200篇2024/S1论文文章助你“入坑”AI工程：FT + KG + RAG + Agent

image.png

本文汇编了笔者2024上半年整理的AI工程领域相关的论文、博客、公众号文章，包括FineTuning、KnowledgeGraph、RAG、Agent四大类，可以帮助大家快速跟进/回顾上半年AI工程领域的进展。
有需要（想“入坑”）的同学请自取【狗头 * 3】。

FT

  1. Scaling Down to Scale Up: A Guide to Parameter-Efficient Fine-Tuning： https://arxiv.org/abs/2303.15647
  2. Towards a Unified View of Parameter-Efficient Transfer Learning：https://arxiv.org/abs/2110.04366
  3. 【LoRA】LoRA: Low-Rank Adaptation of Large Language Models：https://arxiv.org/abs/2106.09685
  4. 【AdaLoRA】AdaLoRA: Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning：https://arxiv.org/abs/2303.10512
  5. 【QLoRA】QLoRA: Efficient Finetuning of Quantized LLMs：https://arxiv.org/abs/2305.14314
  6. 【Prompt Tuning】The Power of Scale for Parameter-Efficient Prompt Tuning：https://arxiv.org/abs/2104.08691
  7. 【Prefix Tuning】Prefix-Tuning: Optimizing Continuous Prompts for Generation：https://arxiv.org/abs/2101.00190
  8. 【P-Tuning v1】GPT Understands, Too：https://arxiv.org/abs/2103.10385
  9. 【P-Tuning v2】P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks：https://arxiv.org/abs/2110.07602
  10. Finetuned Language Models Are Zero-Shot Learners：https://arxiv.org/abs/2109.01652
  11. Making Pre-trained Language Models Better Few-shot Learners：https://arxiv.org/abs/2012.15723
  12. How Does In-Context Learning Help Prompt Tuning?：https://arxiv.org/abs/2302.11521
  13. 【BitFit】BitFit: Simple Parameter-efficient Fine-tuning for Transformer-based Masked Language-models：https://arxiv.org/abs/2106.10199
  14. 【Adapters】Parameter-Efficient Transfer Learning for NLP：https://arxiv.org/abs/1902.00751
  15. 【RLHF】Training language models to follow instructions with human feedback：https://arxiv.org/abs/2203.02155
  16. Deep reinforcement learning from human preferences：https://arxiv.org/abs/1706.03741
  17. Fine-Tuning Language Models from Human Preferences：https://arxiv.org/abs/1909.08593
  18. Learning to summarize from human feedback：https://arxiv.org/abs/2009.01325
  19. WebGPT: Browser-assisted question-answering with human feedback：https://arxiv.org/abs/2112.09332
  20. 【InstructGPT】Training language models to follow instructions with human feedback：https://arxiv.org/abs/2203.02155
  21. 【GopherCite】Teaching language models to support answers with verified quotes：https://arxiv.org/abs/2203.11147
