在利用大语言模型（LLMs）构建应用程序时，响应的质量高度依赖于对用户任务的有效规划和推理能力。尽管传统的检索增强生成（RAG）技术非常强大，但引入Agentic工作流可以显著提升系统处理并响应查询的能力。 本文将指导您如何使用Phidata开源框架构建一个带有记忆组件的Agentic RAG系统，
随着金秋叶落，12月的寒意渐浓，我们迎来了回顾2023年人工智能领域重大进展的时刻。这一年不仅仅是进步的一年，更是胜利的一年，人工智能的边界被不断突破和重塑。从大语言模型（LLM）能力的显著提升，到自主代理（Autonomous Agents）的崭露头角，2023年见证了这项变革性技术的无限潜力。
大语言模型（LLMs）如GPT和BERT已经彻底改变了自然语言处理（NLP）领域，推动了从文本摘要、翻译到对话系统和检索增强框架的广泛应用。这些模型在理解和生成类人内容方面展现了非凡的能力。然而，传统的LLM架构在处理长文本序列时常常面临内存和计算限制，以及处理长输入序列中位置信息的能力不足。这些瓶
人工智能真的能进行因果推理吗？一项新研究对大语言模型展开测试 在当今人工智能飞速发展的时代，大语言模型（LLMs）展现出了令人惊叹的语言处理能力。然而，一个关键问题始终萦绕在研究者们心头：人工智能真的能够像人类一样进行因果推理吗？近期的一项新研究对这一问题发起了挑战，通过一系列精心设计的测试来检验大
大语言模型性能分数被高估：一种新方法揭示真相 在当今人工智能蓬勃发展的时代，大语言模型（LLMs）如ChatGPT等已经成为人们关注的焦点。它们在自然语言处理任务中的表现常常通过各种性能分数来衡量。然而，新的研究表明，这些性能分数可能存在被高估的情况，一种新方法正逐渐揭示其中的真相。 一直以来，大语
