本周的科技新闻涵盖了多个AI领域的最新进展，从大型语言模型（LLMs）的动态提示技术到企业级AI代理框架以及实时预测数学方法。以下是主要内容的概述： 技术与方法 动态和定制提示技术：由郭庆大学的李胜钢在《设计定制化和动态提示》一文中探讨了如何为大型语言模型创建动态和定制提示。定制提示针对特定任务提供固定的指令，而动态提示能够根据对话上下文调整，实现更加适应性的交互。李胜钢还介绍了几种实用工具，如手动构建、DSPy、dynamic-prompting库、Jinja2 和 LangChain，这些工具可以用于构建高效的 LLM 应用。 正交多项式在柯尔莫哥洛夫-阿诺尔德网络中的应用：Fabio Yáñez Romero 发布了一篇关于使用正交多项式（OPs）替代 B 样条来提高柯尔莫哥洛夫-阿诺尔德网络（KANs）性能的文章。正交多项式在计算效率、减少内存需求和捕捉全局模式方面表现出显著优势。然而，它们需要输入标准化，并且在处理局部变化时可能不如 B 样条有效。文中还介绍了 Chebyshev-KAN 和 Legendre-KAN 的具体实现。 混合注意力方法的二进制序列预测：同样由李胜钢撰写的《混合注意力二进制序列预测》文章介绍了名为 BinaryTrendFormer 的新方法。该模型结合了 n-gram 嵌入、计数感知自注意力和最近加权统计，通过多任务优化和时间序列交叉验证，提高了预测精度。实验代码展示了其在金融、零售、基因组学和工业物联网等领域的应用潜力。 从静态到动态：贝叶斯网络的发展：李胜钢还在另一篇文章中讨论了贝叶斯网络（BNs）的演化，区分了静态和动态两种类型。静态贝叶斯网络利用当前数据和条件概率进行即时风险评估，而动态贝叶斯网络则增加了时间维度，用于预测演变趋势。文章提供了 Python 代码示例，分别实现了静态和动态贝叶斯网络，应用场景包括医疗诊断和股票市场预测。 企业级AI Model Context Protocol 和 CrewAI：Samvardhan Singh 在《通过标准化上下文扩展企业AI》中详细介绍了这两种技术。Model Context Protocol（MCP）通过标准化安全访问业务数据的方式，使得 AI 代理能够更好地理解企业环境。CrewAI 则将这些 AI 代理编排成协同工作团队，解决复杂的任务。两者共同为企业提供了一个结构化的数据访问和代理协调框架，从查询到完成的全流程进行了技术解读。 LLM 代理 理解LLM代理：Allohvk 的文章《理解LLM代理：概念、模式和框架》深入探讨了 LLM 代理的定义及其在复杂任务中的应用。LLM 代理通过与环境和工具的互动，利用 LLM 解决问题，区别于静态工作流程。文中还提到了 ReAct 原则、内存整合、工具使用和代理型 RAG 等关键技术点。文章特别强调了 Model Context Protocol（MCP）和 Agent-to-Agent（A2A）协议的发展，以及代理评估的挑战。 社区与合作 本周AI调查：面向AI社区发起的一项调查，询问哪些突破性研究真正改变了大家对AI的看法或方法。 合作机会：在 Learn AI Together Discord 社区内，许多成员正在寻找合作伙伴进行AI项目，如模型训练和AI素养提升。感兴趣的读者可以在相关频道内联系。 业内评价与公司背景 业内人士认为，这些新技术的提出和发展为 AI 领域带来了重要转变，尤其是在动态交互和企业应用场景中。正交多项式在 KAN 中的应用提高了模型的计算效率，混合注意力方法则为二进制序列预测带来了新的解决方案。Model Context Protocol 与 CrewAI 为企业AI系统的规模化提供了标准框架，而 LLM 代理的发展为自动化任务处理打开了新的路径。 郭庆大学（Towards AI）是一家致力于AI教育和技术推广的公司，由 Louis-François Bouchard 共同创立，旨在通过高质量的内容帮助更多人理解和应用 AI 技术。