  22. 【Sparrow】Improving alignment of dialogue agents via targeted human judgements：https://arxiv.org/abs/2209.14375
  23. ChatGPT: Optimizing Language Models for Dialogue：https://autogpt.net/chatgpt-optimizing-language-models-for-dialogue/
  24. Scaling Laws for Reward Model Overoptimization：https://arxiv.org/abs/2210.10760
  25. Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback：https://arxiv.org/abs/2204.05862
  26. Red Teaming Language Models to Reduce Harms: Methods, Scaling Behaviors, and Lessons Learned：https://arxiv.org/abs/2209.07858
  27. Dynamic Planning in Open-Ended Dialogue using Reinforcement Learning：https://arxiv.org/abs/2208.02294
  28. RLAIF: Scaling Reinforcement Learning from Human Feedback with AI Feedback：https://arxiv.org/abs/2309.00267
  29. Multilingual Large Language Model: A Survey of Resources, Taxonomy and Frontiers：https://arxiv.org/abs/2404.04925
  30. [论文]“退一步”海阔天空：谷歌提出Step-Back Prompting：https://mp.weixin.qq.com/s/VUyHJ_-LiHnyFr-V4dZHPA
  31. 关于大模型微调，你想知道的都在这里了：https://blog.csdn.net/yulingzheng/article/details/131938155
  32. 微调、训练大模型概念介绍及论文笔记：Tuning系列论文笔记：https://www.wehelpwin.com/article/4091
  33. LLM微调理论及实践：https://qiankunli.github.io/2023/10/29/llm_finetune.html
  34. LoRA（Low-Rank Adaptation of Large Language Models）-- 一种大模型prompt-tuning调优方法：https://www.cnblogs.com/LittleHann/p/17318509.html
  35. 五万字综述！Prompt-Tuning：深度解读一种新的微调范式：https://zhuanlan.zhihu.com/p/618871247
  36. 抱抱脸：ChatGPT背后的算法——RLHF | 附12篇RLHF必刷论文：https://mp.weixin.qq.com/s?__biz=MzI4MDYzNzg4Mw==&mid=2247554744&idx=3&sn=58d27263f499a939cba817522840a9cb&chksm=ebb72e6cdcc0a77a135c55c297c3c8c5ee106780c92f072bbf821ea0f8a1e143a47034e69680&scene=27
  37. ChatTuGraph：通过大模型“与图对话”：https://mp.weixin.qq.com/s/rZdj8TEoHZg_f4C-V4lq2A
  38. 生成式大模型的RLHF技术（一）：基础：https://zhuanlan.zhihu.com/p/667636425
  39. 人工智能大语言模型微调技术：SFT 监督微调、LoRA 微调方法、P-tuning v2 微调方法、Freeze 监督微调方法：https://cloud.tencent.com/developer/article/2302701
  40. 多语言大型语言模型：资源、分类和前沿综述：https://mp.weixin.qq.com/s/jw1l4CKoGdZuW0Sy_5jo5g
  41. Data is all you need：15万亿 Token！FineWeb 开创公开数据集新纪元：https://mp.weixin.qq.com/s/klU1qtItu71181F40c8ZxA
  42. WildChat：100万条用户-ChatGPT对话数据开源！：https://mp.weixin.qq.com/s/oXy8iLFWwbGHypbXIK5hrQ
  43. 20K star！搞定 LLM 微调的开源利器：https://mp.weixin.qq.com/s/Z2izsHIZTyuBQ3IRC5YgVw

KG

  1. 浙大 & 蚂蚁 | 提出MyGO框架，旨在提升多模态知识图谱（MMKG）完整性！：https://mp.weixin.qq.com/s/CVswirXSMI3satqqmy6Hmw
