Hilo de meng shao (@shao__meng)

[Recomendación de código abierto] Acontext: una plataforma de datos contextuales diseñada específicamente para agentes de IA "autoevolutivos". Si comparamos un agente de IA con un empleado, Acontext no es solo su cuaderno (almacenamiento), sino también su entrenador de rendimiento (observación) y su base de conocimientos (aprendizaje). El último proyecto de código abierto de @memobase_io busca resolver el mayor problema en el desarrollo actual de agentes: cómo permitir que los agentes aprendan de experiencias pasadas y se vuelvan cada vez más estables e inteligentes. Posicionamiento central: ¿Qué problema resuelve? La mayoría de los agentes de IA actuales son olvidadizos. Si bien poseen el conocimiento general de LLM, a menudo carecen de memoria a largo plazo y de la acumulación de experiencia necesaria para tareas específicas. El objetivo principal de Acontext es: un lugar donde los agentes puedan almacenar, observar y aprender. Mejora la confiabilidad del agente y la tasa de éxito de la misión a través de tres pasos: • Tienda: Registra lo sucedido. • Observar: Qué tan bien se realizó el análisis. • Aprender: resumir experiencias y hacerlo mejor la próxima vez. Tres capacidades clave 🧠 Almacenamiento (almacenamiento de memoria multisensorial) • Más que solo registros de conversaciones: no solo almacena conversaciones entre el agente y el usuario, sino que también admite el almacenamiento de artefactos. • Similar a un disco duro de computadora: proporciona al Agente un concepto de "disco", donde el Agente puede generar archivos durante la ejecución de la tarea y almacenarlos para su uso posterior. Valor: Asegura la integridad del contexto, haciendo al agente “verificable”. 👁️ Observar (Monitoreo de tareas en segundo plano) • Supervisor invisible: cuando su agente principal esté funcionando, Acontext iniciará un agente de tareas en segundo plano. • Seguimiento en tiempo real: este agente en segundo plano analiza las conversaciones en tiempo real, extrayendo el estado actual de la tarea (Pendiente/Éxito/Fallido), el progreso y las preferencias del usuario. • Valor: Los desarrolladores ya no necesitan adivinar a ciegas dónde está bloqueado el agente; el panel muestra claramente el flujo de ejecución de la tarea y la tasa de éxito. 📘 Aprender (Extracción de Experiencia de SOP): Esta es la función destacada: Extracción de SOP de Acciones: Cuando un Agente completa una tarea compleja, Acontext la evalúa automáticamente. Si la tarea es lo suficientemente compleja y tiene suficiente valor de referencia, extraerá la ruta operativa correcta en un SOP. • Construir un “espacio de habilidades”: estos SOP se almacenarán en un espacio estructurado similar a Notion. • Reutilización de habilidades: cuando el agente vuelve a encontrar una tarea similar, primero buscará en el espacio: "¿Cómo hice esto antes (o lo hizo otro agente)?", y luego llamará directamente al SOP exitoso, en lugar de intentar desde cero. Valor: Permite que el agente evolucione. Cuanto más se utiliza, más procedimientos operativos estándar (POE) se acumulan y más competente se vuelve el agente en la gestión de tareas específicas. Experiencia de desarrollador - Panel visual: viene con una interfaz web local que le permite ver intuitivamente el historial de sesiones, el estado de las tareas, los archivos almacenados y las habilidades acumuladas. • Inicio rápido: admite la implementación con un solo clic con Docker. • SDK multilingüe: proporciona SDK de Python y TypeScript completos que se pueden integrar fácilmente en proyectos SDK de OpenAI, LangChain o Vercel AI existentes. • Pila de tecnología: el backend utiliza principalmente el lenguaje Go y el SDK utiliza Python/TS. Dirección de código abierto: