|
Autonomous Agents for Scientific Tasks - Sina Shahandeh, Radicait
AI Engineer
Sina Shahandeh fra Radicate præsenterer, hvordan autonome AI-agenter kan bruges til videnskabelige opgaver, med fokus på et konkret medicinsk problem: at generere syntetiske PET-scanninger ud fra CT-scanninger ved hjælp af en GAN-model. Han påpeger, at en central udfordring ved brug af kodningsagenter i videnskabelig forskning er, at de løber tør for ideer og mangler "forskningssmag" – evnen til at generere radikalt nye hypoteser, som f.eks. at skifte fra 2D- til 3D-konvolutioner. Som løsning foreslår han en struktureret tilgang, hvor problemet opdeles hierarkisk i underkomponenter via promptede dokumenter (vist i Obsidian), så agenten aktivt kan identificere og udforske nye forbedringshypoteser inden for hvert delområde – på samme måde som en menneskelig forsker ville gøre.
|
|
cognee 1.0: Self-improving memory for agents
cognee
Cognee 1.0 is presented as an open-source memory platform for AI agents, claiming to handle 100-billion-token context windows with over 79% accuracy at 7 times lower cost than leading models. Unlike standard vector-based memory used by Claude or ChatGPT, Cognee uses a dynamic graph memory system that understands relationships between data points, tracks updates over time, and can resolve conflicting information autonomously without user input. A demo scenario illustrates how Cognee outperforms a standard Claude session by correctly identifying a prospect's switch from Windows to macOS and leveraging past client data to inform a new app build. The announcement also promotes a free "playbook" for boosting AI coding output, available to those who comment on the video.
|
|
What is an Agentic Harness?
Google Cloud Tech
En "agentic harness" (agentsele) er den infrastruktur, der omgiver en stor sprogmodel (LLM) for at forvandle den til en agent. En agent defineres som en LLM med værktøjer, der kører i en løkke for at nå et mål – værktøjerne giver LLM'en adgang til ekstern information, og løkken evaluerer programmatisk, om målet er nået. Selen er altså alt det kode og den logik, der styrer værktøjskald, løkken og evalueringen af LLM'ens output – adskilt fra den brugergrænseflade, man vælger at præsentere agenten igennem.
|
|
AI Agents Explained - What Is an AI Agent and how to build one? (Real Examples, Not Hype)
Tech With Tim
Videoen forklarer på en direkte og praktisk måde, hvad en AI-agent egentlig er: en sprogmodel (LLM), der kan bruge værktøjer og kører i en løkke, indtil et job er afsluttet – i modsætning til en almindelig chatbot, der blot svarer på ét spørgsmål ad gangen. Modellen genererer tekst, der aktiverer eksterne værktøjer (f.eks. websøgning), mens den omgivende kode faktisk udfører handlingerne og sender resultaterne tilbage til modellen. Vigtige byggesten gennemgås, herunder kontekstvinduet (modellens korttidshukommelse), systemprompts, beskedroller og RAG (retrieval augmented generation) til langtidshukommelse. Videoen lover desuden at vise, hvordan man kan bygge den samme agent på fire forskellige måder, fra no-code til ren Python.
|