  2. 2024 最新综述 | 当知识图谱遇上多模态学习：https://mp.weixin.qq.com/s/XrAossHKtsfEEEiQJqbjrQ
  3. TKDE｜三元组集合预测：从零开始进行知识图谱补全：https://mp.weixin.qq.com/s/xUF8rkqG4n1zkHTXgiQmIw
  4. EDC: 如何自动化构建知识图谱，基于大型语言模型知识图谱构建新框架：https://mp.weixin.qq.com/s/vIUu0qj5jkgL7jf6hfBkgQ
  5. Graph Maker：轻松使用开源大模型将文本转为知识图谱，发现新知识！：https://mp.weixin.qq.com/s/Sn8m5gZyfpmFCCPXHPwWhQ
  6. 通俗易懂解释知识图谱（Knowledge Graph）：https://www.cnblogs.com/huangyc/p/10043749.html
  7. 数字化转型时代的知识图谱实践|5步掌握知识图谱：https://mp.weixin.qq.com/s/nb6GsrSwHWuQNGZoBmD1-w
  8. OpenRAG Notion：https://openrag.notion.site/Open-RAG-c41b2a4dcdea4527a7c1cd998e763595
  9. 第11章 知识图谱及其应用：https://mp.weixin.qq.com/s/fFJQsNDbsCZ3s4P7ntxhPA
  10. 大模型和知识图谱结合的机遇与挑战-GPT构建高质量KG：https://mp.weixin.qq.com/s/WRi0nLXJ1-Dwh4I6LLxs6w
  11. WeRead2Notion-Pro强大的图书管理系统：https://mp.weixin.qq.com/s/Wif_pyb5L3WlLLlj7iIPYw
  12. 大模型和知识图谱双轮驱动：人机协同的SEO内容生成的路线图 - WordLift实践：https://mp.weixin.qq.com/s/FvxS8oSD28G7L1Tt437Hig
  13. OpenSPG v0.0.3 发布，新增大模型统一知识抽取&图谱可视化：https://mp.weixin.qq.com/s/27kWp7Dycud7YMd5S2enlQ
  14. 「大模型」之所短，「知识图谱」之所长：https://mp.weixin.qq.com/s/A2EKHtBtXBqb0ADY34FjbA
  15. 如何将任何文本语料转换为知识图谱？：https://mp.weixin.qq.com/s/pxavUtB2i0SjQazpxf_jwA
  16. Docs2KG：使用大模型自动构建知识图谱，降低企业知识图谱构建门槛：https://mp.weixin.qq.com/s/tj1gyh1ljLdYGh2sOXwgwQ
  17. 对话刘铭教授：多模态知识图谱构建初探：https://mp.weixin.qq.com/s/Ra9y7TO58BPmAwCF2-JH3g

RAG

  1. WWW2024 | 欢迎参加 图基础模型 Tutorial：https://mp.weixin.qq.com/s/hx3swpM827IllHO8-EufLQ
  2. GFMPapers：https://github.com/BUPT-GAMMA/GFMPapers?tab=readme-ov-file
  3. 图遇见大型语言模型：进展与未来方向的研究：https://mp.weixin.qq.com/s/yzqFSVm3j-UsT3niJi8LLw
  4. Survey || 探讨了大模型理解图结构数据：https://mp.weixin.qq.com/s/-d351EXOf96Ttury-CHGHg
  5. Awesome-LLMs-in-Graph-tasks：https://github.com/yhLeeee/Awesome-LLMs-in-Graph-tasks
  6. RAGCache: Efficient Knowledge Caching for Retrieval-Augmented Generation：https://arxiv.org/abs/2404.12457
  7. RAG+RAU：对检索增强型语言模型（RALM）进行全面、深入综述：https://mp.weixin.qq.com/s/YUgJ8uOrX2Zes1-mG-iteA
  8. 从RAG到RALM：检索增强语言模型原理剖析及最新进展：https://mp.weixin.qq.com/s/aMjDVihuD3JrqDIl92paeg
  9. RAG与RAU：自然语言处理中的检索增强语言模型综述：https://mp.weixin.qq.com/s/BHzcwydvSkTIvIQ4iLGzlA
  10. 阿里RAG新框架R4：增强检索器-重排序-响应器，5个知识密集任务上都超过Self-RAG等！：https://mp.weixin.qq.com/s/Lsom93jtIr4Pv7DjpQuiDQ
  11. 《大规模分布式图算法》综述：https://mp.weixin.qq.com/s/urlIwhyZc4hHGA4hYllHiw
  12. 多语言大型语言模型：资源、分类和前沿综述：https://mp.weixin.qq.com/s/jw1l4CKoGdZuW0Sy_5jo5g
