Rivet 是由 Ironclad 公司开发的开源可视化 AI 编程环境，旨在帮助用户利用大型语言模型（LLM）构建 AI 代理（AI Agent）。
Rivet 提供了直观的可视化编程界面，允许用户通过拖放操作设计工作流程，降低了编程门槛。
此外，Rivet 还配备了强大的调试工具，支持实时监控和错误排查，提升了开发效率。
Rivet 支持与多种大型语言模型的集成，包括 OpenAI 的 GPT-3.5 和 GPT-4，以及 Anthropic 的 Claude 系列等。
此外，Rivet 还支持 OpenAI 的 Embeddings 和 Pinecone 向量数据库，方便用户构建复杂的 AI 应用。
Rivet 的核心组件包括：
Rivet 应用：一款桌面应用程序，用于创建复杂的 AI 代理和提示，并将其嵌入到应用程序中。
Rivet Core：一个 TypeScript 库，用于运行在 Rivet 中创建的图形。它可被集成到其他应用程序中，实现与 Rivet 的互操作。
Rivet 的可视化编程界面和协作功能，使其成为构建 AI 代理的高效工具。
目前，Rivet 已在 GitHub 上开源，遵循 MIT 许可证，用户可以自由下载、使用和修改。
总的来说，Rivet 通过简化 AI 代理的开发流程，使得开发者能够更专注于业务逻辑的实现，提升了 AI 应用的开发效率。
免责声明：本网站仅提供网址导航服务，对链接内容不负任何责任或担保。
1 个月前
根据《Nature》最新发表的研究，非营利研究机构METR发现了一项被称为“智能体摩尔定律”的规律，即AI智能体（Agent）在完成长期任务方面的能力每7个月翻一番。这一发现揭示了AI在任务完成时间跨度上的指数级增长趋势，并提出了“50%-任务完成时间跨度”这一新指标来衡量AI的能力变化。 核心发现 能力翻倍周期：自2019年以来，AI智能体完成任务的时间跨度每7个月翻一番。这意味着，如果2019年AI完成某项任务所需时间对应人类需要10分钟，那么7个月后，这一时间将缩短至20分钟。 加速趋势：2024年，AI能力的增长速度进一步加快，部分最新模型的能力每3个月翻一番。 未来预测：按照这一趋势，预计5年后（即2030年左右），AI将能够完成许多当前需要人类花费一个月时间才能完成的任务。 研究方法 METR团队通过以下步骤验证了这一规律： 任务设计：设计了170个多样化任务，涵盖软件工程、机器学习、网络安全等领域，并测量人类专家完成这些任务所需的时间，建立“人类基准线”。 指标引入：提出了“50%-任务完成时间跨度”指标，即AI在50%成功率下完成任务的时间长度。这一指标对数据分布的微小变化具有鲁棒性。 模型评估：评估了2019年至2025年间发布的13个前沿AI模型（如GPT系列、Sonnet 3.7等），通过逻辑回归分析计算每个模型的时间跨度。 验证与外部实验 为了验证结果的可靠性，研究团队进行了多项外部实验，包括： 回溯预测：使用2023-2025年数据验证趋势一致性。 任务混乱度分析：评估任务复杂性对AI性能的影响，发现AI在复杂任务上的提升速度与简单任务相似。 基准测试：在SWE-bench等数据集上验证了类似的指数增长趋势。 意义与影响 技术进步：这一发现标志着AI在执行长期任务能力上的显著进步，可能推动AI在软件开发、研究等领域的广泛应用。 劳动力市场影响：AI能力的快速提升可能对劳动力市场产生深远影响，未来或替代部分人类工作，尤其是重复性和耗时任务。 社会挑战：研究提醒社会各界需关注AI技术进步带来的就业和经济挑战，并提前制定应对策略。 未来展望 METR团队预测，按照当前趋势，AI可能在2028年11月达到一个月的任务时间跨度，保守估计则在2031年2月实现。尽管研究存在任务局限性和未来不确定性，但团队确信AI能力每年有1~4倍的增长趋势。 这项研究为AI技术的发展提供了新的量化标准，同时也引发了对AI未来应用和影响的深入思考。
1 个月前
阿里推出新夸克，集成AI对话、深度搜索、深度执行等功能，标志着其从搜索引擎向AI Agent的转型。 新夸克接入通义系列模型，用户规模超2亿，DAU达3430万，位居AI应用榜首。
3 个月前
腾讯两大智能体平台：腾讯元器和 AppAgent。
3 个月前
Anthropic 于2024年12月发布的文章《Building effective agents》详细探讨了如何构建高效的大语言模型（LLM）代理系统。Anthropic 与数十个团队合作构建了跨行业的大语言模型(LLM) agent。最成功的实现往往不是使用复杂框架或专门库，而是采用简单、可组合的模式。本文分享Anthropic 的经验和实用建议： 1. 代理（Agents）的定义与分类 代理的定义： 代理可以被定义为完全自主的系统，能够在较长时间内独立运行，使用各种工具完成复杂任务。 也可以指遵循预定义工作流程的系统，这些系统通过预定义的代码路径协调LLM和工具。 