tool calling
PulseAugur coverage of tool calling — every cluster mentioning tool calling across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
大型语言模型 API 集成：从演示走向稳健的生产系统
本文讨论了将大型语言模型 (LLM) 与实际 API 集成的挑战和最佳实践，旨在从基本演示走向稳健的生产系统。文章强调应将 LLM API 交互视为一种为智能但可能鲁莽的实习生设计的 API，并着重指出对模型生成的参数进行严格的运行时验证的必要性。作者提倡采用一种“先模式”的方法，使用 Zod 等工具来定义和验证参数，确保业务规则通过编程强制执行，而不是仅仅依赖提示。此外，文章还强调了根据上下文、对话状态以及读/写分离来仔细限定 LL…
-
LLM代理通过新的“代码模式”方法大幅减少令牌使用量
一种名为“代码模式”的新方法旨在显著减少大型语言模型在与多个工具交互时所需的令牌数量。代码模式允许LLM生成一个直接调用必要工具的脚本，而不是将所有工具定义和中间结果串行化到模型的上下文窗口中。然后，该脚本在一个安全的沙箱中执行，只有最终输出会返回给模型。这种方法在某些任务中已证明可将上下文令牌使用量减少99%以上，从而解决了传统工具调用方法的扩展性问题。
-
Liquid AI发布了能够支持手机上128K上下文的2.6B模型
Liquid AI发布了LFM2.5-2.6B，这是一款专为本地AI应用设计的紧凑型语言模型。尽管其参数量仅为26.9亿，但该模型拥有128K的上下文窗口并支持工具调用，使其适用于多步代理工作流。初步基准测试表明，在特定任务上，其性能可与Qwen3.5-9B等更大模型相媲美，尽管编码和知识密集型工作仍有改进空间。该模型的效率得到了其报告速度的体现，包括在手机上达到30 tokens/秒的速度和低于2.5 GB的内存使用量，这表明其在设…
-
Google 的 A2A 协议在代理间通信中找到利基市场
Google 的 Agent2Agent (A2A) 协议于 2025 年 4 月推出，旨在标准化来自不同供应商和框架的独立 AI 代理之间的通信。最初因市场充斥着缩略语以及与模型上下文协议 (MCP) 的感知重叠而受到怀疑，A2A 在 2026 年找到了其利基市场。它被证明对于在具有自身所有权和能力的独立代理之间实现通信非常有用，而不仅仅是内部功能或工具包装器。该协议促进代理发现、任务委托、消息交换和工件共享，解决了代理协作的完整生命周期。
-
新的强化学习方法增强大型语言模型训练的稳定性和效率 · 跟踪 7 个来源
研究人员开发了几种新方法来提高大型语言模型 (LLM) 中强化学习 (RL) 的稳定性和效率。STARE 通过根据惊奇度重新加权 token 级优势来解决策略熵崩溃问题，在推理基准测试中显示出更高的准确性。GrowthHacker 利用 LLM 代理自主优化离策略评估 (OPE) 代码，证明了改进 OPE 系统的可行性。ZPPO 将教师模型保留在提示中而不是策略梯度中，从而增强了小型学生模型的知识蒸馏。GD$^2$PO 通过过滤掉具有…
-
AI术语如Agents和RAG正在重塑职业生涯，需要新知识
本文讨论了AI Agents、自动化、工具调用、RAG和多Agent系统等AI术语日益普及的现象。文章认为，在快速的技术进步面前，理解这些概念对于保住职业生涯至关重要。作者暗示，通过博客等资源保持信息更新是驾驭不断变化的就业市场的关键。
-
Microsoft 详解用于构建 AI 应用的 Agent Framework
Microsoft 在 .NET 博客上发布了其“Agent Framework – Building Blocks for AI”系列的第三部分。本期深入探讨了 AI 代理的创建，重点介绍了其开发的关键组件。文章强调了多代理系统中工具调用和工作流管理等概念。