  13. 从0到精通，读懂这一篇就够了，RAG：检索增强的前世今生：https://mp.weixin.qq.com/s/jlYrPRRw8kAeBLTEVFoBTg
  14. 【LLM-RAG】用于内容生成的检索增强生成综述：https://mp.weixin.qq.com/s/2b5_uuuKwAQIjRWi5x9FXQ
  15. RAT，突破AI幻觉的新方法：https://mp.weixin.qq.com/s/TqmY4ouDuloE2v-iSJB_-Q
  16. RAT — Retrieval Augmented Thoughts：https://cobusgreyling.medium.com/rat-retrieval-augmented-thoughts-c7eb0cf5547c
  17. RAG+ Chain of Thought ⇒ Retrieval Augmented Thoughts (RAT)：https://medium.com/@bijit211987/rag-chain-of-thought-retrieval-augmented-thoughts-rat-3d3489517bf0
  18. RAT: Retrieval Augmented Thoughts Elicit Context-Aware Reasoning in Long-Horizon Generation：https://arxiv.org/pdf/2403.05313.pdf
  19. RAE：一个专为大模型多跳问答设计的检索增强型知识编辑框架：https://mp.weixin.qq.com/s/R0N8yexAlXetFyCS-W2dvg
  20. 可解释生成人工智能 (GenXAI)：综述、概念化与研究议程：https://mp.weixin.qq.com/s/LfhWkp5qZkjsMxAxHpxsRA
  21. 知识图谱增强RAG: 用外部知识提升LLM：https://mp.weixin.qq.com/s/uDOMTGTxSpsZQg2Fa3jR3w 【index is not only vector（graph hybrid）】
  22. 《大型语言模型中基于检索的文本生成》综述：https://mp.weixin.qq.com/s/slHksXsbqTDzY3XwGF4nrA
  23. AI的“记忆”外挂：检索增强生成技术（RAG）综述：https://mp.weixin.qq.com/s/FQzp3eUWH_ysTvQWNox4QA
  24. 重磅！《大语言模型》新书出炉，人大出版，391页pdf：https://mp.weixin.qq.com/s/Jn-k95-IAa0N-utA4r3_Sg
  25. RAG遇见LLMs：走向检索增强型大语言模型:https://mp.weixin.qq.com/s/EI5OI3WdJ09ecjyemWxClg
  26. 从局部到全局：一种面向查询的图结构RAG摘要方法：https://mp.weixin.qq.com/s/hiuhqo5ZI8cL125URX5yNQ
  27. 多模态检索增强生成（Multimodal Retrieval Augmented Generation，MM-RAG）：https://mp.weixin.qq.com/s/wGar-qBfvjdi5juO1c0YxQ
  28. CRAG: 纠正性 RAG 模型，提升信息检索与生成质量：https://mp.weixin.qq.com/s/HTN66ca6OTF_2YcW0Mmsbw
  29. 一文讲清楚检索增强型文本生成（RAG），极其舒坦的格式：https://mp.weixin.qq.com/s/yxLRUhKxqbm5VoCCXXmnOA
  30. RAG系统评估之全面综述，兼看分析框架RGAR：检索、生成、附加要求！：https://mp.weixin.qq.com/s/z-zvn8WJHQqGNBD0Ic3uHw
  31. 蚂蚁「大图模型」研究，为图智能迈向AGI铺了一条新通途：https://mp.weixin.qq.com/s/0eHTqqmz1OXdIhNl2Qky9A
  32. 使用Pytorch从零实现Transformer模型：https://mp.weixin.qq.com/s/XFniIyQcrxambld5KmXr6Q
  33. 图解 transformer——注意力计算原理：https://mp.weixin.qq.com/s/pURSi89KAiJIJAYZ-kT-iQ
  34. Graph RAG: 知识图谱结合 LLM 的检索增强：https://mp.weixin.qq.com/s/VJRG0MUaEGR6iM_xFRroyg
  35. hugegraph-ai 重磅发布！！HugeGraph + LLM 场景的深入探索：https://mp.weixin.qq.com/s/QnFo1IJrGqY5SObgBh245w
  36. 大模型时代，AI 和数据库技术会碰撞出什么新火花？：https://www.infoq.cn/article/whmTRumNeD6js22SjfSv?utm_term=wxgroup
  37. LLM之RAG实战（三十二）| 使用RAGAs和LlamaIndex评估RAG：https://mp.weixin.qq.com/s/y61bX6iAwKdhpcupi1UBKQ
