This media is not supported in your browser
VIEW IN TELEGRAM
#пытаюсьпонять
Память АИ Агента
Память агента — это контекст, который передаётся в LLM через подсказку (prompt). Она помогает агенту учитывать предыдущие взаимодействия и данные, которые в данный момент недоступны.
Память можно разделить на следующие типы:
1. Эпизодическая память – хранит прошлые взаимодействия и действия агента. После выполнения действия система записывает его в постоянное хранилище (например, векторную базу данных), чтобы в будущем можно было извлечь и использовать этот опыт.
2. Семантическая память – содержит внешнюю информацию, доступную агенту, а также его “внутренние” знания. Это можно представить как контекст в RAG (Retrieval-Augmented Generation): например, справочные данные, документация или специализированные сведения, которые помогают агенту давать точные ответы.
3. Процедурная память – включает системную информацию: структуру системных подсказок (prompts), доступные инструменты, ограничения безопасности и другие настройки работы агента. Обычно она хранится в Git-репозиториях или конфигурационных файлах.
4. Оперативная память – временное хранилище информации, извлекаемой из долговременной памяти, если она нужна для выполнения текущей задачи.
5. Рабочая (кратковременная) память – включает всю информацию, собранную из долговременной и оперативной памяти, которая затем используется для формирования финальной подсказки (prompt) перед отправкой в LLM. Она определяет, какие действия агент выполнит далее.
Обычно эпизодическая, семантическая и процедурная память относятся к долговременной, а рабочая память – к кратковременной.
Обычно эпизодическая, семантическая и процедурная память относятся к долговременной памяти, а оперативная – к кратковременной.
Все зависит от того, как вы спроектируете архитектуру агентной системы. Грамотное управление памятью позволяет агенту лучше планировать и адаптироваться к задачам.
Память АИ Агента
Память агента — это контекст, который передаётся в LLM через подсказку (prompt). Она помогает агенту учитывать предыдущие взаимодействия и данные, которые в данный момент недоступны.
Память можно разделить на следующие типы:
1. Эпизодическая память – хранит прошлые взаимодействия и действия агента. После выполнения действия система записывает его в постоянное хранилище (например, векторную базу данных), чтобы в будущем можно было извлечь и использовать этот опыт.
2. Семантическая память – содержит внешнюю информацию, доступную агенту, а также его “внутренние” знания. Это можно представить как контекст в RAG (Retrieval-Augmented Generation): например, справочные данные, документация или специализированные сведения, которые помогают агенту давать точные ответы.
3. Процедурная память – включает системную информацию: структуру системных подсказок (prompts), доступные инструменты, ограничения безопасности и другие настройки работы агента. Обычно она хранится в Git-репозиториях или конфигурационных файлах.
4. Оперативная память – временное хранилище информации, извлекаемой из долговременной памяти, если она нужна для выполнения текущей задачи.
5. Рабочая (кратковременная) память – включает всю информацию, собранную из долговременной и оперативной памяти, которая затем используется для формирования финальной подсказки (prompt) перед отправкой в LLM. Она определяет, какие действия агент выполнит далее.
Обычно эпизодическая, семантическая и процедурная память относятся к долговременной, а рабочая память – к кратковременной.
Обычно эпизодическая, семантическая и процедурная память относятся к долговременной памяти, а оперативная – к кратковременной.
Все зависит от того, как вы спроектируете архитектуру агентной системы. Грамотное управление памятью позволяет агенту лучше планировать и адаптироваться к задачам.
👍3⚡1
Forwarded from vc.ru
This media is not supported in your browser
VIEW IN TELEGRAM
Пока в соцсетях обсуждали китайского ИИ-агента Manus, OpenAI выпустила инструменты для создания «самостоятельных» ИИ-помощников на базе Operator и GPT-4o.
В заметке собрали отзывы, инструкции разработчиков и примеры компаний, которые уже запустили своих ИИ-агентов
vc.ru/ai/1862076
В заметке собрали отзывы, инструкции разработчиков и примеры компаний, которые уже запустили своих ИИ-агентов
vc.ru/ai/1862076
👍3⚡1
Forwarded from NN
AirPods могут получить функцию синхронного перевода. Можно будет разговаривать с иностранцами на любых языках и понимать их.
В момент разговора понадобятся AirPods и iPhone. Смартфон будет автоматически улавливать речь, переводить ее и отдавать обратно в наушники.
По словам Марка Гурмана, новая функция может появиться уже в конце года, вместе с выходом iOS 19.
