「机器学习工程代理」共找到 2229 篇相关文章
强化学习之父：LLM主导只是暂时，扩展计算才是正解
新晋图灵奖得主、强化学习之父Richard Sutton在新加坡国立大学演讲时预测，大模型主导是暂时的，未来五年甚至十年内不是技术前沿。他认为AI应从依赖人类数据转向体验学习，强化学习潜力需靠扩展计算支撑。
Agent下半场！比Prompt更重要的是「上下文工程」，Anthropic首次系统阐述
Anthropic发文章阐述上下文工程，指出构建语言模型重点正从提示工程转向上下文工程，探讨了其与提示工程区别、重要性，给出实践指导原则、新趋势及应对长时程任务策略。
清华开源一批「学习虾」，免费的「AI 私教团」来了
清华大学开源全球首个多智能体生成式学习AI技术框架OpenMAIC。它能将技术文档转化为学习课堂，还能解锁多种学习解法。其前身MAIC是重要学习平台，应用不断迭代，OpenMAIC功能强大，边界不止于课堂。
AI太难学？清华开源一批「学习虾」，免费的AI私教团来了
清华大学开源全球首个多智能体生成式学习AI技术框架OpenMAIC，它能将技术文档转化为零门槛学习课堂，还可解锁多种学习解法。其前身MAIC是重要学习平台，OpenMAIC功能强大，应用场景广泛。
AI的新技能不是提示词，而是上下文工程
最近，“上下文工程”在AI领域备受关注，人们讨论焦点正从“提示词工程”转移至此。构建有效AI智能体的秘诀在于提供的上下文质量，而非代码复杂程度，这正是上下文工程的意义。
Anthropic：上下文工程在AI Agents的正确打开方式！
在‘提示工程’后，‘上下文工程’成焦点。它是提示工程延伸，因信息过多模型会‘失焦’，上下文是稀缺资源。文章介绍高效上下文‘解剖学’、运行时检索策略、长周期任务应对方法等。
Thin Harness, Fat Skills：AI工程架构的本质
文章介绍了AI工程架构本质，阐述Garry Tan倡导的智能体工程三原则，分析架构分层，包括Fat Skills、Fat Code和Thin Harness层，还通过案例展示技能文件进化特性，提及社区讨论、边界迁移和工程纪律价值。
Harness 工程就是控制论
文章指出OpenAI的Harness工程模式与瓦特离心式调速器、Kubernetes类似，都遵循控制论。代码库此前反馈回路在低层面，大语言模型改变现状，但需校准传感器和执行器，忽视工程实践代价会变得无法承受。
你不知道的 Agent：原理、架构与工程实践
文章聚焦 Agent 架构中影响工程效果的关键内容，如控制流、上下文工程等。介绍 Agent 基本运转方式、控制模式，强调 Harness 比模型更关键，还阐述上下文工程、工具设计、记忆系统等要点，并以 OpenClaw 为例说明落地方法。
逆强化学习全新视角的大模型对齐技术
文章从逆强化学习（IRL）视角回顾LLM对齐进展。先介绍强化学习基础及挑战，将LLM生成过程化为MDP，探讨无奖励函数的MDP，说明需神经奖励模型，还阐述通过奖励建模实现IRL及多种优化方法。