OpenAI ha lanciato l'agente ChatGPT ieri. La demo è stata impressionante, ma ricorda che abbiamo già avuto capacità agentiche migliori da molto tempo. Ecco un confronto 1:1 tra l'agente ChatGPT e @genspark_ai, utilizzando lo stesso prompt. E questo è solo l'inizio!

Non sono più sicuro di cosa pensare di questo libro. Era un libro fantastico in un periodo in cui la maggior parte di queste idee sembrava preziosa, ma è anche responsabile di alcune delle più grandi atrocità che abbia mai visto. Non consiglio più alle persone di leggerlo. Non l'ho fatto da un po'.

Di gran lunga, uno dei migliori corsi che abbia mai seguito. La prossima coorte inizia il 4 agosto. Puoi unirti a .

Ecco come scrivere codice 10 volte migliore con 10 volte meno sforzo. Agenti personalizzati e specializzati che esaminano il tuo codice in ogni fase del processo. Ho visto recensioni di codice automatizzate in passato, ma mai con la possibilità di definire i tuoi agenti revisori personalizzati. @baz_scm è il primo a riuscirci, ed è davvero interessante. Ci sono tre tipi di agenti revisori: 1. Quelli che arrivano già pronti all'uso. Questi agenti coprono i modelli più comuni che tutti vogliono controllare: codice duplicato, codice rotto, codice complesso, ecc. 2. Agenti revisori raccomandati che Baz crea automaticamente per te. Baz analizza la tua storia di revisioni e i commenti passati per identificare i modelli che ti interessano, e poi crea automaticamente agenti specializzati nel controllare quei modelli. Ad esempio, se chiedi sempre ai tuoi sviluppatori di mantenere i file sotto le 100 righe di codice, Baz lo rileverà e creerà un agente personalizzato che controlla questo. 3. Agenti revisori personalizzati che definisci tu. Questi sono i miei preferiti: scrivi un prompt che spiega le tue regole, e il tuo agente inizierà a controllare il tuo codice per segnalare qualsiasi cosa che corrisponda alle regole. Ho creato un semplice agente revisore nel video allegato. Onestamente, a questo punto, non hai scuse per spedire codice scadente. Ecco un link per provare questi agenti revisori personalizzati: Grazie al team di @baz_scm per aver collaborato con me a questo post.

Sviluppo front-end. 2010 - 2024.

Onestamente, la maggior parte degli sviluppatori di intelligenza artificiale è ancora bloccata nel secolo scorso. Mi stupisce quanti pochi siano a conoscenza dell'Analisi degli Errori. Questo è *letteralmente* il modo più veloce ed efficace per valutare le applicazioni di intelligenza artificiale, e la maggior parte dei team è ancora impegnata a inseguire fantasmi. Per favore, smettete di tracciare metriche generiche e seguite questi passaggi: 1. Raccogliete campioni di fallimento Iniziate a rivedere le risposte generate dalla vostra applicazione. Prendete appunti su ogni risposta, specialmente quelle che sono state errori. Non è necessario formattare i vostri appunti in alcun modo specifico. Concentratevi nel descrivere cosa è andato storto con la risposta. 2. Categorizzate i vostri appunti Dopo aver esaminato un buon numero di risposte, prendete un LLM e chiedetegli di trovare schemi comuni nei vostri appunti. Chiedetegli di classificare ogni appunto in base a questi schemi. Finirete con categorie che coprono ogni tipo di errore commesso dalla vostra applicazione. 3. Diagnosticate gli errori più frequenti Iniziate concentrandovi sul tipo di errore più comune. Non volete perdere tempo a lavorare su errori rari. Analizzate le conversazioni, gli input e i log che portano a quei campioni errati. Cercate di capire cosa potrebbe causare i problemi. 4. Progettate correzioni mirate A questo punto, volete determinare come eliminare gli errori diagnosticati nel passaggio precedente il più rapidamente e a minor costo possibile. Ad esempio, potreste modificare i vostri prompt, aggiungere regole di validazione extra, trovare più dati di addestramento o modificare il modello. 5. Automatizzate il processo di valutazione Dovete implementare un processo semplice per rieseguire un set di valutazione attraverso la vostra applicazione e valutare se le vostre correzioni sono state efficaci. La mia raccomandazione è di utilizzare un LLM come Giudice per eseguire campioni attraverso l'applicazione, classificarli con un tag PASS/FAIL e calcolare i risultati. 6. Tenete d'occhio le vostre metriche Ogni categoria che avete identificato durante l'analisi degli errori è una metrica che volete monitorare nel tempo. Non arriverete da nessuna parte ossessionandovi su "rilevanza", "correttezza", "completezza", "coerenza" e qualsiasi altra metrica standard. Dimenticate queste e concentratevi sui veri problemi che avete trovato.

Suggerimento per costruire un RAG migliore: Avvolgi i tuoi chunk con metadati aggiuntivi. Aggiungi quante più informazioni contestuali a ciascun chunk puoi trovare. Questo renderà il tuo recuperatore 10 volte migliore.

La generazione di video AI mi stupisce ogni giorno! Ecco Einstein e Da Vinci che parlano del mio programma di ingegneria AI/ML. Il video è buono, ma il programma è ancora migliore, e la prossima coorte inizia tra meno di 3 settimane: .

Il cursore non guida più. Claude Code e Gemini Code sono, a mio avviso, avanti rispetto a tutti gli altri. Windsurf è morto, e VSCode Copilot è troppo indietro.

Questo è Kiro - l'IDE AI che funziona davvero sui tuoi progetti disordinati e reali. Altri strumenti AI perdono il contesto quando i progetti diventano complessi. Kiro ti offre uno sviluppo guidato dalle specifiche che si espande oltre i prototipi. Anteprima gratuita disponibile ora #KiroDotDev