
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Experții în inteligență artificială „ar putea crede că recuperarea datelor pentru RAG este rezolvată în momentul în care sistemul API-ului de căutare al agentului pornește o interogare în cache. Sună drăguț, dar realitatea este că acea abordare este dureros de limitată… Piața se mișcă rapid, deoarece terabytes de informații noi apar în fiecare secundă pe tot globul. A te baza pe date învechite pentru perspective instantanee pur și simplu nu funcționează. Soluția? Echiparea agenților AI cu instrumente pentru a descoperi surse proaspete și contextuale de pe web (🤫  : aici intervine un API Discover!) Spoiler În acest articol, veți vedea de ce descoperirea live pe web este esențială pentru agenții AI și cum să o realizați cu perspective practice. Haideți să intrăm în subiect! De ce căutarea în cache nu este suficientă Majoritatea echipelor de inteligență artificială presupun că au rezolvat recuperarea imediat ce este implementat un index sau o căutare în cache. Aveți documentele, paginile indexate, baza de date strălucitoare. Toate frumos stocate, gata de a fi furnizate agenților AI, fluxurilor de lucru sau pipeline-urilor! Sună perfect, nu? Ei bine, nu chiar… Iată problema:   mai ales în peisajul hiperconectat și digital-first de astăzi. 🌐 lumea nu stă pe loc… Apar pagini noi, tendințele apar și dispar, surse de nișă apar, iar conținutul existent este actualizat, uneori de mai multe ori pe zi (sau chiar la fiecare câteva secunde! ⏱️). Într-un astfel de mediu însetat de informații, dacă agentul dvs. AI încă preia de la indexarea de ieri sau de săptămâna trecută (chiar și de la motoare de căutare fiabile, cum ar fi Google),  este complet orb la toate acele informații proaspete și relevante! A te baza exclusiv pe căutarea în cache/indexată este ca și cum ai încerca să navighezi într-un oraș folosind o hartă veche 🗺️. Sigur, vei obține niște răspunsuri, dar vei rata străzile, scurtăturile și noile puncte fierbinți care contează cel mai mult. Cunoașterea instantanee necesită  ! (care nu poate fi gestionată de un sistem generic API de căutare al agenților, ci necesită un  , după cum veți vedea în curând…) descoperire pe web API Discover dedicat Descoperirea surselor este o cerință de primă clasă pentru acuratețea instantanee a AI Gândește-te așa: dacă agentul tău AI nu descoperă noi surse, el ghicește (chiar dacă pare încrezător!) La urma urmei, majoritatea pipeline-urilor de recuperare optimizează ceea ce este deja cunoscut: pagini indexate de la motoare de căutare, rezultate ale căutării în cache și domenii pre-aprobate sau cunoscute. Acest lucru este eficient, dar nu este precis… 😬 Descoperirea autonomă a surselor îmbunătățește direct acuratețea în trei moduri cheie: 
 
 
 
 🌍  : Cele mai relevante dovezi se găsesc de obicei   sau a primelor câteva rezultate ale căutării indexate. Aceasta include bloguri de nișă, forumuri comunitare, site-uri de știri regionale, documentație proaspătă sau pagini de destinație noi care nu existau ieri, nu apar încă în rezultatele de top ale Google sau au fost intenționat îngropate de companii. Când te bazezi doar pe căutarea în cache, aceste semnale rămân complet invizibile. Acoperire sporită în afara seturilor de date existente 👀  : Sistemele în cache se defectează în tăcere atunci când lumea se schimbă. Paginile cu prețuri noi, politicile actualizate și evenimentele de ultimă oră sunt puncte comune de eșec. Agenții AI care descoperă activ link-uri relevante din surse noi se pot adapta la informații noi pe măsură ce acestea apar, în loc să rămână blocați în cunoștințe depășite. Reducerea punctelor oarbe ✅  : Nu toate pipeline-urile AI vizează doar găsirea unui răspuns. În unele cazuri, este vorba mai mult despre validarea acelui răspuns în raport cu cele mai recente surse disponibile. Descoperirea live pe web combinată cu recuperarea în timp real permite agenților AI să verifice afirmațiile folosind date de încredere și actuale și să rămână ancorate în realitate. Verificare suplimentară Pe scurt, furnizarea agenților AI cu descoperire pe web (nu doar un API de căutare generic pentru agenți conectat la baza dvs. de date sau care vizează primul rezultat dintr-un motor de căutare) nu este o caracteristică bonus. Este fundația  achiziției instantanee de cunoștințe! Pentru a înțelege mai bine problema și provocările în joc, aruncați o privire la tabelele comparative rezumative de mai jos… 💭 Date statice în cache vs. Date live descoperite 
 
 
 
 
 
 
 
 
 
 
 
 
 Date statice în cache 
 Date live descoperite 
 
 
 
 
 Natură 
 Static. Recuperat o dată sau actualizat ocazional la un program recurent. 
 Dinamic. Preluat în timp real de pe web pe măsură ce apar nevoi de date. 
 