  38. 从传统RAG到GraphRAG - 当大模型遇见知识图谱:https://mp.weixin.qq.com/s/9FNPZqVuagFRPic1PeJ0tQ?poc_token=HBWYH2ajbHvxLsfsR4C7-2gVvDUebyRpHdSuUYQh
  39. RAGFlow：基于OCR和文档解析的下一代 RAG 引擎：https://mp.weixin.qq.com/s/oOr1tQqgBxV6W9XcoudcSg
  40. RAG性能评估：从方案到实践：https://mp.weixin.qq.com/s/hqBkz7OCH03GzaKkBl_N9Q
  41. OpenAI联合创始人通俗解读大语言模型：https://mp.weixin.qq.com/s/VUxmkXlJxiYCu9YB1A_WLw
  42. 人机协同Knowledge Copilot - 兼论KG-RAG和文档RAG：https://mp.weixin.qq.com/s/waKnyIsmV0MKiUw0knuzsw
  43. LLM可视化,不容错过!：https://mp.weixin.qq.com/s/-qG-RIaBC-Ddy2mOGbecew
  44. 检索增强微调 (RAFT)：https://mp.weixin.qq.com/s/FBCvlvKWyXO5WmqDS_WCVA
  45. RAG “七宗罪”：RAG 系统常见问题总结：https://mp.weixin.qq.com/s/A-BYTnYFafMVxv0P7xi6mA
  46. LangChain团队最新技术报告：Is RAG Really Dead ？：https://mp.weixin.qq.com/s/nILm01bsR0tPfU_9dGVu7A
  47. 微软多部门联合推出GraphRAG项目：全面性和多样性方面显著优于原生大模型RAG：https://mp.weixin.qq.com/s/c--xUR7Q_O7yAMsaAJRiKQ
  48. RAG 2.0，终于把RAG做对了！：https://mp.weixin.qq.com/s/11gdAT-oDHGtx_TEP5kdCA
  49. Project GraphRAG：https://www.microsoft.com/en-us/research/project/graphrag/overview/
  50. 基于图的元数据过滤以提高RAG应用中的向量搜索性能：https://mp.weixin.qq.com/s/cyuAWdFH--gWvStFmNNnzw
  51. Neo4j与微软合作GraphRAG，以增强GenAI能力：https://mp.weixin.qq.com/s/Cp3M-y_8cTjvU3SkaU6MMg?poc_token=HIXURWajK80qRkgIC5AVH-YfO0y2J3ZM0ecOBePQ
  52. 7K star！Text2SQL还不够？试试RAG2SQL的开源工具，用自然语言查数据：https://mp.weixin.qq.com/s/sBPHDFGiWQW0Wxrp8gR4ZA
  53. 知识图谱：langchain+neo4j+gpt-3.5-turbo-0125实现：https://mp.weixin.qq.com/s/aVRD4j_79zhm_FqVq5KDZg
  54. 超越文本检索：Graph RAG如何变革LLM内容生成：https://mp.weixin.qq.com/s/n6MO_loG52bcP1XvMubJag
  55. RAG 2.0：https://mp.weixin.qq.com/s/5_-Z0r0DfAfiJ4JuI1225g
  56. 创业：大模型RAG系统三个月的开发心得和思考：https://mp.weixin.qq.com/s/Np-UUBtAGzZSE-hi5jfHrQ
  57. 微软RAG实践—— 从局部到全局：一种图 RAG 方法用于查询焦点摘要：https://mp.weixin.qq.com/s/bALlT4fx2aZGhlW-wgNxnw
  58. RAG中，根据查询意图驱动的Router逻辑分析：https://mp.weixin.qq.com/s/H_pJRGV_PYwfFOvgZnNe-g
  59. 大型语言模型景观：https://mp.weixin.qq.com/s/hMBsuC09X73d0ZttD9_hBA
  60. 万字长文：RAG百科全书：https://mp.weixin.qq.com/s/c-ZJDgpjl8ghl4KN5HPOXA
  61. 完全免费白嫖GPT4的三个方法，都给你整理好了！：https://mp.weixin.qq.com/s/gdNL5OTEcLjgysDoaBdLBA
  62. 在 RAG 系统中结合文本嵌入和知识（图）嵌入：https://mp.weixin.qq.com/s/NNJWM_F26Uy4TCdx0niowQ
  63. 忘记 RAG，未来是 RAG-Fusion：https://mp.weixin.qq.com/s/H-et40jJo8cbJT87xDt6QA
  64. 从RAG到GraphRAG的应用落地揭秘：https://mp.weixin.qq.com/s/e8qbRUg2-zFzBqQ7iTvuew
