最新

WFGY推出了一种基于PDF的语义协议，旨在纠正大型语言模型（LLMs）中的投影崩溃、矛盾循环和模糊推理链。<p>无需重新训练，无需系统调用。当解析时，逻辑模式直接改变推理轨迹。<p>提示评估基准显示： ‣ 推理成功率提高42.1% ‣ 语义一致性提高22.4% ‣ 解释任务的稳定性提高3.6倍<p>该代码库包含正式理论、提示套件和可重复的结果。 零依赖，完全开源。<p>来自对齐、可解释性和基于逻辑的支撑工作的反馈将特别有价值。

LLM代理依赖于工具调用，但工具响应的数据量庞大。<p>Gmail、客户关系管理系统（CRM）和API返回的JSON数据冗长，<br>LLM在处理大响应时会出现问题。<br>你只需要2到3个字段，但框架却让你无法控制。<p>Toolflow是一个原生AI框架，用于解决这个问题：<p>* 在响应到达LLM之前过滤工具响应<br>* 上下文模式：`minimal`（最小）、`full`（完整）、`custom`（自定义）或`ai`<br>* 可组合的TypeScript工具注册表<p>GitHub: [<a href="https:&#x2F;&#x2F;github.com&#x2F;dksingh1997&#x2F;toolflow">https:&#x2F;&#x2F;github.com&#x2F;dksingh1997&#x2F;toolflow</a>](<a href="https:&#x2F;&#x2F;github.com&#x2F;dksingh1997&#x2F;toolflow">https:&#x2F;&#x2F;github.com&#x2F;dksingh1997&#x2F;toolflow</a>)<p>期待反馈，特别是来自那些在生产环境中使用LLM的开发者。