В момент разговора понадобятся AirPods и iPhone. Смартфон будет автоматически улавливать речь, переводить ее и отдавать обратно в наушники.
По словам Марка Гурмана, новая функция может появиться уже в конце года, вместе с выходом iOS 19.
👍4👏1
This media is not supported in your browser
VIEW IN TELEGRAM
Встречайте Blender MCP, Claude AI теперь может напрямую общаться с Blender.🤯
Мгновенно превращайте любые подсказки или 2D-изображения в потрясающие 3D-сцены.
Мгновенно превращайте любые подсказки или 2D-изображения в потрясающие 3D-сцены.
👍3🤯2🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
Claude AI может видеть внутреннюю часть сцены Blender, и поэтому может мгновенно воссоздать ее как интерактивную веб-страницу
🤯4🔥2👍1
This media is not supported in your browser
VIEW IN TELEGRAM
Появился MCP (Model Context Protocol Integration) для Sketchup
SketchupMCP подключает Sketchup к Claude AI через Model Context Protocol (MCP), позволяя Claude напрямую взаимодействовать и управлять Sketchup. Эта интеграция позволяет выполнять 3D-моделирование с подсказками, создавать сцены и манипулировать ими в Sketchup.
SketchupMCP подключает Sketchup к Claude AI через Model Context Protocol (MCP), позволяя Claude напрямую взаимодействовать и управлять Sketchup. Эта интеграция позволяет выполнять 3D-моделирование с подсказками, создавать сцены и манипулировать ими в Sketchup.
👍3⚡2
#пытаюсьпонять
MCP (Model Context Protocol) - что это?
Открытый стандарт, который решает основную проблему приложений LLM — их подключение к внешним данным. Благодаря нему не нужно создавать индивидуальные интеграции для каждого источника данных.
То есть это "мостик" между LLM и внешними сервисами, клиентами, приложениями и т.д.
А какой от этого протокола эффект уже становится видно по появляющимся примерам его использования. пример
MCP (Model Context Protocol) - что это?
Открытый стандарт, который решает основную проблему приложений LLM — их подключение к внешним данным. Благодаря нему не нужно создавать индивидуальные интеграции для каждого источника данных.
То есть это "мостик" между LLM и внешними сервисами, клиентами, приложениями и т.д.
А какой от этого протокола эффект уже становится видно по появляющимся примерам его использования. пример
⚡3👍1
This media is not supported in your browser
VIEW IN TELEGRAM
2D Sketch -> Claude 3.7 -> 3D model
🤯4⚡2
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
Языковая 3Д-генерация.
У нас есть некоторое количество сервисов для 3Д-генерации, о которых я неоднократно писал.
Проблема там в основном в топологии (каша) и в качестве текстур. Плюс в ограниченности сцены - как правило это один объект.
Уже неделю как интернет бомбит от связки Блендора и Клода 3.7 через MCP, о которой я уже писал.
Ну и действительно, поглядите на пример.
Все, что потребовалось здесь, это сгенерировать картинку, а потом сказать Клюду:
"Recognize any elements of this scene individually. Describe them precisely, then build them in a scene."
"Распознай все элементы этой сцены по отдельности. Опишите их точно, а затем сделай из них сцену".
"Традиционные" 3Д-генераторы тоже пытаются распознать картинку, потом сгенерить ее с разных ракурсов, а потом восстановить 3Д из нескольких картинок. А Клод пытается "собрать\отрендерить сцену" с помощью, грубо говоря, скриптов для Блендора - запуская разные команды, о которых он в курсе. Процедурное моделирование на стрероидах LLM.
Понятно, что пока довольно примитивные сцены, понятно, что замоделить голову неведомого ему персонажа будет сложновато, но дайте время.
Интересно подумать, над специальным файнтюном как для распознавания картинок, так и для (и особенно) для Блендора. Файнтьюн, который обучен на последовательностях действий и сценах.
Просто сцены, которые генерит Клод, отлично редактируются, анимируются - это нормальная геометрия, а не обмылки из 3Д-генераторов.
Интересно, посмотреть, что будет дальше.
@cgevent
У нас есть некоторое количество сервисов для 3Д-генерации, о которых я неоднократно писал.
Проблема там в основном в топологии (каша) и в качестве текстур. Плюс в ограниченности сцены - как правило это один объект.
Уже неделю как интернет бомбит от связки Блендора и Клода 3.7 через MCP, о которой я уже писал.
Ну и действительно, поглядите на пример.