  65. 高级RAG检索中的五种查询重写策略：https://mp.weixin.qq.com/s/55lJxm9rCZO8T8vD-VtGsg
  66. FlashRAG：可能是最全的、最快搭建RAG的开源框架：https://mp.weixin.qq.com/s/XRfSqYwvuGB6sDJzRm0QVA
  67. 使用FalkorDB知识图谱构建RAG应用：https://mp.weixin.qq.com/s/frMD-6tyG_2z8cTEVcM4pw
  68. GraphRAG: Design Patterns, Challenges, Recommendations：https://gradientflow.com/graphrag-design-patterns-challenges-recommendations/
  69. GraphRAG：设计模式，挑战和落地指南：https://mp.weixin.qq.com/s/jiuJsMCuglk0inz6xwquKw
  70. [万字长文]GraphRAG技术栈及样例全面解析：https://mp.weixin.qq.com/s/wALg2ZgK314fDqwTfCnuuw
  71. GraphRAG: Unlocking LLM discovery on narrative private data：https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/
  72. Full Fine-Tuning, PEFT, Prompt Engineering, and RAG: Which One Is Right for You?：https://deci.ai/blog/fine-tuning-peft-prompt-engineering-and-rag-which-one-is-right-for-you/
  73. 震惊：开发一款世界瞩目的数据库仅需18人：https://mp.weixin.qq.com/s/WYPNWw_c1EU9f68yyi7D4A
  74. Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读：https://mp.weixin.qq.com/s/WILvYFiKugroy9Q_FmGriA

Agent

  1. Agents Is All You Need： 众智成城提升 LLM 效果[论文速递]：https://mp.weixin.qq.com/s/M8CsmdoBJzFhxJjDofLikw
  2. A Survey on Large Language Model based Autonomous Agents：https://arxiv.org/abs/2308.11432
  3. More Agents Is All You Need：https://arxiv.org/pdf/2402.05120.pdf
  4. [论文] 阿里提出AgentScope：灵活强大的智能体框架：https://mp.weixin.qq.com/s/Yu6FmgHMe3jg0LTAH9GceQ
  5. 大语言模型（LLM）论文调研整理3：https://zhuanlan.zhihu.com/p/668000465
  6. 万字综述：大语言模型多智能体(LLM Multi-Agents)进展与挑战：https://mp.weixin.qq.com/s/KU7ghWtVollZ4AZwDLjO8w
  7. 2024年大模型的发力点：大模型Agent，分享6篇最新LLM Agent研究成果：https://mp.weixin.qq.com/s/AQTfg4vr3ZMIMsf4v-zLeQ
  8. 2024年大模型Agent Tuning技术调研：工具增强，长序列，多智能体, ...：https://mp.weixin.qq.com/s/xewI7KUibsp77Eye5CQCpw
  9. 论文导读 | Large Language Model based Multi-Agents的发展与挑战：https://mp.weixin.qq.com/s/yizk_hf0bPfESu5TkYTN-g
  10. 多agent思想显著提升小模型工具调用能力：https://mp.weixin.qq.com/s/0qYu8kuPFh-5EuWLq5BLGw
  11. 大模型Multi-Agents记忆共享：利用实时记忆存储和检索系统来增强上下文学习：https://mp.weixin.qq.com/s/n7WJfm8JB3MCQr5CYX9t2g
  12. Communicative Agents for Software Development：https://arxiv.org/abs/2307.07924
  13. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation：https://arxiv.org/abs/2308.08155
  14. MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework：https://arxiv.org/abs/2308.00352
  15. 大语言模型智能体规划能力综述: 分类、任务分解、选择、反思、记忆增强：https://mp.weixin.qq.com/s/1POXDVJDv3ob1HqpKjb3Mg