 
 
 
 Acoperire 
 Limitat la surse cunoscute și pre-indexate. Omite conținut nou și de nișă. 
 Se extinde dinamic la pagini noi, surse emergente și conținut actualizat. 
 
 
 
 
 Adaptabilitate 
 Se luptă când lumea se schimbă. Necesită re-indexare sau re-crawl manuală. 
 Se adaptează instantaneu la actualizări, evenimente noi și condiții în schimbare. 
 
 
 
 
 Puncte oarbe 
 Risc ridicat de eșecuri silențioase atunci când datele relevante se află în afara cache-ului. 
 Goluri ascunse datorită capacității de a descoperi link-uri relevante. 
 
 
 
 
 Cel mai potrivit pentru 
 Baze de cunoștințe statice și documentație internă. 
 Agenți AI conștienți de piață, în timp real, care necesită acuratețe instantanee. Surse cunoscute vs. Date de descoperire 
 
 
 
 
 
 
 
 
 
 
 
 
 Surse cunoscute (Sisteme în cache) 
 Date descoperite (din mers) 
 
 
 
 
 Selecția sursei 
 În majoritatea cazurilor, fixă și predefinită. Sursele sunt alese în avans (sau se limitează la pozițiile de top pe motoare de căutare precum Google). 
 Dinamică și adaptivă. Sursele sunt descoperite autonom de agentul AI la momentul interogării. 
 
 
 
 
 Stocare 
 Stocate în baze de date, cache-uri, discuri etc. 
 Adăugate direct în cache-ul agentului AI pe măsură ce le descoperă. 
 
 
 
 
 Formatul datelor 
 Tabele relaționale, fișiere, text și formate similare. 
 De obicei, formate optimizate pentru LLM  . cum ar fi JSON și Markdown 
 
 
 
 
 Modelul de descoperire 
 Nicio descoperire reală. Recuperarea depinde de căutarea în surse de date indexate sau în cache. 
 Descoperire activă a link-urilor, paginilor și resurselor relevante pe web-ul live. 
 
 
 
 
 Prospețime 
 Depinde de programele de indexare sau crawl. Adesea depășit. 
 În timp real. Datele reflectă starea curentă a web-ului. Cum funcționează descoperirea pe web în practică într-un sistem AI agentic Recuperarea datelor în agenții AI se întâmplă de obicei prin RAG ( ). RAG îmbunătățește răspunsurile oferind LLM-urilor informațiile potrivite, îmbunătățind acuratețea răspunsurilor prin ancorare contextuală. Retrieval-Augmented Generation Într-un sistem tradițional de căutare în cache/indexată, sistemul dvs. se bazează pe un API de căutare dedicat agenților. Sistemul preia rezultate care par relevante pe baza interogării utilizatorului. Datele sunt fie preluate într-o bază de date locală, fie recuperate de la motoare de căutare precum Google, vizând de obicei primele rezultate… Are sens, nu? Ieșirea este limitată la ceea ce a indexat și clasificat deja motorul de căutare în top, sau la ceea ce sistemul dvs. de cunoștințe cunoaște deja și a stocat. Asta înseamnă că  . perspectivele pe care le puteți extrage din surse în cache sau indexate sunt limitate prin proiectare Bazele de date vectoriale și algoritmii de similaritate sunt implicați în culise, dar acesta nu este punctul central aici. Problema de bază este evidentă: acest tip de sistem de descoperire a cunoștințelor este constrâns. Nu  . Avem nevoie de o abordare mai bună! poate descoperi activ pagini sau resurse noi, emergente De ce un sistem agentic de descoperire a surselor este soluția Intră în scenă  . Aici, unul sau mai mulți agenți AI au sarcina de a  . Iată cum funcționează în practică: sistemul de descoperire al agenților căuta activ noi surse relevante pe web-ul live 
 
 
 
  și rulați-le pe un sistem dedicat de descoperire a link-urilor, care returnează sute de link-uri (inclusiv multe surse la care nu v-ați fi gândit niciodată) 🔍. Traduceți promptul utilizatorului în interogări de căutare Selectați link-urile care cel mai probabil conțin informații de mare valoare 🎯. Accesați-le și preluați conținutul într-un format pe care LLM-urile îl pot procesa 📝. Pe scurt, sistemul parcurge ciclul   (un proces care nu este atât de diferit de popularul  ). Acest lucru depășește căutarea statică în cache/index: agentul găsește dinamic noi surse pe care s-ar putea să nu vă fi gândit niciodată să le indexați (ceea ce captează adesea cele mai relevante perspective! 😜) descoperă, evaluează și achiziționează model AI de căutare și extragere Încă nu sunteți convins? Ascultați experții… https://www.youtube.com/watch?v=UYXQsd6tQ0M&embedable=true Desigur, niciun agent AI (indiferent de LLM-urile cu care este alimentat) nu poate face acest lucru singur. Are nevoie de un instrument pentru a căuta pe web și a extrage date structurate. Aici intervine un  ! API Discover API-ul de căutare al agenților AI nu este suficient… Soluția este un API Discover Acum că știți că un sistem obișnuit API de căutare al agenților nu este suficient, care este piesa lipsă? 🤔 Piesa lipsă din puzzle-ul agentului AI este instrumentul care permite agenților să descopere autonom noi surse și să extragă informații relevante din acestea. Despre asta este vorba exact într-un API Discover! Deci, ce vă oferă de fapt acest instrument agentului dvs. AI? Îl împuternicește să: 
 
 
 Căutați pe web link-uri precise, actualizate și contextuale pe baza unei interogări de căutare. Returnați o listă lungă de link-uri (peste 100), clasificate în funcție de intenția dvs. folosind unul dintre algoritmii de clasificare disponibili. Cu aceste link-uri, puteți avea încredere în rezultatele de top sau le puteți reordona în funcție de obiectivele dvs. Apoi, extrageți informații din link-urile selectate și le furnizați agentului dvs. AI într-un  . format pregătit pentru LLM Căutați un furnizor fiabil de API Discover? Nu trebuie să căutați mai departe decât  ! Bright Data Bright Data vine echipat cu o listă lungă de  ! soluții de date web pentru AI Aceste soluții sunt construite pe o infrastructură complet scalabilă, cu  . Adăugați  , formate de date optimizate pentru LLM și  peste 150 de milioane de proxy-uri în 95 de țări, 99,99% disponibilitate și 99,99% rată de succes suport 24/7 integrare nativă cu peste 70 de framework-uri AI. Doriți să aflați mai multe? Consultați  ! 🎓 Web Discovery Summit Concluzie În această postare, ați explorat de ce căutarea în cache nu este suficientă și de ce oferirea agenților AI a capacității de a descoperi date și surse noi de pe web este soluția reală. Pentru a obține cunoștințe cu adevărat perspicace și unice, nu puteți conta pe date vechi și statice! Cel mai bun mod de a implementa descoperirea web în timp real este printr-un API Discover. La urma urmei, un API de căutare „tradițional” pentru agenți AI poate interoga doar date în cache sau indexate, în timp ce agenții dvs. AI trebuie să descopere noi surse pentru a fi cu adevărat eficienți. Așa cum ați văzut, Bright Data suportă scenarii de descoperire pe web, precum și o gamă largă de pipeline-uri de date web pentru sisteme AI agentice. Datorită soluțiilor noastre, descoperirea web în timp real nu a fost niciodată mai ușoară! . Haideți să facem datele web accesibile tuturor, inclusiv agenților AI, pentru sisteme mai inteligente. Până data viitoare! Alăturați-vă misiunii noastre începând cu un proces gratuit

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

This writer has a vested interest be it monetary, business, or otherwise, with 1 or more of the products or companies mentioned within.

Acest audio este produs în limba originală a poveștii!

De ce agenții AI trebuie să descopere noi surse, nu doar să se bazeze pe căutări în cache

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

Elon Just Made Gambling Define the News - And It's More Honest Than Journalism Ever Was

The TechBeat: Digital Transformation Success Stories in Mezzanine Lending (3/1/2024)

How Soon Can Google Investors Make Bank?

The Robots Are Taking Over

Elon Just Made Gambling Define the News - And It's More Honest Than Journalism Ever Was

The TechBeat: Digital Transformation Success Stories in Mezzanine Lending (3/1/2024)

How Soon Can Google Investors Make Bank?

The Robots Are Taking Over

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps