发表于昨天的论文《Agent Laboratory: Using LLM Agents as Research Assistants》对于科研界具有划时代意义，过去几周才能完成的科研任务现在仅需20分钟到一两个小时左右（不同LLM），花费2-13个美金的Token即可完成！
万字长文盘点 2024，展望 2025 2024 年，大语言模型（LLM）迎来了翻天覆地的变化。让我们一起回顾过去一年中这个领域的重大发现，梳理其中的关键主题和标志性时刻。
AI Agent 是我们紧密追踪的范式变化，Langchain 的一系列文章对理解 Agent 的发展趋势很有帮助。在本篇编译中，第一部分是 Langchain 团队发布的 State of AI Agent 报告。
自己动手搞一个AI Agent 如果你想拥有一个专属AI Agent，不仅能记住你的喜好习惯，还可以自动化重复性任务，方便你腾出双手，将有限的精力专注于更重要的工作。
在信息爆炸的时代，我们面对的最大困境是噪音太多。答案无穷无尽，但真正有价值的回答却依然难以找到。
简单才是王道，Anthropic 的智能体开发的“反直觉”法则
全球最年轻的 95 后亿万富翁、MIT 辍学生以及估值超 1000 亿的 AI 独角兽 Scale AI 创始人 Alexandr Wang 近期在 SPC 对谈时回顾了自己在 YC 创业加速器的经历。
在过去的两年里，风险投资圈，以及广泛的技术生态中，关于 AI 原生应用的发展前景展开了深入讨论。我们目睹了技术价值从底层基础设施，逐步向平台和应用层转移的趋势，看到了对 AI Agent 演进的强烈关注，以及关于各个垂直领域 AI 应用发展的众多深入研究。
LLM 作为推理引擎，coding 是最好的应用场景：代码的逻辑比自然语言更清晰，执行的结果能由 AI 自动化验证。因此我们看到从 Sonnet 3.5 到 o1 pro，每一次模型能力的提升都会反映在 coding 能力的提升上，这一领域的应用进步就尤其显著。
最近从由大型语言模型（LLM）驱动的聊天机器人向如今该领域所定义的 Agent 系统或 Agentic AI 的转变，可以用一句老话来概括：“少说话，多做事。”