  16. Understanding the planning of LLM agents: A survey：https://arxiv.org/abs/2402.02716
  17. AgentKit：用乐高积木式节点构建LLM智能体的思考过程以解决复杂任务：https://mp.weixin.qq.com/s/SPKtKCUYAnEL6qxkxlAHXg
  18. ResearchAgent: 利用agent自动生成论文idea，再也不用担心做科研没有思路了：https://mp.weixin.qq.com/s/imKZQDU9sB38JO957uV_hw
  19. Agent 系列之 LLM Compiler框架解析:https://mp.weixin.qq.com/s/-VJolvwOSnGKJVte0v2Irg
  20. 论文导读 | 基于LLMs的Multi-Agent框架：https://mp.weixin.qq.com/s/C2g_FwBNx18TKedOXQoZ7g
  21. 《综述：全新大语言模型驱动的Agent》——4.5万字详细解读复旦NLP和米哈游最新Agent Survey：https://mp.weixin.qq.com/s/B0GvDnFHcFdvmWxXTw87GA
  22. Plan-and-Solve Prompting 论文解析：https://mp.weixin.qq.com/s/NAXX128DDiRhLyZwWtShAA
  23. ICLR 2024 大语言模型多智能体研究总结：https://mp.weixin.qq.com/s/ROTFmXMarvKmbop4wT8gDw
  24. ERAGent：集成5个先进组件与技术的增强型RAG Agent，显著提升3类问答任务效果：https://mp.weixin.qq.com/s/7O12bWxJYVRqLPcHQkpYoA
  25. Agent Planning with World Knowledge Model：https://mp.weixin.qq.com/s/kU8UHwnUrRNBPYW7QBnLtA
  26. 大模型思维链推理的综述：进展、前沿和未来：https://mp.weixin.qq.com/s/X2lcVLFFlFgQCzacret4Vg
  27. ACL 2024 | 让纯LLM实现类人的符号逻辑推理能力，开源框架SymbCoT来了：https://mp.weixin.qq.com/s/dV98nDU13ewa_F8uGxrlyw
  28. 微软研究院MRP：大模型动态选择最佳解题策略的元推理提示，比CoT、ToT更有效：https://mp.weixin.qq.com/s/Q1NO5a2nZkztLWNI19HCbg
  29. 中国AIGC最值得关注企业&产品榜单揭晓！首份应用全景图谱发布：https://mp.weixin.qq.com/s/-jvjxWxssQvfgToxfJbzvA
  30. 中国AIGC应用全景报告_量子位智库.pdf
  31. 5个顶级开源Agent框架，你必须知道！：https://mp.weixin.qq.com/s/zf_BSlcmTgNKLbVu8Tq8Qg
  32. AI Agent 应该更有趣还是更有用？：https://mp.weixin.qq.com/s/3oO0d5onGvNpgU_h0x_-gA
  33. 吴恩达：AI Agent 工作流今年将有巨大进展，这是一个重要的趋势：https://mp.weixin.qq.com/s/mqMpW4dF367G8zH-PiJGqA
  34. 大模型应用的 10 种架构模式：https://mp.weixin.qq.com/s/-ECPED501nOqMUPBWf3sOw
  35. Synthetic data generation：https://python.langchain.com/docs/use_cases/data_generation/
  36. 朱啸虎讲了一个中国现实主义AIGC故事：https://mp.weixin.qq.com/s/IXjlplabhMcEqAVPZyq9kg
  37. 产品经理研读：Agent的九种设计模式(图解+代码)：https://mp.weixin.qq.com/s/9CRzuNgnwyq3-tkqnTA6TA
  38. 从API到Agent：万字长文洞悉LangChain工程化设计：https://mp.weixin.qq.com/s/9HtxRuyzavovC9NytzCDIg
  39. AutoPrompt—可生成高质量提示词的AI工具：https://mp.weixin.qq.com/s/VI125TAJ_zm3YGOGlIGyHA
  40. AI Agent的哲学意义：https://mp.weixin.qq.com/s/qVkDZBdDgI1RrUjp8XFzlg
  41. Salesforce AI Research 刘志伟：像Agent一样思考 | Agent Insights：https://mp.weixin.qq.com/s/liArrE8wlhMfHImwYAatdw
  42. 长篇报道：面向复杂任务的、AI自动驱动的开发框架AutoDev：https://mp.weixin.qq.com/s/CQZrYS4lQWcThLyX2-xSlw
