无论是医疗领域更快速的诊断、零售业在顾客开口前预测需求，还是政府大规模自动化决策——智能技术即将成为现代生活的支柱。

两年来与工程领域专家合作构建 LLM 应用的实践笔记，涵盖工作流程、结构和评估等方面。

多年来，我的笔记只是些毫无生气的文本文件，直到我用它们微调了一个1B参数的语言模型。

去年在Brandon Hall会议期间，我说过，“静态的知识型学习内容已经死亡。” 我仍然相信这一点。

有时你想要使用的仓库没有llms.txt文件。在这种情况下，你可以自己创建一个。为了做到这一点，我使用了Google Agent Development Kit (ADK)构建了一个多代理解决方案！

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。