OpenAI uruchomiło agenta ChatGPT wczoraj. Demonstracja była imponująca, ale pamiętaj, że od dłuższego czasu mamy lepsze możliwości agentowe. Oto porównanie 1:1 między agentem ChatGPT a @genspark_ai, używając tego samego zapytania. I to dopiero początek!

Nie jestem już pewien, co myśleć o tej książce. To była fantastyczna książka w czasie, gdy większość tych pomysłów wydawała się wartościowa, ale jest też odpowiedzialna za niektóre z największych okropności, jakich byłem świadkiem. Już nie polecam ludziom jej czytać. Nie byłem w to wciągnięty od jakiegoś czasu.

Jak dotąd, jeden z najlepszych kursów, jakie odbyłem. Następna grupa zaczyna 4 sierpnia. Możesz dołączyć na .

Tak piszesz kod 10x lepszy przy 10x mniejszym wysiłku. Dostosowani, wyspecjalizowani agenci przeglądający Twój kod na każdym etapie. Widziałem wcześniej zautomatyzowane przeglądy kodu, ale nigdy z możliwością definiowania własnych agentów recenzentów. @baz_scm jest pierwszym, który to zrealizował, i to jest naprawdę fajne. Są trzy rodzaje agentów recenzentów: 1. Ci, którzy są dostępni od razu. Ci agenci obejmują najczęstsze wzorce, które każdy chce sprawdzić: zduplikowany kod, uszkodzony kod, skomplikowany kod itp. 2. Rekomendowani agenci recenzenci, których Baz tworzy automatycznie dla Ciebie. Baz analizuje Twoją historię przeglądów i wcześniejsze komentarze, aby zidentyfikować wzorce, na których Ci zależy, a następnie automatycznie tworzy agentów wyspecjalizowanych w sprawdzaniu tych wzorców. Na przykład, jeśli zawsze prosisz swoich programistów, aby trzymali pliki poniżej 100 linii kodu, Baz to wykryje i stworzy dostosowanego agenta, który to sprawdzi. 3. Dostosowani agenci recenzenci, których definiujesz. To są moi ulubieni: Napisz prompt wyjaśniający Twoje zasady, a Twój agent zacznie sprawdzać Twój kod, aby oznaczyć wszystko, co pasuje do zasad. Stworzyłem prostego agenta recenzenta w załączonym wideo. Szczerze mówiąc, w tym momencie nie masz wymówki, aby wysyłać zły kod. Oto link, abyś mógł wypróbować tych dostosowanych agentów recenzentów: Dzięki zespołowi @baz_scm za współpracę przy tym poście.

Rozwój front-endu. 2010 - 2024.

Szczerze mówiąc, większość deweloperów AI wciąż utknęła w ubiegłym wieku. Zdumiewa mnie, jak mało osób jest świadomych Analizy Błędów. To *dosłownie* najszybszy i najskuteczniejszy sposób oceny aplikacji AI, a większość zespołów wciąż goni za duchami. Proszę, przestańcie śledzić ogólne metryki i postępujcie zgodnie z tymi krokami: 1. Zbieraj próbki błędów Zacznij przeglądać odpowiedzi generowane przez twoją aplikację. Zapisuj notatki o każdej odpowiedzi, szczególnie tych, które były błędne. Nie musisz formatować swoich notatek w żaden szczególny sposób. Skup się na opisie tego, co poszło nie tak w odpowiedzi. 2. Kategoryzuj swoje notatki Po przeglądnięciu dobrej liczby odpowiedzi, weź LLM i poproś go o znalezienie wspólnych wzorców w twoich notatkach. Poproś go o sklasyfikowanie każdej notatki na podstawie tych wzorców. Zakończysz z kategoriami obejmującymi każdy typ błędu, który popełniła twoja aplikacja. 3. Zdiagnozuj najczęstsze błędy Zacznij od skupienia się na najczęstszym typie błędu. Nie chcesz tracić czasu na rzadkie błędy. Zagłęb się w rozmowy, dane wejściowe i logi prowadzące do tych niepoprawnych próbek. Spróbuj zrozumieć, co może powodować problemy. 4. Zaprojektuj ukierunkowane poprawki Na tym etapie chcesz określić, jak najszybciej i najtaniej wyeliminować błędy, które zdiagnozowałeś w poprzednim kroku. Na przykład, możesz dostosować swoje zapytania, dodać dodatkowe zasady walidacji, znaleźć więcej danych do treningu lub zmodyfikować model. 5. Zautomatyzuj proces oceny Musisz wdrożyć prosty proces, aby ponownie uruchomić zestaw oceny przez swoją aplikację i ocenić, czy twoje poprawki były skuteczne. Moja rekomendacja to użycie LLM jako sędziego do uruchamiania próbek przez aplikację, oceniania ich za pomocą tagu PASS/FAIL i obliczania wyników. 6. Zwracaj uwagę na swoje metryki Każda kategoria, którą zidentyfikowałeś podczas analizy błędów, jest metryką, którą chcesz śledzić w czasie. Nie zajdziesz daleko obsesyjnie skupiając się na "relewantności", "poprawności", "kompletności", "spójności" i innych gotowych metrykach. Zapomnij o nich i skup się na prawdziwych problemach, które znalazłeś.

Pro-tip do budowania lepszego RAG: Owiń swoje fragmenty dodatkowymi metadanymi. Dodaj jak najwięcej kontekstu do każdego fragmentu, jaki tylko możesz znaleźć. To sprawi, że twój retriever będzie 10 razy lepszy.

Generowanie wideo przez AI za każdym razem mnie zaskakuje! Oto Einstein i Da Vinci rozmawiający o moim programie inżynieryjnym AI/ML. Wideo jest dobre, ale program jest jeszcze lepszy, a następna grupa zaczyna się za mniej niż 3 tygodnie: .

Kursor już nie prowadzi. Claude Code i Gemini Code są, moim zdaniem, przed wszystkimi innymi. Windsurf jest martwy, a VSCode Copilot jest zbyt daleko w tyle.

To jest Kiro - AI IDE, który naprawdę działa w Twoich chaotycznych, rzeczywistych projektach. Inne narzędzia AI tracą kontekst, gdy projekty stają się złożone. Kiro oferuje rozwój oparty na specyfikacjach, który skaluje się poza prototypy. Darmowy podgląd dostępny teraz #KiroDotDev