.cloud.google.com

  16. OWASP - Top 10 pentru aplicații cu modele de limbaj mari - owasp.org

  17. OWASP - Injecție promptă LLM01 - genai.owasp.org

  18. LlamaIndex - Introducere în RAG - developers.llamaindex.ai

  19. Microsoft - Nucleu Semantic - learn.microsoft.com

  20. Microsoft AutoGen - Cadru multi-agent (documentație) - microsoft.github.io

  21. CrewAI - Concepte pentru agenți - docs.crewai.com

  22. Haystack (deepset) - Documentație pentru câinii Retriever - docs.haystack.deepset.ai

Găsește cea mai recentă tehnologie AI în Magazinul oficial de asistenți AI

Despre noi

Înapoi la blog