工作流（Workflows）与代理（Agents）的区别： 工作流：通过预定义的代码路径编排LLM和工具，适合任务明确、步骤固定的场景。 代理：LLM动态指导自身的流程和工具使用，保持对任务完成方式的控制，适合需要灵活性和模型驱动决策的场景。 2. 何时使用代理 适用场景： 当任务复杂且需要灵活性和模型驱动的决策时，代理是更好的选择。 代理适合处理开放性问题，尤其是难以预测步骤或无法硬编码固定路径的任务。 不适用场景： 对于任务明确、步骤固定的场景，工作流提供更高的可预测性和一致性。 对于许多应用，优化单个LLM调用（配合检索和上下文示例）通常已足够。 3. 框架的使用建议 常用框架： LangGraph（LangChain）、Amazon Bedrock的AI Agent框架、Rivet（拖放式GUI工具）、Vellum（复杂工作流构建工具）。 使用建议： 开发者应优先直接使用LLM API，许多模式只需几行代码即可实现。 如果使用框架，需理解底层代码，避免因框架的抽象层增加调试难度和复杂性。 4. 构建模块与工作流模式 基础构建模块：增强型LLM 增强型LLM通过检索、工具使用和记忆等功能扩展能力，能够生成搜索查询、选择工具并保留重要信息。 核心工作流模式： 提示链（Prompt chaining）：将任务分解为一系列步骤，每个LLM调用处理前一步的输出。适用于可分解为固定子任务的场景，如生成营销文案并翻译。 路由（Routing）：对输入分类并引导至专门的后续任务。适用于复杂任务，如客户服务查询的分类处理。 并行化（Parallelization）：将任务拆分为并行子任务或多次运行以获得多样化输出。适用于需要多视角或高置信度结果的场景。 编排者-执行者（Orchestrator-workers）：中央LLM动态分解任务并分配给执行者LLM。适用于无法预测子任务的复杂场景，如编程任务。 评估者-优化者（Evaluator-optimizer）：一个LLM生成响应，另一个提供评估和反馈。适用于需要迭代优化的任务，如文学翻译或复杂搜索。 5. 代理的实现与应用 代理的工作流程： 代理通过用户指令或交互明确任务，独立规划并执行，必要时向用户寻求反馈。 代理在每个步骤中从环境中获取“基准事实”（如工具调用结果）以评估进展。 适用场景： 编码代理：解决SWE-bench任务，根据任务描述编辑多个文件。 计算机使用代理：Claude通过计算机完成任务，如数据处理或信息检索。 6. 核心原则与总结 核心原则： 简单性：从简单设计开始，逐步增加复杂性。 透明性：明确展示代理的规划步骤。 工具设计：通过完善的文档和测试设计代理-计算机接口（ACI）。 总结： 成功的关键在于构建适合需求的系统，而非最复杂的系统。 框架可帮助快速启动，但在生产环境中应减少抽象层，使用基础组件构建。 7. 附录：代理的实际应用 客户支持：结合聊天机器人界面与工具集成，适用于开放式代理场景。 编码代理：在软件开发中，代理通过自动化测试验证代码解决方案，并迭代优化。 这篇文章为开发者提供了构建高效代理系统的实用指南，强调了简单性、透明性和工具设计的重要性，并通过丰富的案例展示了代理系统的实际应用价值。
4 个月前
DeepSeek（深度求索）是一家专注于大语言模型（LLM）和相关技术研发的创新型科技公司，成立于2023年7月，由知名量化私募巨头幻方量化创立。DeepSeek的AI产品主要包括以下几类： 语言模型 DeepSeek-LLM：如包含67亿参数的DeepSeek-67b-base模型，基于海量的中英文token数据集训练，可用于多种自然语言处理任务. DeepSeek-Coder：是代码语言模型，如DeepSeek-Coder-v2-instruct在代码特定任务中性能可比肩GPT-4 Turbo，可辅助编程及代码相关的自然语言处理任务. DeepSeek-Math：旨在提升数学推理能力，例如DeepSeek-Math-7b-instruct等模型，可解决数学问题、进行数学相关的文本生成和问答等. DeepSeek-Prover： 主要用于定理证明，通过优化训练和推理过程，为相关领域的研究和应用提供支持. 多模态模型 DeepSeek-VL：是开源的视觉-语言模型，可用于真实世界的视觉和语言理解应用，如视觉问答、图像字幕生成等. 应用平台 乾坤圈（AI Agent智能体平台）：基于深擎自研的流程引擎研发，能够基于海量的大模型组件进行极速灵活编排，满足大模型场景快速搭建能力需求，内置了20多个工作流最佳实践、50多项金融领域的特色处理组件以及30多款应用场景，主要应用于金融行业. Janus：是统一的多模态理解和生成模型，可应用于多种需要多模态交互的场景. 内容产品与服务 个性化推荐引擎：如穿云箭，依托智能算法模型，基于用户的浏览行为，实现精准的内容推荐，帮助金融机构了解客户需求. 内容服务平台：如风火轮，整合各大财经资讯和自媒体内容，通过SaaS模式分发给客户，让信息获取及时可靠；白羽扇智能内容处理中心则进一步提高了内容分发的个性化和实时性，对投资标的、财经事件进行动态打标，优化客户体验.
