Uma coisa que notei enquanto testava agentes de IA é que a inteligência não é mais o gargalo.
É a continuidade.
Recentemente, executei um fluxo de trabalho em múltiplas etapas no OpenGradient que se estendeu por várias sessões. As tarefas em si não eram difíceis, mas dependiam de decisões tomadas anteriormente no processo.
O que se destacou não foi a qualidade de nenhuma resposta única.
Foi o fato de que o agente poderia retomar de onde parou.
Isso muda a experiência mais do que as pessoas percebem.
Com a maioria dos sistemas sem estado, você está constantemente reconstruindo o contexto. Re-explicando requisitos. Repetindo saídas anteriores. Lembrando o modelo por que uma decisão foi tomada três prompts atrás.
O resultado é que fluxos de trabalho simples se tornam desnecessariamente longos.
O OpenGradient parece estar adotando uma abordagem diferente. A rede já lidou com mais de 2 milhões de inferências, e uma parte significativa do design parece focada em preservar um estado útil entre interações em vez de tratar cada prompt como um evento isolado.
O que é interessante é como as expectativas dos usuários mudam rapidamente uma vez que a memória existe.
No momento em que um agente lembra ações anteriores, você para de avaliar respostas individuais e começa a avaliar a consistência ao longo do tempo.
Uma resposta decente se torna uma expectativa.
Um detalhe esquecido se torna notável.
Esse é um problema muito mais difícil de resolver.
Construir memória é um desafio.
Construir memória na qual os usuários confiem o suficiente para parar de pensar nela completamente é outro.
E eu acho que é aí que a próxima fase da competição em IA será vencida.
@OpenGradient $OPG #OPG #opg
É a continuidade.
Recentemente, executei um fluxo de trabalho em múltiplas etapas no OpenGradient que se estendeu por várias sessões. As tarefas em si não eram difíceis, mas dependiam de decisões tomadas anteriormente no processo.
O que se destacou não foi a qualidade de nenhuma resposta única.
Foi o fato de que o agente poderia retomar de onde parou.
Isso muda a experiência mais do que as pessoas percebem.
Com a maioria dos sistemas sem estado, você está constantemente reconstruindo o contexto. Re-explicando requisitos. Repetindo saídas anteriores. Lembrando o modelo por que uma decisão foi tomada três prompts atrás.
O resultado é que fluxos de trabalho simples se tornam desnecessariamente longos.
O OpenGradient parece estar adotando uma abordagem diferente. A rede já lidou com mais de 2 milhões de inferências, e uma parte significativa do design parece focada em preservar um estado útil entre interações em vez de tratar cada prompt como um evento isolado.
O que é interessante é como as expectativas dos usuários mudam rapidamente uma vez que a memória existe.
No momento em que um agente lembra ações anteriores, você para de avaliar respostas individuais e começa a avaliar a consistência ao longo do tempo.
Uma resposta decente se torna uma expectativa.
Um detalhe esquecido se torna notável.
Esse é um problema muito mais difícil de resolver.
Construir memória é um desafio.
Construir memória na qual os usuários confiem o suficiente para parar de pensar nela completamente é outro.
E eu acho que é aí que a próxima fase da competição em IA será vencida.
@OpenGradient $OPG #OPG #opg