چانکینگ پویا: انقلاب در بهبود کارایی سیستمهای RAG
اکثر تیمها اندازه چانکها را ثابت در نظر میگیرند و از تنظیمات استانداردی مانند ۵۱۲ توکن با ۵۰ توکن همپوشانی استفاده میکنند. با رشد دادهها و پیچیدهتر شدن پرسوجوها، این انتخاب …
آخرین اخبار Redis
امبدینگها چگونه هوش مصنوعی را قدرتمندتر میکنند؟
بردارهای تعمیدشده یا امبدینگها، نمایشهای عددی از دادهها هستند که به مدلهای هوش مصنوعی کمک میکنند تا روابط معنایی را درک کنند. این فناوری در جستجوی معنایی، سیستمهای توصیهگر و…
چرا عاملهای هوش مصنوعی به بافت زمان واقعی نیاز دارند؟
عاملهای هوش مصنوعی برای تصمیمگیری دقیق به دادههای بهروز متکی هستند. در این مقاله، Redis به چالشی اشاره میکند که در آن یک عامل هوش مصنوعی به دلیل عدم دسترسی به اطلاعات زمان واق…
تفاوت مهندسی زمینه و مهندسی پرامپت چیست؟
مقالهای در بلاگ Redis به بررسی تفاوتهای مهندسی زمینه و مهندسی پرامپت پرداخته است. مهندسی زمینه بر بهینهسازی دادهها و اطلاعاتی تمرکز دارد که مدلهای زبانی برای تولید پاسخ از آن…
گراف دانش: کلید بهبود بازیابی اطلاعات در هوش مصنوعی
مقاله Redis به بررسی استفاده از گراف دانش در معماری RAG برای عاملهای هوش مصنوعی میپردازد. این روش با ساختاری کردن دادهها و ایجاد ارتباطات معنایی، امکان بازیابی دقیقتر اطلاعات ر…
چگونه Redis حافظه عاملهای هوش مصنوعی را مدیریت میکند؟
Redis راهنمای جدیدی برای ساخت عاملهای هوش مصنوعی با حافظه کوتاهمدت و بلندمدت منتشر کرد. حافظه در عاملهای هوش مصنوعی به آنها اجازه میدهد اطلاعات را بین تعاملات ذخیره و بازیابی …
چرا توکنهای بیشتر همیشه بهتر نیستند؟ بررسی کارایی توکن در مدلهای زبانی
مقالهای در بلاگ Redis به بررسی پدیدهای ضدشهری در مدلهای زبانی میپردازد که در آن، افزایش حجم توکنهای ورودی به جای بهبود پاسخها، منجر به کاهش کیفیت خروجی میشود. نویسنده توضیح …
چگونه معماری مسیریاب LLM هزینههای شما را در ۲۰۲۶ کاهش میدهد؟
مقاله Redis به بررسی معماری مسیریاب برای مدلهای زبانی بزرگ (LLM) پرداخته و بهترین شیوهها برای سال ۲۰۲۶ را معرفی میکند. استفاده از مدلهای گرانقیمت مانند GPT-5 برای تمام فراخوان…
چرا عاملهای هوش مصنوعی در محیط تولید شکست میخورند؟
این مقاله به بررسی چالشهای تست عاملهای هوش مصنوعی میپردازد که علیرغم موفقیت در تستهای مرحلهای، در محیط تولید با مشکلاتی مانند تصمیمات اشتباه، فراخوانی APIهای منسوخ و هدر رفت…
کوانتیزاسیون: راهکاری برای سریعتر و ارزانتر کردن مدلهای هوش مصنوعی
اجرای مدلهای زبانی بزرگ هزینهبر است و با رشد برنامهها، هزینههای GPU، حافظه و مالی افزایش مییابد. کوانتیزاسیون به عنوان یک تکنیک رایج، مدلها را ارزانتر و سریعتر اجرا میکند.…
عوامل هوش مصنوعی چندمرحلهای: انقلاب جدید در اتوماسیون هوشمند
عوامل هوش مصنوعی چندمرحلهای برخلاف سیستمهای تکمرحلهای، قادرند وظایف را به مراحل کوچکتر تقسیم کنند. این عوامل میتوانند هر مرحله را به صورت مستقل یا متوالی اجرا نموده و نتایج را …
Redis در برابر ادعای آسیبپذیریهای Kimi K3: چه اتفاقی افتاده است؟
پژوهشگران با استفاده از مدل هوش مصنوعی Kimi K3 ادعای کشف ۱۹ آسیبپذیری روز صفر در Redis کردند. تیم Redis بلافاصله بررسی این ادعا را آغاز کرد. Redis یکی از محبوبترین پایگاههای داد…
هشدار: وصلههای معیوب Redis هزاران سرور را در معرض خطر قرار داد!
توسعهدهندگان Redis وصلههای امنیتی معیوبی را منتشر کردند که باعث آسیبپذیری هزاران سرور شد. آنها تصور میکردند که آسیبپذیری را برطرف کردهاند، اما هکرها به راحتی از این وصلهها …