¿Qué pasaría si pudieras hacerle a un chatbot una pregunta del tamaño de una enciclopedia completa y obtener una respuesta en tiempo real? Las consultas multimillonarias de tokens con 32 veces más usuarios ahora son posibles con Helix Parallelism, una innovación de #NVIDIAResearch que impulsa la inferencia a gran escala. 🔗

¡Blog v2.0 ya @AgentOpsAI disponible! Acercándolo un paso más al mundo de la observabilidad de agentes, la infraestructura y las operaciones

Estamos avanzando en el desarrollo de IA agentiva con Firebase Studio. Conoce los detalles de la última actualización ↓

Conozca Context, la primera suite ofimática de IA. La humanidad dedica 2,5 billones de horas al año al trabajo de oficina. El contexto puede ser una sola vez la mayor parte. Bienvenido a la era del trabajo de vibración. Regístrese hoy o etiquete a @contextsuite con un mensaje.

Presentamos Orchids, la primera herramienta de IA del mundo que le permite chatear con IA para crear aplicaciones y sitios web que no se ven ni se sienten "generados por IA". En los puntos de referencia internos, Orchids se desempeña casi 3 veces mejor en tareas generales de creación de aplicaciones y sitios web que cualquier otra herramienta en el mercado. Si no nos crees, pruébalo en la aplicación orchids [dot] :) Comenta "orquídeas" y te daremos 2 días de créditos ilimitados.

Hemos abierto Trae-Agent. Todos pueden 'git clone' 'cd trae-agent' ahora

Si desea acelerar masivamente su iteración en el envío, TIENE que usar dramaturgo mcp y decirle a su agente cómo usarlo en sus (o reglas de cursor / claude / gemini) ENORME desbloqueo

Crea un agente de tickets de atención al cliente con resultados estructurados con el kit de desarrollo de agentes de Google. Código 100% Opensource con tutorial paso a paso:

La UX de la IA aún no existe. Imaginación, gusto y obsesión por el ciclo de retroalimentación agente-humano: así es como lo haremos bien. Conozca el primer paso de @tryramp hacia la orquestación agencial. Alerta de spoiler, no es solo chat.

Este agente de IA de Claude MCP reemplaza a sus equipos de operaciones de $ 200K +. Probablemente no debería compartir el sistema exacto de forma gratuita ... mientras intentaba atrapar a Pikachu a las 3 am en Pokemon Go, auditó todo mi negocio, encontró 12 cuellos de botella y me construyó 5 agentes n8n listos para la producción la ganancia de eficiencia es absolutamente LOCA La mayoría de los fundadores pasan meses contratando consultores de operaciones que cobran $ 500 / hora solo para decirle lo que está roto Este sistema agéntico hace todo su trabajo en minutos Esto es lo que sucede cuando lo implementa: → ejecuta una auditoría completa de inteligencia empresarial en 3 minutos (lo que lleva semanas a los consultores) → identifica 12+ cuellos de botella en el flujo de trabajo que acaban con su eficiencia → diseña sistemas de agentes personalizados adaptados a su negocio → crea 5+ agentes de IA autónomos con manejo avanzado de errores → crea una capa de orquestación inteligente que sincroniza todo junto → ofrece una transformación operativa completa en menos de 10 minutos toda la auditoría por la que los consultores cobran $ 50K ahora ocurre en 10 minutos CERO conocimientos técnicos necesarios CERO consultores costosos requeridos CERO meses de idas y venidas Simplemente describa su configuración actual y observe cómo construye su imperio agencial Las matemáticas son estúpidamente simples: Salario del equipo de operaciones de $ 200K frente a la implementación única de MCP Eso es $16,600 ahorrados mensualmente El sistema incluye: - Analizador inteligente de pila empresarial - IA de detección de cuellos de botella - Arquitecto Agencial Personalizado - Creador de agentes autónomos - documentación completa de implementación Este es el sistema exacto que construye una infraestructura operativa de 7 cifras y lo obtienes gratis Sigue + RT + comenta "MCP" y te enviaré la guía de configuración COMPLETA esta noche no te duermas con esto Cada semana que esperas son 30+ horas de trabajo manual que nunca recuperarás

Aquí está mi tutorial de 1 hora sobre cómo usar el código Claude para notas e investigación. 10 veces tus notas con: - flujos de agentes centrales - comandos personalizados - etiquetas/enlaces automatizados -Subagentes - Uso de la nube - stt El objetivo es "agente-pillar" sobre el futuro del trabajo. Esté atento a 10 consejos + demostraciones en 61 minutos.

¡Este NUEVO sistema operativo de IA es una locura! 🤯 ¿Quieres la guía completa? Envíame un mensaje directo.

MiniMax es el James Bond de los agentes de IA. Probé todos los creadores de sitios web de IA. Solo uno creó algo que realmente usaría. Indicadores de calidad Minimax M1: → Ejecución de diseño perfecta en píxeles → Elementos interactivos funcionales → Integración multimedia profesional → Optimización del diseño receptivo → Generación de contenido real Guarde esta evaluación, guiará su selección 📐 de herramientas ¿Quieres la guía completa? Envíame un mensaje directo. 📥

🤖 Nuevo en el blog de Nebius: Agent 101 – Lanzamiento de agentes de IA de nivel de producción a escala Desde la prueba de concepto hasta los sistemas de nivel de producción, desglosamos la pila completa: ✅ LLMs ✅Marcos: @crewaiinc, @LangChainAI, @Google ADK, @AgnoAgi ✅Observabilidad: @helicone_ai, @AgentOpsAI, @keywordsai ✅Conexión a tierra en tiempo real: @Linkup_platform ✅Memoria, uso de herramientas, evaluaciones y más 🧠Todo ello con la tecnología de Nebius AI Studio: 30+ modelos de código abierto, inferencia rápida, niveles rentables y compatibilidad directa sin fisuras.

