API Calls
PulseAugur coverage of API Calls — every cluster mentioning API Calls across labs, papers, and developer communities, ranked by signal.
-
n8n 和 MCP 集成，实现可控的 AI 驱动业务流程自动化
本文探讨了 n8n（一种确定性自动化工具）与 MCP（一种 AI 客户端接口）的集成，以实现 AI 系统运行已批准的业务流程。该方法强调结构化和可控的执行模型，AI 客户端可以发现并调用预定义的流程，而不是自行创建。该系统的关键在于 AI 客户端和 n8n 运行时之间的一个策略/验证层，确保 AI 操作安全且边界得到维护。文章概述了十个实际用例，从用于理解自动化目录的只读助手开始，到可控执行已批准的流程。
-
新的 BAR 方法通过对齐行为而非仅语义来改进 LLM 工具使用
研究人员开发了一种名为行为对齐检索（BAR）的新方法，以提高工具增强型大型语言模型（LLM）的可靠性。与仅依赖语义相似性来检索示例的现有方法不同，BAR 教会检索器考虑示例的行为兼容性。这种方法旨在通过确保检索到的示例与 LLM 的工具使用行为保持一致，来减少不必要的 API 调用并防止不可靠的输出。当应用于 BERT、Contriever 和 Qwen 等不同的检索骨干时，BAR 在各种 LLM 和基准测试中都显示出了一致的改进。
-
新的 LLM 解码方法提高了准确性和效率
两篇新的研究论文提出了改进大型语言模型 (LLM) 解码效率和准确性的新方法。第一种方法，Draft-Conditioned Constrained Decoding (DCCD)，通过将语义规划与结构强制执行分离来解决生成 JSON 或 API 调用等结构化输出的挑战，从而在严格的结构化准确性方面取得了显著改进。第二种方法，Depth Exploration Decoding (DEX)，通过并行探索多个中间层深度来优化自回归解码过…
-
开发者在 RAG 方面偏爱 LlamaIndex，在分类方面偏爱原始 API 调用
一位开发者在构建 LLM 应用时比较了 LangChain、LlamaIndex 和直接 API 调用，发现 LlamaIndex 因其可组合的节点管道在检索增强生成 (RAG) 任务方面更胜一筹。对于安全警报分类项目，使用 `instructor` 库的直接 API 调用比使用 LangChain 的结构化输出解析更有效率且更易于维护。