Все, что потребовалось здесь, это сгенерировать картинку, а потом сказать Клюду:
"Recognize any elements of this scene individually. Describe them precisely, then build them in a scene."
"Распознай все элементы этой сцены по отдельности. Опишите их точно, а затем сделай из них сцену".
"Традиционные" 3Д-генераторы тоже пытаются распознать картинку, потом сгенерить ее с разных ракурсов, а потом восстановить 3Д из нескольких картинок. А Клод пытается "собрать\отрендерить сцену" с помощью, грубо говоря, скриптов для Блендора - запуская разные команды, о которых он в курсе. Процедурное моделирование на стрероидах LLM.
Понятно, что пока довольно примитивные сцены, понятно, что замоделить голову неведомого ему персонажа будет сложновато, но дайте время.
Интересно подумать, над специальным файнтюном как для распознавания картинок, так и для (и особенно) для Блендора. Файнтьюн, который обучен на последовательностях действий и сценах.
Просто сцены, которые генерит Клод, отлично редактируются, анимируются - это нормальная геометрия, а не обмылки из 3Д-генераторов.
Интересно, посмотреть, что будет дальше.
@cgevent
👍5⚡1
Forwarded from Метаверсище и ИИще (Sergey Tsyptsyn ️️)
Заканчиваем 3Д-марафон эпическим сравнением 3Д-генераторов.
От самого Энди Прайса - Блендор Гуру.
Поглядите картинки, они красноречивы сами по себе.
Там правда есть момент, Энди не юзал Rodin Pro, за что ему насовали в коментах. Потом исправился, но не на всех тестах.
А я просто переведу твит Энди, так как сильно согласен с ним насчет редакитруемости и топологии.
Несколько тестов, чтобы понять, стоит ли художникам беспокоиться об искусственном интеллекте.
Честно говоря, ИИ стал очень хорош (особенно Prism: https://3daistudio.com). Но редактирование еще долго будет оставаться его главной проблемой. Кашеобразные(messy) сетки означают, что даже небольшие исправления требуют дорогостоящего ретопа.
Лучше всего ИИ справляется с непрозрачными, гладкими формами, которые часто встречаются в датасетах (автомобили, люди и т.д.), и хуже всего - со сложными объектами с мелкими деталями (деревья и т.д.)
Один из навыков, который будет очень ценен в будущем, - это ретоп и текстурирование. Если вы хотите повысить квалификацию, изучите любой существующий сегодня рабочий процесс по очистке фотограмметрии, потому что это, по сути, одно и то же.
Или сосредоточьтесь на "hero assets". Все, что находится близко к камере, должно быть точным, а AI-модели таковыми не является.
К игровым активам также предъявляются гораздо более сложные требования (UV-пространство, герметичные сетки, оптимизированные шейдеры), и я сомневаюсь, что ИИ сможет решить это в течение некоторого времени.
https://x.com/andrewpprice/status/1901678647850717638
@cgevent
От самого Энди Прайса - Блендор Гуру.
Поглядите картинки, они красноречивы сами по себе.
Там правда есть момент, Энди не юзал Rodin Pro, за что ему насовали в коментах. Потом исправился, но не на всех тестах.
А я просто переведу твит Энди, так как сильно согласен с ним насчет редакитруемости и топологии.
Несколько тестов, чтобы понять, стоит ли художникам беспокоиться об искусственном интеллекте.
Честно говоря, ИИ стал очень хорош (особенно Prism: https://3daistudio.com). Но редактирование еще долго будет оставаться его главной проблемой. Кашеобразные(messy) сетки означают, что даже небольшие исправления требуют дорогостоящего ретопа.
Лучше всего ИИ справляется с непрозрачными, гладкими формами, которые часто встречаются в датасетах (автомобили, люди и т.д.), и хуже всего - со сложными объектами с мелкими деталями (деревья и т.д.)
Один из навыков, который будет очень ценен в будущем, - это ретоп и текстурирование. Если вы хотите повысить квалификацию, изучите любой существующий сегодня рабочий процесс по очистке фотограмметрии, потому что это, по сути, одно и то же.
Или сосредоточьтесь на "hero assets". Все, что находится близко к камере, должно быть точным, а AI-модели таковыми не является.
К игровым активам также предъявляются гораздо более сложные требования (UV-пространство, герметичные сетки, оптимизированные шейдеры), и я сомневаюсь, что ИИ сможет решить это в течение некоторого времени.
https://x.com/andrewpprice/status/1901678647850717638
@cgevent
👍5⚡1