Aishwarya Srinivasan
PulseAugur coverage of Aishwarya Srinivasan — every cluster mentioning Aishwarya Srinivasan across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
开源 vs. 专有 LLM:控制、成本和定制化驱动选择
选择开源权重模型还是专有大型语言模型取决于具体需求,开源模型在需要定制化或本地部署的任务中提供更大的训练、数据使用和部署控制权。然而,专有模型在视觉质量和初始实施的便捷性等方面通常表现更佳。Aishwarya Srinivasan 指出,DeepSeek V3 标志着一个转折点,开源模型在性价比方面变得更具竞争力。公司通常采用混合方法,使用 Anthropic 的 Claude 等专有模型来完成软件开发等特定任务,同时利用开源模型来实…
-
AI代理需要更好的记忆和上下文设计,而不仅仅是模型升级
有效的AI代理设计依赖于强大的记忆和上下文管理,而非仅仅依赖模型升级。关键策略包括将记忆视为一个独立的工程学科,类似于提示和上下文工程,重点在于受控衰减和基于相关性的检索,而不是完全删除。确保输入代理的数据的质量和准确性至关重要,因为有毒或臃肿的上下文会导致推理能力下降,即使是强大的模型也无济于事。此外,代理的持久记忆应被视为核心产品功能,需要可观察性、版本控制和调试能力,尤其是在状态需要在多个对话或代理之间持久存在时。
-
最小化AI代理循环设计强调有限自主性
文章概述了最小化AI代理循环的基本组成部分,强调真正的代理是由其周围系统定义的,而不仅仅是大型语言模型本身。它提出了一个核心循环,包括用于意图生成的模型、用于数据获取或副作用的工具、用于处理工具结果的循环机制以及明确的停止条件以防止失控过程。作者将其与固定工作流进行了对比,认为循环最适用于步骤数量或工具选择不可预测的场景,同时警告不要过度复杂化,并提倡使用护栏来限制自主性。
-
AI工程最佳实践:从演示到生产 · 跟踪1个来源
“Chain of Thought”系列中的五个案例为AI工程师提供了从演示到生产的实用建议。主题包括:具有大量token使用的Agent优先工作流、系统架构比模型选择更重要,以及可靠AI应用的工程实践。讨论强调测试是新的代码审查,上下文工程和特定领域错误分析比追求虚荣指标更重要。