Tools
PulseAugur coverage of Tools — every cluster mentioning Tools across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
现场笔记显示，LLM 安全依赖外部代码而非提示词
一种构建代理系统的新方法强调保护大型语言模型周围的结构，而不是依赖模型本身来保证安全。核心原则是，模型提示词中嵌入的任何控制都可以被绕过，因为模型平等对待所有输入 token。因此，关键的安全措施，如工具执行和数据访问，必须是确定性的，并存在于 LLM 外部的代码中。
-
LLM集成：动态资源与参数化URI详解
本文详细介绍了将外部数据集成到大型语言模型中的高级技术，重点区分了“资源”（待读取的数据）和“工具”（待执行的操作）。文章解释了动态资源如何提供实时、变化的数据，这与静态资源不同，并强调在描述中将其标记为动态，以便LLM识别。该文还涵盖了用于管理资源类型（如项目统计信息）多个实例的参数化URI，使LLM能够高效地请求特定数据。
-
Google推出ARD标准以实现AI代理通信
Google推出了ARD（Agentic Real-time Discovery），这是一个旨在使AI代理能够实时发现和连接工具及API的开放标准。该倡议与10多家合作伙伴合作开发，旨在为代理通信创建一个基础层，类似于互联网时代的DNS。该标准促进了AI代理与其执行任务所需资源之间的无缝交互。
-
MIT研究人员提高AI代理的速度和能源效率
麻省理工学院的研究人员开发了一种新方法来提高AI代理的速度和能源效率。这些代理是人工智能驱动的系统，它们结合了多个模型和工具来执行复杂任务，但由于其碎片化的设计，常常效率低下。新方法旨在优化这些工作流，减少计算和能源浪费。
-
新的PORTS方法提高了LLM工具选择的准确性
研究人员开发了PORTS，一种用于训练检索器以更好地为大语言模型（LLM）选择工具的新方法。现有的检索器由于训练过程分离，常常与LLM不匹配。PORTS使用带有冻结LLM的偏好优化技术来微调检索器，通过将选择概率与下游性能相关联来提高其查找有用工具的能力。这种方法在各种数据集和LLM上都显著提高了工具选择的准确性，计算需求低，并且具有良好的泛化能力，适用于实际应用。
-
产学研AI合作产出更具新颖性的论文
一项新近发表在arXiv上的研究，探讨了研究团队的制度背景如何影响自然语言处理领域学术论文的新颖性。该研究将作者团队分为学术、产业和混合学术-产业组，并分析了论文中的细粒度知识实体，如方法、数据集、工具和指标。研究结果表明，学术机构与产业机构之间的合作比纯产业合作更能产生新颖的论文。此外，混合团队侧重于方法-指标的新颖性，而产业团队则优先考虑方法-工具的新颖性。
-
LLM上下文窗口不是知识库；策略性选择是关键
文章认为，仅仅增加LLM的上下文窗口大小并不等同于有效的上下文工程。相反，它强调了在正确的时间策略性地选择和呈现最相关信息给模型的重要性。作者提出了一个有用的上下文的七层模型，包括系统指令、任务契约、示例、检索、工作记忆、工具描述和近期历史，以确保高信号信息优先于不相关或冗余数据。
-
Google 发布 AI 代理发现与验证开放规范
Google 推出了 Agentic Resource Discovery (ARD) 开放规范，旨在标准化跨组织发现和验证 AI 代理、工具和技能的方式。该规范旨在通过利用基于域的目录和索引注册表来安全连接分布式 AI 资源，从而增强代理生态系统的互操作性和可信度。Google 的 Gemini Enterprise Agent Platform 将支持 ARD，从而加强企业治理和安全性。
-
MCP 协议赋予 AI 代理安全交互的工具
模型上下文协议 (MCP) 是一项新兴标准，旨在使 AI 代理能够与外部工具和功能进行交互。该协议为 AI 助手提供了一种结构化的方式来发现和调用电子邮件、日历、浏览器和文件系统等工具，将它们从单纯的聊天机器人转变为活跃的代理。MCP 的一个关键重点是确保这些工具交互的安全性和可靠性，通过清晰命名和界定每个工具的功能范围来防止意外操作。