Araştırma ajanına kütüphane kartı: alphaXiv, DeepWiki for Research'ü açtı

Milyonlarca makale, blog ve araştırmacı üzerinde çok turlu arama, anahtar kelime ve gömme araçları sunan katman, Claude bağlayıcıları ve ChatGPT eklentileri üzerinden ajanlara bağlanıyor.

Paylaş
Araştırma ajanına kütüphane kartı: alphaXiv, DeepWiki for Research'ü açtı

Araştırma ajanlarının bilinen zaafı kaynakçadır: model güçlü olsa da literatüre erişimi yoksa tekerleği yeniden keşfeder. arXiv üzerine kurulu tartışma ve keşif platformu alphaXiv, buna doğrudan bir cevap açtı: DeepWiki for Research. Sloganı da iddiasını özetliyor: araştırma ajanlarınız devlerin omuzlarına çıksın.

Paket, milyonlarca makale, blog ve araştırmacı profili üzerinde çalışan üç araç katmanı sunuyor: hızlı çok turlu getirme (ajan, bulduklarına göre aramayı derinleştiriyor), klasik anahtar kelime araması ve anlam temelli gömme (embedding) araması. Asıl haber dağıtım tarafında: katman artık Claude bağlayıcıları ve ChatGPT eklentileri üzerinden doğrudan bağlanabiliyor; ayrıca MCP sunucusu olarak her uyumlu ajana açık. Yani literatür taraması, ajanın içinden tek araç çağrısına iniyor.

Tanıtım görselindeki örnek de günün ruhuna uygun: sistem, Google DeepMind'ın "AI co-mathematician" makalesini özetlerken onu "matematik araştırması için Claude Code inşa etme girişimi" diye anlatıyor; sohbet penceresi yerine kalıcı çalışma tezgahı kuran, koşum takımı yaklaşımlı bir ajan. Araştırma dünyasının da yazılımdaki ajan kalıplarına kaydığının küçük ama net bir işareti.

Bizim açımızdan notu düşelim: bu katmanı kendi ajan hattımıza bağladık; arXiv kaynaklı haberlerde doğrulama ve bağlam taraması artık bu araçlarla da yapılacak. Ajan çağının kazananları, en iyi modele sahip olanlar kadar en iyi kütüphaneye bağlananlar olacak gibi görünüyor.

Devamını oku

Liquid AI تطلق أكبر نماذج LFM2.5 المفتوحة لتشغيل الوكلاء على الأجهزة

Liquid AI تطلق أكبر نماذج LFM2.5 المفتوحة لتشغيل الوكلاء على الأجهزة

أطلقت Liquid AI نموذج LFM2.5-24B-A2B كنموذج مفتوح، ويضم 24 مليار معامل إجمالا لكنه يشغل نحو 2.5 مليار منها في كل خطوة. وبحسب النتائج التي نشرتها الشركة، يولد النموذج المدرب للوكلاء الذين يستخدمون الأدوات 184 رمزا في الثانية على Apple M5 Max.

GlobalFeed Editor tarafından