4 个月前
通过与企业系统、API 和数据来源无缝连接，使生成式人工智能应用程序能够自动执行多步任务。
4 个月前
LangChain, Amazon Bedrock, Rivet, Vellum.
4 个月前
Gemini 1.0是为了组织和理解信息，Gemini 2.0则是为了让信息变得更有用。
4 个月前
不同于其他复杂抽象层的框架，Atomic Agents 追求的是简洁和直观。
4 个月前
在2024英伟达日本峰会上，黄仁勋和日本软银孙正义探讨了AI在日本的重要性。孙正义说，未来人人都会有自己的AI Agent。怎么理解孙正义所提出的人人都有的AI Agent? AI Agent中文称为人工智能代理，是一种能够自主进行决策和行动的计算机程序 。孙正义所说的未来人人都会拥有自己的AI Agent，可以从以下几个方面来理解： 个性化智能助手 满足多样化需求：AI Agent能够根据每个人的特定需求和偏好，提供个性化的服务和支持。例如，它可以了解用户的兴趣爱好、工作内容、生活习惯等，为其推荐符合个人口味的音乐、电影、书籍，或者帮助制定个性化的学习计划、工作计划等. 随时提供帮助：就像一个随时待命的私人助手，无论何时何地，只要用户需要，AI Agent都能够迅速响应并提供帮助。它可以解答各种问题，如历史、科学、技术、生活常识等方面的问题；还可以协助完成各种任务，如预订机票、酒店，查询天气、交通信息，甚至是帮助处理一些简单的办公文档等. 高效的工作伙伴 提高工作效率：在工作场景中，AI Agent可以承担一些繁琐、重复的任务，如数据录入、文件整理、格式转换等，从而让人们能够将更多的时间和精力集中在更有价值的工作上。例如，对于销售人员，AI Agent可以帮助分析客户数据、制定销售策略；对于程序员，它可以辅助编写代码、查找和修复错误等. 增强专业能力：它还可以作为一个专业知识的补充，为人们提供相关领域的最新信息、行业动态和专业建议。比如，在医疗领域，AI Agent可以辅助医生进行疾病诊断、提供治疗方案参考；在教育领域，为教师提供教学资源、设计教学方案等. 智能决策辅助 提供数据支持：AI Agent能够收集、分析大量的数据，并根据这些数据为人们提供决策所需的信息和建议。例如，在投资决策中，它可以分析市场趋势、股票行情、公司财务状况等数据，为投资者提供投资建议；在企业管理中，帮助管理者分析业务数据、市场反馈等，以便做出更明智的决策. 风险评估与预警：通过对数据的深入挖掘和分析，AI Agent还可以识别潜在的风险和问题，并提前发出预警。比如，在金融风险防控方面，它可以监测市场波动、信用风险等，及时提醒用户采取相应的措施；在安全生产领域，对设备运行数据、环境数据等进行分析，提前发现安全隐患，预防事故的发生. 改变生活方式 优化日常生活：AI Agent可以与各种智能家居设备、物联网设备等进行连接和交互，实现对家庭环境的智能化控制。例如，用户可以通过语音指令让AI Agent控制灯光、空调、窗帘等设备的开关和调节，打造更加便捷、舒适的家居生活环境。此外，它还可以帮助管理个人的健康数据，如记录运动、饮食、睡眠等信息，提供健康建议和提醒. 丰富娱乐体验：在娱乐方面，AI Agent能够根据用户的喜好推荐适合的影视节目、音乐、游戏等娱乐内容，还可以与用户进行互动，一起玩游戏、聊天、分享有趣的故事等，为人们带来更加丰富和个性化的娱乐体验. 促进人机协作 自然语言交互：AI Agent具备强大的自然语言处理能力，能够与人类进行自然流畅的对话和交流。人们可以使用日常语言与AI Agent进行沟通，无需掌握复杂的编程语言或操作技巧，大大降低了人机交互的门槛，使更多的人能够轻松地使用和受益于人工智能技术. 协同完成任务：未来，人类与AI Agent将形成一种紧密的协作关系，共同完成各种复杂的任务。AI Agent可以充分发挥其在数据处理、分析和决策等方面的优势，而人类则可以凭借自己的创造力、判断力和情感理解能力，与AI Agent相互配合，实现优势互补，发挥出更大的效能. （图片来源：yicai.com）
