事件驱动相关 AI 资讯 · AI 热点

7月17日

23:21

23:21

官方账号LangChain@LangChainAI

LangChain将于7月23日举办网络研讨会，由Sydney Runkle主讲。内容涵盖agent循环、验证循环、事件驱动循环和hill-climbing循环。这些方法帮助团队构建更可观察、可测试且可靠的系统。报名链接位于events.langchain.com。

行业 LangChain 智能体可观测性

推荐理由：想学怎么用不同循环搭可靠的AI系统？LangChain这个研讨会专家亲自讲，很有干货。

7月7日

01:21

01:21

官方一手AWS Machine Learning Blog@Maria Masood

精选

AWS发布教程，使用Amazon Nova Forge和Amazon SageMaker HyperPod构建两阶段多轮强化学习基础设施。该管道是事件驱动：上传训练数据到Amazon S3即可自动触发训练任务。示例训练模型玩Wordle游戏，作为用户自定义RL任务的占位符。

技巧 Amazon Nova Forge Amazon SageMaker HyperPod 强化学习

推荐理由：AWS手把手教你用SageMaker HyperPod+Nova Forge搭RL训练管道，上传数据到S3就自动开练，还用Wordle做了例子。

7月1日

07:27

07:27

Ate-a-Pi@svpino

该示例模拟新员工入职流程，展示3个模式：持久状态机确保状态不丢失、事件驱动智能体通过webhook触发无需轮询、多智能体委托替代单智能体。代码可在Gemini Enterprise Platform上运行，GitHub仓库包含完整源码和解释。作者与Google Cloud AI团队合作发布。

技巧 Gemini Enterprise Platform 持久状态机事件驱动

推荐理由：想搞长时间运行还不掉链子的智能体？这个示例教你怎么用状态机和事件驱动，还能多个智能体分工协作，代码都有了。

6月1日

10:50

10:50

官方一手arXiv: DeepSeek@Zijie Zhao, Roy E. Welsch

精选

该研究提出一种面向金融事件驱动RAG的贝叶斯源记忆机制，通过市场反馈（已到期残差收益）动态更新检索来源的信任度，而不微调LLM本身。在FNSPID数据集89只纳斯达克股票上，冻结LLM+源记忆相比无记忆基线，宏F1从0.438提升至0.471，下游投资组合Sharpe比率从0.52跃升至0.84。实验表明，在金融RAG中，学会信任哪些信息来源比学会如何阅读更重要，且该方法简单模块化，可直接适配市场变化。

论文金融RAG 检索增强生成贝叶斯记忆

推荐理由：金融量化团队终于有了一个不折腾大模型、只优化检索来源就能显著提升收益风险比的方案——Sharpe从0.52到0.84的跃升很实在，做事件驱动策略的可以直接参考这个贝叶斯记忆模块。

5月20日

15:08

15:08

AI Will@FinanceYF5

精选72°

Google 新论文 Nexus 提出，时间序列预测不应仅依赖历史曲线，还需理解背后的事件。该方法将预测任务拆分为多个 agent：整理事件、判断环境、追踪冲击和综合校准。在 Zillow 数据集测试中，使用 Claude 的 Nexus 版本比普通 CoT 提示平均 MAPE 降低 86.6%。这标志着预测模型从单纯画曲线转向解释曲线为何变动，为金融、房地产等领域提供更可解释的预测。

论文时间序列预测多智能体事件驱动

推荐理由：做时间序列预测的团队终于有了新思路——Nexus 把事件理解引入预测，MAPE 降低 86.6% 的效果值得在业务中试试。