جستوجوی برداری بهتنهایی برای سامانههای واقعی کافی نیست؛ زیرا ممکن است شناسهها، کدهای خطا و اصطلاحات دقیق فنی را نادیده بگیرد. ترکیب جستوجوی چگال و تنک با الگوریتم RRF و سپس رتبهبندی مجدد مبتنی بر چندبرداری، راهکاری متعادل برای افزایش پوشش و دقت در سامانههای RAG است. این معماری به تیمها اجازه میدهد کیفیت، زمان پاسخ و هزینه استنتاج را مستقلتر کنترل کنند.
ادامه مطلبگزارش جدید تککرانچ و ارزیابی مستقل SaferAI نشان میدهد توانمندی مدلهای هوش مصنوعی با وزنباز با سرعت زیادی در حال افزایش است، اما سازوکارهای ایمنی همپای آنها پیشرفت نکردهاند. مدل GLM-5.2 شرکت Z.ai در برخی آزمونهای امنیت سایبری و زیستشناسی به مدلهای پیشرو نزدیک شده، بااینحال در وظایف تهاجمی آزمایششده امتناع معناداری نشان نداده است. این وضعیت، مدیریت ریسک، زنجیره تأمین و محیط اجرای مدلهای قابلدانلود را برای تیمهای فنی مهمتر میکند.
ادامه مطلبAgent Relay یک لایه ارتباطی متنباز برای همکاری میان ایجنتهای مختلف است. این ابزار به Claude Code، Codex، Gemini CLI و OpenCode اجازه میدهد از طریق کانالها، پیام مستقیم، رشتههای گفتگو، فایلها و رویدادهای بلادرنگ با یکدیگر همکاری کنند. Relay جایگزین چارچوب اجرای ایجنت نیست؛ بلکه زیرساختی برای پیامرسانی، هماهنگی و انتقال وظایف میان ایجنتهای موجود فراهم میکند.
ادامه مطلبگزارشی از تجربه داخلی آمازون نشان میدهد یک پروژه مبتنی بر کلود سونت حدود ۱٫۸ میلیون دلار بیشتر از بودجه تعیینشده هزینه کرده است؛ رقمی معادل ۸۶۰ درصد انحراف از بودجه. این نمونه نشان میدهد عاملهای خودکار، بدون کنترل هزینه، محدودیت فراخوانی و پایش دقیق، میتوانند هزینه مهندسی نرمافزار را بسیار سریعتر از روشهای سنتی افزایش دهند.
ادامه مطلبگیتهاب در ۳۰ ژوئیه ۲۰۲۶ سرویس GitHub Models را بهطور کامل بازنشسته کرد و Playground، کاتالوگ مدلها، Inference API و قابلیت BYOK را از دسترس همه مشتریان خارج ساخت. گیتهاب برای پروژههای جدید و موجود، Microsoft Foundry و برای گردشکارهای هوش مصنوعی درون پلتفرم، GitHub Copilot را پیشنهاد میکند. تیمهای توسعه باید وابستگیهای خود را شناسایی کرده و آزمایشها، نمونههای اولیه و یکپارچهسازیهای APIمحور را به گزینههای جایگزین منتقل کنند.
ادامه مطلبOpenForgeRL یک چارچوب متنباز برای آموزش تقویتی انتهابهانتهای عاملهایی است که از محیطهای استنتاج حالتمند استفاده میکنند. این چارچوب با ثبت فراخوانیهای مدل از طریق یک proxy و اجرای rolloutهای ایزوله با Kubernetes، آموزش عاملها را در محیطهایی مانند ابزارها، مرورگر، GUI و استفاده از رایانه ممکن میکند.
ادامه مطلباین پژوهش مدیریت حافظه و زمینه در عاملهای هوشمند را مسئلهای چرخهعمری و معماری میداند، نه صرفاً ذخیرهسازی و بازیابی. چارچوب پیشنهادی پنج primitive شامل معماریگذاری، ورود داده، تعیین دامنه، پیشبینی و فشردهسازی یا تجمیع دارد و در پیادهسازی مرجع به امتیاز ۹۲٪ در LongMemEval و ۹۳٫۲٪ در LoCoMo رسیده است.
ادامه مطلبافزونه GitHub Copilot برای JetBrains امکان تنظیم خروجی OpenTelemetry، تعیین سقف توکن ورودی و خروجی برای BYOK و endpointهای سفارشی، فعالسازی یا غیرفعالسازی مدلها، استفاده از MCP server و عاملهای سفارشی در جریانهای Claude و عیبیابی بهتر MCP را اضافه کرده است.
ادامه مطلب