La confiabilidad es el nombre del juego para los agentes, y es poco probable que se resuelva puramente en la capa del modelo en el futuro previsible. Esto está creando brotes verdes para los constructores de infraestructura, con algunas tendencias interesantes que comienzan a surgir: 1. Simulación como CI para agentes: a) El dato más valioso hoy en día son los datos de trayectoria, es decir, colecciones de tareas (P) -> {t1, t2... tk}. Con más datos de trayectoria, los agentes se pueden mejorar con técnicas como RFT. b) Dado que estas trayectorias pueden ser bastante específicas de los datos subyacentes de una empresa (D), debe poder simular realmente el comportamiento de los agentes dentro de su entorno en lugar de confiar en los datos de trayectoria 3P. Entonces, ¿cómo podrías hacer esto? - Mantener un registro de agentes y MCP para una empresa, y un entorno de prueba. Arranque una capa de metadatos que contenga el objetivo de cada agente, las herramientas a las que tiene acceso, el alcance de cada agente frente a cada herramienta, etc. Es posible que su SDK necesite generar servidores MCP sobre la marcha para ciertas aplicaciones internas. - Ejecutar escenarios en staging para cada agente proporcionando variaciones de prompt / task, inspeccionando las llamadas a herramientas producidas y evaluando el rendimiento frente a una función de recompensa multiobjetivo (por ejemplo, rendimiento frente al objetivo, minimización de las invocaciones de herramientas). - Un componente crítico es proporcionar con precisión funciones de recompensa cuantificables para cada agente que desbloquean evaluaciones de alta fidelidad y cierran el ciclo para una CI confiable. - Todo esto debe ser producido: infraestructura fácil de adoptar que los desarrolladores puedan ampliar, pero con baterías incluidas. Puede comenzar a ver la formación de un nuevo paradigma, no pruebas unitarias para código, sino arneses de simulación para agentes. ¿Qué sucede cuando obtienes datos de trayectoria? 2. Las empresas se trasladarán a "lagos de contexto": - Una capa de memoria consultable en evolución que sirve como centro para las trayectorias de los agentes enriquecidas por los datos empresariales almacenados en el lago delta / SNOW. Una potente combinación de una base de conocimiento, una caché semántica y un registro de ejecución. - Lecturas extremadamente rápidas para la recuperación del tiempo de inferencia que admite QPS alto. - Como se mencionó en una publicación anterior, el caché semántico (una oportunidad realmente interesante para las startups) agrupará pares de tareas-trayectorias (por ejemplo, a través de k-means), lo que permitirá una recuperación rápida y una "fusión de resultados" durante la planificación o la selección de herramientas. Los agentes se sumergirán en el lago de contexto constantemente. La recuperación de contexto de alta QPS y baja latencia será tan importante como lo es hoy en día la búsqueda de incrustación rápida. 3. La autenticación de agentes se convierte en una preocupación de primera clase: -Los modelos tradicionales de claves de API y OAuth se rompen cuando los agentes actúan en nombre de los usuarios y de sí mismos, en sesiones de larga duración. -Necesita un marco para la identidad, la delegación y el alcance de los agentes, uno que admita cosas como permisos a nivel de herramienta, credenciales vinculadas a tareas y gráficos de delegación. Estamos entrando en una era en la que probar software significa simular comportamiento, consultar software significa recuperar contexto y proteger el software significa autenticar agentes autónomos.

Por qué tus agentes de codificación ya no necesitan RAG Nik Pash, de Cline, explicó por qué ya no recomienda RAG para los agentes de codificación autónomos, y sus puntos golpearon más fuerte de lo que esperaba. La capa de aplicación se está reduciendo. Toda la ingeniería inteligente que construimos en torno a los LLM se vuelve obsoleta a medida que los modelos mejoran. ¿Qué está pasando con el trapo? Las ventanas contextuales se expandieron drásticamente, lo que hizo innecesaria la búsqueda incrustada Los agentes de codificación funcionan mejor con el acceso directo a archivos que con las incrustaciones fragmentadas Las alucinaciones ni siquiera son un problema cuando se ajusta la temperatura a 0 Los problemas de seguridad con la incrustación de almacenamiento son importantes En lugar de RAG, los agentes de codificación modernos como Klein utilizan lo que Nik llama "integridad narrativa". Permitir que el agente explore el código de forma orgánica a través de herramientas como GREP, leyendo archivos en su totalidad y siguiendo su propia línea de pensamiento. Esto imita cómo trabajan realmente los ingenieros senior. Incluso Boris de Cloud Code admitió que probaron Rag y lo abandonaron. El patrón es claro. Cuando el trapo todavía tiene sentido: Restricciones presupuestarias (la búsqueda de incrustación utiliza menos tokens) Lagos de datos masivos no estructurados Algunos casos de uso no codificantes ¿Pero para equipos de ingeniería serios? Deje de distraer a sus agentes de codificación con la búsqueda incrustada. Deje que lean el código directamente, desarrollen la comprensión de forma natural y ejecuten con concentración. La verdadera pregunta no es si Rag está muerto, sino si todavía te aferras a soluciones obsoletas cuando los enfoques más simples ahora funcionan mejor.

AgentOps está listo para comenzar a incorporar proyectos para nuestro alojamiento de agentes. DM si está buscando producir su agente