Making Agent Evals Isn’t As Hard As You Think!
介紹建立與使用代理評估（agent evals）的理論與方法，涵蓋從單元測試到線上評估的不同型別。觀眾可學習如何設計評估迴圈並選擇合適的評估策略。
6,005次觀看
※ 摘要僅根據標題與說明
Adam Lucek
7 筆內容 ・ 2.8 萬 訂閱
他的來源
最受歡迎
依人氣
From Retrieval to Navigation: The New RAG Paradigm
Adam Lucek 探討如何透過工程手段讓大型語言模型自主管理上下文，涵蓋位置編碼、情境旋轉與遞迴語言模型等技術。觀眾可學習如何最佳化 RAG 架構並提升模型對長文件的理解能力。
1.1 萬次觀看※ 摘要僅根據標題與說明
Agent Skills - Yet Another Tool Standard?
Adam Lucek 介紹 Agent Skills 如何將程式碼、文件與工具整合為可移植的功能單元，並比較其與 Function Calling 及 MCP 的差異。觀眾可學習如何製作標準化的技能模組，提升 AI 代理的實用性與可維護性。
8,126次觀看※ 摘要僅根據標題與說明
Reinforcement Learning with Verifiable Rewards - Teaching LLMs to Solve Problems
介紹如何運用可驗證獎勵的強化學習，教導大型語言模型解決問題。觀眾能學習如何建立環境、設計獎勵函式並訓練模型。
9,634次觀看※ 摘要僅根據標題與說明
Building Agent Evals You Can Hill Climb
介紹如何將基準測試與評估指標轉化為最佳化目標，透過「爬山」策略提升 Agent 與大型語言模型的表現。觀眾能學習如何設計基準並利用工具進行自動化評估與迭代最佳化。
2 萬次觀看※ 摘要僅根據標題與說明
How OpenClaw Actually Works (Behind the Scenes)
由 Adam Lucek 解析 OpenClaw 等超級代理框架的運作機制，涵蓋訊息整合、程式執行與記憶系統等核心架構。觀眾能了解這些 AI 代理如何實際處理任務與協調資源。
2,825次觀看※ 摘要僅根據標題與說明
How AI Engineers Improve Agentic Products
Adam Lucek 分享如何透過 LLM 評估、人工回饋與錯誤分析來最佳化代理產品。觀眾能學習具體的評估流程與工具，提升 AI 產品的品質與可靠性。
※ 摘要僅根據標題與說明
最新內容
依發布時間
Building Agent Evals You Can Hill Climb
介紹如何將基準測試與評估指標轉化為最佳化目標，透過「爬山」策略提升 Agent 與大型語言模型的表現。觀眾能學習如何設計基準並利用工具進行自動化評估與迭代最佳化。
2 萬次觀看※ 摘要僅根據標題與說明
Making Agent Evals Isn’t As Hard As You Think!
介紹建立與使用代理評估（agent evals）的理論與方法，涵蓋從單元測試到線上評估的不同型別。觀眾可學習如何設計評估迴圈並選擇合適的評估策略。
6,005次觀看※ 摘要僅根據標題與說明
How OpenClaw Actually Works (Behind the Scenes)
由 Adam Lucek 解析 OpenClaw 等超級代理框架的運作機制，涵蓋訊息整合、程式執行與記憶系統等核心架構。觀眾能了解這些 AI 代理如何實際處理任務與協調資源。
2,825次觀看※ 摘要僅根據標題與說明
From Retrieval to Navigation: The New RAG Paradigm
Adam Lucek 探討如何透過工程手段讓大型語言模型自主管理上下文，涵蓋位置編碼、情境旋轉與遞迴語言模型等技術。觀眾可學習如何最佳化 RAG 架構並提升模型對長文件的理解能力。
1.1 萬次觀看※ 摘要僅根據標題與說明
Agent Skills - Yet Another Tool Standard?
Adam Lucek 介紹 Agent Skills 如何將程式碼、文件與工具整合為可移植的功能單元，並比較其與 Function Calling 及 MCP 的差異。觀眾可學習如何製作標準化的技能模組，提升 AI 代理的實用性與可維護性。
8,126次觀看※ 摘要僅根據標題與說明
How AI Engineers Improve Agentic Products
Adam Lucek 分享如何透過 LLM 評估、人工回饋與錯誤分析來最佳化代理產品。觀眾能學習具體的評估流程與工具，提升 AI 產品的品質與可靠性。
※ 摘要僅根據標題與說明
Reinforcement Learning with Verifiable Rewards - Teaching LLMs to Solve Problems
介紹如何運用可驗證獎勵的強化學習，教導大型語言模型解決問題。觀眾能學習如何建立環境、設計獎勵函式並訓練模型。
9,634次觀看※ 摘要僅根據標題與說明