最新

我在2006年开始开发EDDI，最初是一个基于规则的对话引擎。当时主要依靠模式匹配和状态机。当大型语言模型（LLMs）出现时，值得思考的问题不是“我该如何调用GPT”，而是“我如何在生产环境中控制AI的行为？” 我的回答是：代理逻辑应该放在JSON配置文件中，而不是代码里。你需要描述一个代理应该做什么，使用哪个LLM，能够调用哪些工具，以及它应该如何表现。引擎读取这些配置并执行。绝不进行动态代码执行。LLM的设计上不能运行任意代码。引擎是严格的，这样AI才能发挥创造力。 v6是这个理念真正变得实用的版本。你可以让一组代理以五种不同的编排风格（圆桌会议、同行评审、辩论者等）讨论一个主题。每个代理可以使用不同的模型。一个级联系统首先尝试廉价模型，只有在信心不足时才升级到昂贵模型。 它还实现了MCP，既作为服务器也作为客户端，因此你可以通过Claude Desktop或Cursor控制EDDI。同时，它支持谷歌的A2A协议，让代理能够跨平台相互发现。 整个系统在Quarkus上运行于Java 25，以单个Docker镜像发布，并通过一条命令安装。自2017年以来开源，采用Apache 2.0许可证。 我很想听听大家对架构和功能集的看法。如果你有关于缺失功能的想法或希望从这样的系统中获得什么，我非常乐意倾听。始终欢迎对未来发展路线的良好建议。

我在HyperCard中训练了一个变换器，包含1,216个参数，使用的是1989年的Macintosh。没错，这个过程花了不少时间。 MacMind是一个完整的变换器神经网络，包含嵌入、位置编码、自注意力、反向传播和梯度下降，完全用HyperTalk实现，这是苹果在1987年随HyperCard发布的脚本语言。每一行代码都可以在HyperCard的脚本编辑器中阅读。选项点击任何按钮即可查看实际的数学计算。 任务是学习比特反转置换，这是快速傅里叶变换的第一步。模型没有公式可循，它纯粹通过注意力机制和反复的试错来发现位置模式。在第193步训练时，它在50%、75%和100%的准确率之间波动，最终像球滚入碗中一样趋于收敛。 整个“智能”仅仅是存储在HyperCard堆栈中的1,216个数字。保存文件，退出，再重新打开：训练好的模型依然存在，依然正确。它可以在从System 7到Mac OS 9的任何系统上运行。 作为一名前物理学学生，快速傅里叶变换是我的老朋友，它在信号处理、量子力学和波动分析中占据核心地位。我构建这个模型是因为我们正处于一个人工智能影响着我们所有人的时刻，但大多数人并不理解它到底在做什么。反向传播和注意力是数学，而不是魔法。数学并不关心它是在TPU集群上运行还是在1989年的68030上运行。 这个代码库包含一个预训练的堆栈（第1,000步），一个可以自己训练的空堆栈，以及一个验证数学计算的Python/NumPy参考实现。