TGViewer
هوش مصنوعی و علم داده به فارسی هوش مصنوعی و علم داده به فارسی @dataplusscience · 6.06K subscribers
Post #3635 209
7508132472585523200_01_@DataPlusScience_7508132472585523200_01.pdf166.2 KB
‏مهندسی حلقه (Loop Engineering) در ایجنت‌های هوش مصنوعی

‏طراحی یک حلقه تکرارِ قابل‌اطمینان برای ایجنت‌های هوش مصنوعی، تفاوت بین یک سیستم کارآمد و یک «تردمیل» بی‌پایان است. مهندسی حلقه به معنای طراحی چرخه‌ای است که در آن ایجنت عمل می‌کند، مشاهده می‌کند و نتایج را ارزیابی می‌کند تا به هدف برسد، بدون اینکه در چرخه‌های تکراری گرفتار شود. برای دنبال‌کردن مراحل و توضیحات بیشتر، راهنمای کامل در سایت را ببینید.

‏مهم‌ترین نکات برای پیاده‌سازی این حلقه‌ها:

‏• ارزیابی (Evaluation): وجود مرحله ارزیابی الزامی است تا ایجنت بفهمد آیا به هدف رسیده یا نیاز به ادامه مسیر دارد. بدون این مرحله، حلقه فقط تا اتمام بودجه اجرا می‌شود.
‏• شرایط توقف (Termination Conditions): پیش از نوشتن حلقه، باید قواعد خروج را تعیین کنید: دستیابی به هدف، رسیدن به حداکثر مراحل، کاهش اعتماد به نفس مدل یا تکرار خطاها.
‏• مدیریت بودجه: علاوه بر تعداد گام‌ها، محدودیت‌هایی برای «زمان»، «هزینه توکن» و «تعداد فراخوانی ابزارها» در نظر بگیرید.
More from @dataplusscience
  1. Sep 29, 2026‏🎙️ انتشار ابزار متن‌باز شبیه‌ساز صدا و دوبله ‏یک توسعه‌دهنده پروژه‌ای به نام Voi…
  2. Sep 29, 2026‏🤖 ارزیابی مدل‌های زبانی بزرگ: قضاوت AI با ترجیح به خود ‏مطالعه‌ای جدید نشان می‌د…
  3. Sep 29, 2026‏⚠️ دور زدن فیلترهای امنیتی توسط مدل‌های OpenAI ‏تیم OpenAI برای دومین بار در سه م…
  4. Sep 29, 2026‏🤖 بازگشت اشتراک ۲۰۰ دلاری OpenAI با مدل محاسباتی جدید ‏شرکت OpenAI از فردا امکان…
  5. Sep 29, 2026‏🤖 عرضه مدل جدید Claude 3.5 Sonnet ‏شرکت Anthropic نسخه جدید مدل Claude 3.5 Sonne…
  6. Sep 29, 2026🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #128 | 📌 8 آیتم گزارش | 🧾…
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →