Bedrock Claude Night（JAWS-UG AI/ML支部 × 東京支部コラボ） - 資料一覧 - connpass終了 2024/04/22（月） 19:00〜 Bedrock Claude Night（JAWS-UG AI/ML支部 × 東京支部コラボ） Anthropicチームがビデオ登壇！ 今話題のClaude on AWSを楽しく学ぼう TakeshiFukae 他 東京都品川区上大崎3-1-1 目黒セントラルスクエア17F
AgentBench: Evaluating LLMs as Agents
Large Language Models (LLMs) are becoming increasingly smart and autonomous, targeting real-world pragmatic missions beyond traditional NLP tasks. As a result, there has been an urgent need to evaluate LLMs as agents on challenging tasks in interactive environments. We present AgentBench, a multi-dimensional evolving benchmark that currently consists of 8 distinct environments to assess LLM-as-Age
LangGraph: Multi-Agent Workflows
Links Python ExamplesJS ExamplesYouTubeLast week we highlighted LangGraph - a new package (available in both Python and JS) to better enable creation of LLM workflows containing cycles, which are a critical component of most agent runtimes. As a part of the launch, we highlighted two simple runtimes: one that is the equivalent of the AgentExecutor in langchain, and a second that was a version of t
Reflexion: Language Agents with Verbal Reinforcement Learning
Large language models (LLMs) have been increasingly used to interact with external environments (e.g., games, compilers, APIs) as goal-driven agents. However, it remains challenging for these language agents to quickly and efficiently learn from trial-and-error as traditional reinforcement learning methods require extensive training samples and expensive model fine-tuning. We propose Reflexion, a
自分で答えて自分でツッコミ！リフレクションエージェントとは
エージェントに過去の行動を振り返りさせることでブラッシュアップする手法だそうです。 プログラム合成や多段階の推論まで、幅広く成果が見られるとのこと。 最もシンプルなものから複雑なもので3パターンあります。 Simple Reflection Reflexion(↑とつづりが違う) Language Agents Tree Search Simple Reflection 一番シンプルなリフレクションエージェント。 ジェネレーターとリフレクターという2つのLLMコールがある。 ジェネレーターは回答を生成する リフレクターは教師として、その回答に建設的な批評をする 一定回数それを繰り返し、最後の回答だけ出力する。 最もシンプルな例の図。ジェネレーター脳が生成した回答をリフレクター脳が批判・メリット・提案を並べて評価している プロンプト 新しい情報を使って前回の解答を修正する。 - 前回の講評を
Four AI Agent Strategies That Improve GPT-4 and GPT-3.5 Performance
Agentic Design Patterns Part 1 Four AI agent strategies that improve GPT-4 and GPT-3.5 performance Dear friends, I think AI agent workflows will drive massive AI progress this year — perhaps even more than the next generation of foundation models. This is an important trend, and I urge everyone who works in AI to pay attention to it. Today, we mostly use LLMs in zero-shot mode, prompting a model t
GitHub - geekan/MetaGPT: 🌟 The Multi-Agent Framework: First AI Software Company, Towards Natural Language Programming
🚀 Mar. 29, 2024: v0.8.0 released. Now you can use Data Interpreter via pypi package import. Meanwhile, we integrated RAG module and supported multiple new LLMs. 🚀 Mar. 14, 2024: Our Data Interpreter paper is on arxiv. Check the example and code! 🚀 Feb. 08, 2024: v0.7.0 released, supporting assigning different LLMs to different Roles. We also introduced Data Interpreter, a powerful agent capable
GitHub - princeton-nlp/SWE-agent: SWE-agent takes a GitHub issue and tries to automatically fix it, using GPT-4, or your LM of choice. It solves 12.29% of bugs in the SWE-bench evaluation set and takes just 1.5 minutes to run.
We accomplish these results by designing simple LM-centric commands and feedback formats to make it easier for the LM to browse the repository, view, edit and execute code files. We call this an Agent-Computer Interface (ACI) and build the SWE-agent repository to make it easy to iterate on ACI design for repository-level coding agents. Just like how typical language models requires good prompt eng
Intro to LLM Agents with Langchain: When RAG is Not Enough
Hello everyone, this article is a written form of a tutorial I conducted two weeks ago with Neurons Lab. If you prefer a narrative walkthrough, you can find the YouTube video here: As always, you can find the code on GitHub, and here are separate Colab Notebooks: Planning and reasoningDifferent types of memoriesVarious types of toolsBuilding complete agentsIntroduction to the agents Illustration b
いまこそ学ぶLLMベースのAIエージェント入門―基本的なしくみ／開発ツール／有名なOSSや論文の紹介
大規模言語モデル（LLM）の応用例として「AIエージェント」が大きな話題の1つとなっています。 AIエージェントは、与えられた目的に対して、何をすべきか自律的に判断して動作します。 たとえば、必要に応じてWeb上の情報を検索して回答してくれたり、試行錯誤しながらプログラムを実装してくれたりします。 2024年2月現在では、OpenAIのAssistants APIやGPTs、Agents for Amazon BedrockやLangGraphなどがリリースされ、AIエージェントを開発するエコシステムも急速に発展しています。 そんな中、この勉強会では「いまこそ学ぶLLMベースのAIエージェント入門」と題して、LLMベースのAIエージェントの基本を解説します。 LLMベースのAIエージェントの基本的なしくみ（MRKLやReActなど）や各種開発ツール、有名なOSSや論文で実装されたAIエージ
GitHub - microsoft/autogen: A programming framework for agentic AI. Discord: https://aka.ms/autogen-dc. Roadmap: https://aka.ms/autogen-roadmap
📚 Cite paper. 🔥 Mar 26: Andrew Ng gave a shoutout to AutoGen in What's next for AI agentic workflows at Sequoia Capital's AI Ascent. 🔥 Mar 3: What's new in AutoGen? 📰Blog; 📺Youtube. 🔥 Mar 1: the first AutoGen multi-agent experiment on the challenging GAIA benchmark achieved the No. 1 accuracy in all the three levels. 🎉 Jan 30: AutoGen is highlighted by Peter Lee in Microsoft Research Forum
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
来てくれClaude 3! Agents for Amazon Bedrockのモデル比較或いはチューニングの話
GitHub - GoogleCloudPlatform/genai-databases-retrieval-app
GitHub - joaomdmoura/crewAI-tools
GitHub - e2b-dev/awesome-ai-agents: A list of AI autonomous agents
crewAI - Platform for Multi AI Agents Systems
What's next for AI agentic workflows ft. Andrew Ng of AI Fund