AI PraktykPO POLSKU
Streszczenia pisze AI z pełnych artykułów, a program sprawdza każdy cytat i liczbę w źródle. Jak to działa
GitHub udostępnił integrację Copilota z wbudowanym asystentem kodowania Xcode w publicznym podglądzie. Integracja jest dostępna od Xcode 27.3 beta i wymaga Maca z macOS Tahoe 26.6 lub nowszym; konfiguruje się ją w Xcode > Settings > Intelligence. Obsługiwane są wszystkie plany Copilot, a rozszerzenie GitHub Copilot for Xcode pozostaje osobną opcją.
Wydanie datasette-apps 0.3a0 rozwija integrację z Datasette Agent, dodając oznaczanie aplikacji w rozmowie i narzędzia do zarządzania zapytaniami, z których mogą korzystać. Wpisanie # w rozmowie podpowiada aplikacje, które użytkownik może przeglądać. Dodawanie zapytań zapisujących wymaga wcześniejszej zgody użytkownika, a app_create() sprawdza, czy zapytania istnieją i czy użytkownik może je przeglądać. Przyciski „View app” i odnośniki do aplikacji otwierają ją na pełnym ekranie w panelu Datasette Agent.
Co z tego dla Ciebie: Możesz oznaczyć aplikację w rozmowie agenta przez # i skonfigurować, które zapisane zapytania może ona wywoływać. Zapytanie zapisujące wymaga zgody użytkownika, a app_create() weryfikuje dostępność zapytań przed utworzeniem aplikacji.
Wydanie datasette-agent 0.5a0 dodaje panel, w którym czat agenta może być otwarty obok stron Datasette, takich jak widok tabeli lub zapytania. W połączeniu z datasette-apps panel pozwala tworzyć aplikację opartą na bazie danych za pomocą promptu, a następnie modyfikować ją z czatu obok aplikacji.
Co z tego dla Ciebie: Możesz pracować nad aplikacją opartą na bazie danych, tworząc ją promptem, a potem modyfikując z czatu wyświetlanego obok niej w panelu Datasette Agent.
Dharma-AI przygotowało Field Extractor, model do pobierania wskazanych pól z dokumentów i zwracania ich jako uporządkowanego JSON-a. Model działa bez schematu, gdy ma sam rozpoznać pola, albo według podanego schematu; w tym drugim trybie zachowuje wskazane klucze i zwraca null dla brakujących danych. Model z 2 miliardami parametrów uzyskał wynik 0,834, wyższy niż testowane konfiguracje modeli frontier, których wyniki mieściły się od 0,816 do 0,741. W porównaniu model działał na pojedynczym L40S, a podany koszt ekstrakcji był od 6 do 147 razy niższy niż w przypadku porównywanych API; autorzy zaznaczają, że koszt własnego wdrożenia zależy od sprzętu, wolumenu i wymaganej latencji.
Co z tego dla Ciebie: Jeśli znasz oczekiwany format danych, możesz wysłać schemat z kluczami używanymi przez swój system i otrzymać wynik bez dodatkowych pól. Dla danych, których nie ma w dokumencie, model zwraca null zamiast wymyślać wartość.
W wydaniu Visual Studio Code 1.145 dodano funkcje dla sesji zdalnych agentów, lokalnych automatyzacji, rozmów i pracy z plikami. W podglądzie przeglądarka w oknie Agents może otwierać strony przez zdalny host agenta, dzięki czemu można tam podejrzeć aplikację uruchomioną przez agenta i przekazać mu uwagi. Zagnieżdżone sesje mogą używać innego harnessu niż sesja nadrzędna, a każda rozmowa zachowuje własny model, agenta i poziomy uprawnień. Lokalne automatyzacje można planować wyrażeniem cron i tworzyć dla nich workspace’owe custom agents, ale harmonogramy cron nie są dostępne dla automatyzacji chmurowych.
Co z tego dla Ciebie: Do podglądania aplikacji uruchomionej przez zdalnego agenta możesz użyć przeglądarki w oknie Agents, zamiast przełączać się do lokalnej sesji. Jeśli potrzebujesz dokładniejszego harmonogramu lokalnego zadania agenta niż gotowe presety, możesz ustawić go wyrażeniem cron.
Powstał otwarty benchmark CloudOpsBench do testowania agentów AI w typowych zadaniach DevOps w chmurze; wersja 1.0 obejmuje 45 zadań na AWS. Najlepszy wynik uzyskał Claude Fable 5.1, rozwiązując 60% zadań, a GPT-6 Astra rozwiązał 53%. Około 80% porażek wynikało z błędnej oceny zakresu zadania, pominięcia istotnych usług lub zbyt wczesnego zakończenia pracy, a około 20% błędów polegało na wykonaniu niewłaściwych działań, czasem z nieodwracalnymi skutkami dla infrastruktury. Zadania działają identycznie w rzeczywistym AWS i emulatorze, a rozszerzenia benchmarku o GCP, Azure i OCI są dopiero planowane.
Co z tego dla Ciebie: Możesz wykorzystać CloudOpsBench do sprawdzenia, jak agent radzi sobie z zadaniami operacyjnymi na AWS, zarówno w rzeczywistej chmurze, jak i w emulatorze. Wyniki sugerują, że warto szczególnie weryfikować, czy agent objął zadaniem wszystkie istotne usługi i nie wykonał niewłaściwych działań.
Otwórz w serwisie: wyszukiwarka całego archiwum, filtry ważności i kategorii