构建代理仍然很混乱。一旦你遇到真正的工具使用，SDK 抽象就会失效。自己管理缓存效果更好，但不同模型之间有所不同。

最新的人工智能模型与一个拥有 50 年历史的学术领域之间令人惊讶的联系。

为了释放LLMs的全部潜力，特别是在多轮或工具增强的设置中，模型必须了解谁在说话，他们扮演的角色是什么，以及对话中已经发生了什么。这就是角色的作用。

将语言模型整合到传统的CAD流程中是否真的“轻而易举”，还是我们应该考虑可能阻碍采用的系统性挑战？让我们一起探索。

我想分享一个我特别兴奋的项目：一个自动化的金融交易代理。它是一个有状态的、自我指导的代理，能够推理目标、执行一系列金融分析步骤，并决定何时完成工作。

我们尝试在搭载 AMD Ryzen AI Max+395 和 Intel Core Ultra 125H 的 AI PC 上本地运行 Qwen-Image-Edit 模型，以执行典型的照片编辑任务。

想象一下，一位永不眠的数据科学家。他/她可以连接到您的数据库，整理杂乱的记录，执行分析，并生成清晰的报告。

我们最近推出了主图服务，这是一个机器学习系统，可以自动选择最具吸引力的主图——即Tripadvisor上代表酒店、餐厅或景点的第一张照片，以帮助我们的合作伙伴更快地进行视觉决策。

在本文中，我们将更深入地探讨——构建一个三维传感器融合系统，利用激光雷达和摄像头数据预测碰撞的发生。

技能（Skill）就像为 Claude 提供了一套工具和一些肌肉记忆。它们将它从一个喋喋不休的助手转变为一个能够真正做事的实践者。

AI 的未来不是关于更大的模型，而是关于 更好的代理：能够推理、适应、规划 —— 使用提示进行交互，使用 RL 进行改进，并以数据为基础。

上下文工程是指管理和优化影响 AI 代理输出的所有内容：从系统提示和对话历史记录到用户偏好、检索到的知识以及长期记忆。