在这一集中，Beyang 和 Thorsten 讨论了有效的代理编码策略，包括它与使用聊天 LLM 编码的不同之处的基础知识、上下文窗口的关键限制、子代理如何以及在哪里提供帮助，以及结合多个 LLM 的新型 oracle 子代理。 00:38 引言 03:20 使用代理编码与使用之前的 AI 工具有很大不同 10:31 示例：修复一个简单问题 14:13 示例：调试 MCP 服务器的问题 21:50 示例：统一两个构建脚本 25:09 上下文窗口是一个关键限制 31:01 为什么最好一次专注于一件事 33:09 子代理和上下文窗口 33:49 代码库搜索子代理 38:33 通用子代理 44:05 何时使用子代理 46:44 oracle 子代理和 o3 51:32 多模型代理

咨询预算

今天我们发布了一个新的小型模型（0.5B），用于检测代理工具使用中的问题，该模型基于来自公开可用的MCP服务器工具的5000万个标记进行训练。 它在识别工具准确性问题方面表现出色，超越了更大的模型。

我喜欢 @cognition_labs 在 Slack 中依赖代码截图，这样我可以在手机上查看，而无需打开 GitHub。

RAG已经死了。RAG万岁（算是）！ 我将在今天太平洋夏令时间上午11点分享一些关于在代理时代的RAG的经验教训和假设，内容包括构建Amp。

从基本原则重新思考 RAG 以适应代理与 @beyang 和 @Sourcegraph 与其要求一个通用的检索引擎来推断广泛用户任务的最佳上下文排名，代理可以有效利用一套更简单但更广泛的检索工具。

与@haizelabs谈话的笔记

从图像中进行结构化提取为许多现实世界的代理用例提供了动力，例如验证车牌、驾驶执照、从图像捕获的发票信息。我们的文档摄取 API 允许您从数百万张图像中提取数据，而无需启动任何基础设施、处理重试或排队！ 您可以选择 OpenAI、Anthropic（很快将推出 Gemini）或我们的私有模型！

这个人到底发生了什么？