如何校正 RAG後的資料集 | 操作教學
點選 RAG 選單進入 RAG 資料及列表，並選定要進行校正的資料集。 在已檢索的資料及列表中點選要校正資料的語料片段。 點選要校正的語料區塊後會展開一個選單，然後編修要校正的資料。 資料編修完後點擊『Update chunk』，更新後的數據就可以寫入 Vector Store完成語料的更新。
Agent 的建立流程以及模型選擇 | 操作教學
這個介面是專門用來管理你的 AI Agent 的工具。在這裡，你可以看到所有已建立的 Agent，了解它們的名稱、類型（例如 Chatbot）、當前狀態（像是是否啟用），以及建立時間。你可以利用這個介面新增 Agent、編輯設定或管理它們的狀態。此外，你還可以使用搜尋功能來快速找到你需要的 Agent，方便你更有效地掌握和控制所有的 LLM Agent。
OpenAI 的 Structured Outputs 與 `gpt-4o-2024-08-06` 模型
OpenAI推出結構化輸出功能，確保模型輸出完全符合開發者提供的JSON結構定義。新模型gpt-4o-2024-08-06性能大幅提升，同時降低了使用成本。該功能支援多種模型，包括GPT-4和GPT-3.5系列，適用於Chat completion、Assistant和Batch API。OpenAI採用了特殊訓練和約束解碼技術，提高了輸出的可靠性。此功能還支援視覺輸入，為多模態應用開闢了新的可能性。然而，使用時需注意某些限制，如資料類型限制和初次處理延遲等。
How to do “Prompt Engineering” right in 2024
提示（Prompt）是生成型AI模型的輸入，用於引導其輸出，可包括文本、圖片、聲音等媒體。Prompt Template是含變量的函數，用於生成具體提示。提示的主要組成部分包括指令（核心意圖）、範例（輔助AI完成任務的示範）、輸出格式指定和風格指示。這些元素共同作用，使提示能夠有效地引導AI完成各種任務，如文本生成、圖像描述和音頻總結等。提示的設計對於獲得準確、相關的AI輸出至關重要。
Python virtual environment with “pyenv” on Ubuntu
What is “pyenv”? pyenv is a popular tool used to manage multiple versions of Python on a single machine. It allows you to easily switch
新時代的基礎建設研究：NVIDIA
前幾天『NVIDIA』發佈財報之後市值整個暴漲 3,000 億美元，創下美股單日最高市值漲幅。因為本身就打算長期投入人工智慧的領域做深耕，所以多少都有部署些資金在我口中的新時代基建上，我今天就想透過這篇簡短的文章來理清一下為何我認為 NVIDIA 這家公司砸長期上值得我們持續關注，不管你是否要買入，一樣的，我這絕對絕對不是投資建議，大家當做是一篇我如何透過 NVIDIA 去一窺 AI 未來 5~10 年發展可能的一篇筆記文就好。
關於 LLM 我只是略懂：Gemma 筆記
Gemma 是一系列輕量級、先進的開放大語言模型，建立於與創造 Gemini 模型相同的研究和技術之上。由『Google DeepMind』和Google 其他團隊開發，Gemma 靈感來自 Gemini，名字反映了拉丁文 gemma 的意思，即「寶石」。除了模型權重外，Google 也發布了工具來支持開發者創新、促進合作，並指導如何負責任的使用 Gemma 模型。
如何用 GTM + GA4 實作 YouTube 影片觀看數據追蹤
文章介紹如何使用Google Tag Manager (GTM)和Google Analytics 4 (GA4)來追蹤YouTube影片的觀看數據。文中提到，若使用YouTube block嵌入影片，事件無法被GTM觸發；而使用Custom HTML block並在URL上添加enablejsapi=1參數，則可成功觸發事件。詳細步驟包括在GTM中配置觸發器和標籤，並在GA4中查看和分析相關數據。此方法可使YouTube影片追蹤更精確和有效。更多詳情請見原文。
來自 YC 對人類文明發展下一階段的使命召喚
本篇的內容來自 YC 今年夏季招募新創團隊的 RFS，我挑選了我很感興趣的領域，不感興趣或跟我專業差太遠的我就只把他們列出來而已，像是『新的防禦技術』、『將製造業帶回美國』、『新的太空公司』、『氣候技術』、『穩定幣金融』以及『終結癌症的方法』等等就跟我們現階段團隊技能組成幾乎完全沒相關，至於其他的幾項我都會沿著脈絡去探索我們公司的機會點在哪裡，我最後會就我目前最愛且最相關的那五個方向做深度的研究。
LLMOps 的探索之路（序章）
LLMOps（Large Language Model Operations）是一個涵蓋了大型語言模型（如 OpenAI 的 GPT 系列、Google 的 PaLM 以及眾多如 Meta 的 LLaMa 這樣的開源 LLMs）開發、部署、維護和優化的一整套實作的方法論和資料管理流程。LLMOps 的存在目標是確保讓開發者甚至一般使用者能夠高效能、高擴展性且安全地使用這些強大的 AI 模型來建構和營運能夠解決使用者問題的應用程式。整個架構牽涉到 #模型訓練、#微調、#RAG、部署、監控、版本控制、更新、安全性、可協作性、可轉移性以及合規性等各個面向。