最近,国外一些很有见地的工程师,正在热议一个新的概念:Context Engineering。也许,这一概念的提出,代表了业界对于当前AI技术以及落地阶段的某种认知的转变。今天,我们就来简明扼要地讨论一下Context Engineering这一概念产生的背景、它的定义,以及它与Prompt Engineering的区别。
如何开发AI Agent,存在不同的工程体系。当前正处于群雄混战的「战国」时代。在这种「乱局」下,AI从业者如何选择,就需要更审慎的思考。
今天我们来讨论一下两个具体的开发框架,LangGraph和LlamaIndex,结合上篇我们对Agent概念本质的剖析,来做一个提纲挈领(而非细节)的对比。
市面上的AI开发框架远不止这两个,而且在Agent开发之外,LangGraph和LlamaIndex也都包含了众多其他的能力。之所以本篇我选择这两个框架进行对比,一个是因为它们都算是AI时代「老牌」的框架了,使用者广泛;另一个则是因为篇幅有限,我们需要一个一个地来聊。
从事AI的人都知道,如果你现在没有在搞Agent,出门都不好意思跟人打招呼。
但是,到底什么是Agent呢?恐怕专家们也未必说得清楚。这实在怪不到谁的头上,谁让这个概念的含义竟如此宽泛呢?
本文集中精力讨论清楚三件事:
浮言易逝,唯有文字长存。
今天来聊一个非常具体的技术问题。
对于工程师来说,当我们使用LangChain来连接一个LLM推理服务时,多多少少会碰到一个疑问:到底应该调用OpenAI
还是ChatOpenAI
?我发现,每次解释这个问题时,都会费很多唇舌,所以干脆写下来供更多人参考。这背后其实涉及到两个关键问题:
浮言易逝,唯有文字长存。
(今天继续聊聊AI技术)
约两周前,我用两篇文章介绍了DSPy的原理:
今天是第三篇,算是来完结一下这个话题。虽然DSPy在实用性上还存在非常多挑战,但是它的设计思想非常超前,也非常有意思。因此,现在我们结合AI领域的一些重要概念,做个思考总结。
一张琴,一壶酒,一溪云。
书接上回,接着写点技术。
在上一篇文章《浅谈DSPy和自动化提示词工程(上)》中,我们解析了一个典型DSPy优化程序的骨架代码。本篇我们继续分析两个遗留的关键问题:
隙中驹,石中火,梦中身。
周末不卷,忙里偷闲,写点技术。
如何与大模型有效地沟通,是一门艺术。
当我开车载着全家人做长途旅行时,为了打发时间,我们有时候会玩起「成语接龙」的游戏,类似这样:
海阔天空
空前绝后
后发制人
人山人海
…