  43. 基于LLM的AI Agent架构设计统一框架：https://mp.weixin.qq.com/s/aOsDviPOao90uEBw3YkABw
  44. 吴恩达来信：智能体设计模式5：多智能体协作：https://mp.weixin.qq.com/s/EKUh0iU1t9FKhXWfeATeKQ
  45. Agent调研--19类Agent框架对比：https://mp.weixin.qq.com/s/9Wlut8KMD2pogDxcbGlo_Q
  46. AI Agent万字长文总结：规划, 工具, 执行, 记忆：https://mp.weixin.qq.com/s/muQtb6f5Zjlwpygl4qLALw
  47. 体验Flowith：探索人机交互从传统聊天对话到画布式知识管理的转变：https://mp.weixin.qq.com/s/ZL_hIRItkF9QwfXjwTZnEg
  48. AI Agent新对决：LangGraph与AutoGen的技术角力：https://mp.weixin.qq.com/s/rh4z76U404YxjzhQwJodvg
  49. 为什么Workflow对Agent系统很重要？（在WaytoAGI社群的分享）：https://mp.weixin.qq.com/s/kobWUoZvqwnweo2xAwxN7w
  50. 现有的AI Agents有哪些，你知道吗？：https://mp.weixin.qq.com/s/YZLH4i-IeJUPltHdaTHuag
  51. 效果炸裂！使用 GPT-4o 快速实现LLM OS:https://mp.weixin.qq.com/s/Xyaq8wdCZuQhKVORIw05_g
  52. MemGPT：9.2k星星！创建具有长期记忆和自定义工具的大模型Agent，完全开源！：https://mp.weixin.qq.com/s/egRyfHaYbzTV0_CIXD2KPw
  53. 万字长文！AI Agent架构概况：关于推理、规划和工具调用：https://mp.weixin.qq.com/s/cpfaJPo9ml0k90mhrsaRTA
  54. Agentic Workflow：AI重塑了我的工作流：https://mp.weixin.qq.com/s/XzEUpUbbWHazAq-OD4EbMA
  55. (纯干货) AI Agent - 7大认知框架全解析与代码实现：https://mp.weixin.qq.com/s/LvClKo_T3h_E8RM_O3ikzA
  56. Agent开发者坦白：窘境中前行：https://mp.weixin.qq.com/s/kCXZN7Wli-RCvZXRb6mF7g
  57. Coze（扣子）一个国内版的类GPTs，使用指南（入门篇）：https://mp.weixin.qq.com/s/-CgVCDAC1lszYewrIHEiHQ
  58. 11 个顶级开源Agent框架：自主运行 AI 的未来（2024 年更新）：https://mp.weixin.qq.com/s/c51C2mfUb9LvZIRMyYZGWA
  59. 【开源看AI】4.2K star！Reor：AI自动帮你发现知识之间的连接：https://mp.weixin.qq.com/s/44QPN2zME2r8yvB5zBdxZA
  60. 如何借助 LLM 设计和实现任务型对话 Agent：https://www.thoughtworks.com/zh-cn/insights/blog/machine-learning-and-ai/how-to-design-task-based-dialogue-Agent-with-LLM
  61. 深度学习之父 Hinton 万字访谈录：中美 AI 竞赛没有退路可言：https://mp.weixin.qq.com/s/W4x4WuorcGNbSWPtpEbwWg
  62. 干货 | IBM：系统性整理Agent架构、框架：https://mp.weixin.qq.com/s/wtlEGcESftf14xLqUFnzhw
  63. LlamaIndex团队技术报告：“RAG的尽头是Agent”：https://mp.weixin.qq.com/s/wuyMN7CLAT9HGYlmjLWUtA
  64. AI时代个人生存/摸鱼探索指南.Beta：https://gamma.app/docs/AIGC-Dev-9y7n4vslcp2bol2?mode=doc
  65. 吴恩达：从 Agent 到 Agentic，超越基础模型的下一代 AI：https://mp.weixin.qq.com/s/Gl74YZn4ylxSHAkwUFB-FA
  66. 基于大模型的Agents之间的记忆共享：https://mp.weixin.qq.com/s/6JOYPPqlCySgIEqWw2c4nQ
  67. 万字长文讲透智能体｜智能体的架构、探索与应用：https://mp.weixin.qq.com/s/2QHKlyAffgDDWZAwHZVEoA
  68. 『深度长文』吴恩达：AI Agent 4种最常见的设计模式：https://mp.weixin.qq.com/s/eDPZJdBjul5jdJedgIoZ4A
posted @ 2024-07-09 20:59  Florian  阅读(100)  评论(0)  编辑  收藏  举报