F*ck, sana mayroon akong ganito nung una kong nag-post. Ang Grok Bot ay nag-aalaga na ng admin side ng aking content, at nanggaling ito sa 5 prompts. Ang aking morning brief ay dumadating bago ko buksan ang laptop ko, at ang bawat reply sa brand ay naka-draft na para sa akin. Narito ang ginagawa ng 5 prompts para sa akin: step 1 → i-paste ang mga prompt sa ibaba sa Grok Bot sa Grok 4.7, muna ang morning brief step 2 → araw-araw na linggo, ang aking brief ay nag-iisip ng mga promos at listahan lamang ng mga email na kailangan ng aking pagtugon, muna ang brand deals step 3 → natatapos ito sa 5 X mentions na值得 sagutin, binabasa sa isang 2-minute voice memo step 4 → ang brand prompt ay pinapasa ang aking sponsorship emails mula sa nakaraang linggo at sinusuri ang bawat brand online step 5 → ito ay nag-draft ng bawat reply gamit ang aking rate card, ngunit binabasa ko pa rin ang bawat isa bago ko ito i-send step 6 → sa 8 AM, ipinapakita nito kung ano ang tumataas sa aking niche, tanging mga bagong bagay mula kahapon step 7 → kapag natapos na ang isang script, ibinibigay nito ang mga rough draft ng thread, LinkedIn post, at newsletter section step 8 → isave ko ito bilang isang skill, kaya sa susunod na linggo, isang linya lang ang kailangan ko para makuha muli ang mga draft na iyon Ang 5 prompts ay nasa card sa ibaba. Basahin ang artikulo sa ibaba at idagdag ang 10 pa sa itaas.

Maaari mong patakbuhin ang sarili mong AI sa iyong computer. Ang karamihan sa mga tao ay nagtatayo nito nang mali at nakakakuha ng mabagal at nakakalimutan na chatbot. Sa GTC 2026, isang product manager ng NVIDIA at isang engineer ng Ollama ay nag-spent ng 33 minuto sa paggawa nito nang tama. 07:38 - quantization at bakit ang Q4_K_M ang default 11:04 - pagpili ng model: VRAM, benchmarks, sarili mong pagsubok 19:08 - Claude Code sa lokal na model gamit ang Ollama Launch 24:20 - ang context limit habang patakbuhin ang mga agent lokal 28:17 - structured outputs para sa pagkuha ng data mula sa mga dokumento Nakita ko ang mga kurso na nagkakahalaga ng $500 na nagtuturo ng mas kaunti kaysa dito. Tingnan muna ito, bago basahin ang gabay sa ibaba. Ito ay tutulungan kang mula sa zero patungo sa isang gumagana na AI sa iyong computer sa 10 hakbang.

Ang co-founder ng LangChain, Harrison Chase: “May isang harness na nag-uugnay sa isang model at ilang konteksto.” Sa loob ng higit sa 24 minuto, ipinaliwanag niya ang loop sa likod ng paggamit ng mga tool at konteksto. Nakakatulong ito upang maunawaan kung ano ang pagbabago kapag nagpapalit ka ng runtimes. Iisipin ko ang libreng talakayang ito sa itaas ng maraming bayad na kurso tungkol sa mga pangunahing aspeto ng agent. Tingnan ang talakayan, pagkatapos ay basahin ang artikulo upang bumuo ng mga produkto na gumagana kasama ang iba’t ibang agent harnesses.

Ang co-author ng GPT-4 na si Diogo Almeida: “Ginagawa namin ang isang ikatlong bagay na optimal para sa paggawa ng desisyon na may tamang pagkakalat.” Sa loob ng 18 minuto, ipinaliwanag niya kung bakit ang mga modelo na tinuturuan para sa pagpapahintulot ng tao ay maaaring sobrang tiwala. Mas maraming matututunan mo sa video na ito kaysa sa isang kurso na nagkakahalaga ng $700. Tingnan ang talakayan, pagkatapos ay basahin ang gabay sa ibaba upang matutunan kung ano ang mga kakayahan ni Jev at kung paano gamitin ito.

Andrej Karpathy: "Ang pinakamainit na bagong programming language ay ang Ingles." Sa loob ng higit sa 40 minuto, ipinaliwanag niya kung paano nila inilipat ang LLMs ang anumang maaari nating gawin sa digital na kapaligiran at kung paano gamitin sila nang epektibo. Ang talakayang ito ay naglalaman ng higit pa sa mga kapaki-pakinabang na impormasyon kaysa sa kurso na $500. Tingnan ang buong talakayan, pagkatapos ay basahin ang artikulo sa ibaba upang mag-set up ng isang gumagana na harness para sa iyong mga agent.

Ang isang simpleng oo-oohindi na desisyon sa loob ng isang agent ay maaaring magkost ng hanggang 400x na higit sa kailangan Si Harrison Chase, CEO ng LangChain, ay nag-spent ng 47 minuto sa mga bagay na talagang nasa loob ng harness ng isang agent 08:27 - ano ang talagang itinuturing na harness 18:14 - ang mga building blocks ng isang agent 29:51 - bakit kailangan ng isang agent ng sandbox 32:37 - sandboxes laban sa prompt injection 41:51 - ang kalituhan sa pag-e-evaluate ng mga agent Tingnan muna ito, bago basahin ang artikulo sa ibaba tungkol sa model na binuo upang harapin ang desisyong iyon para sa isang maliit na bahagdan ng presyo

Ang isang simpleng oo-oo o hindi-hindi na desisyon sa loob ng isang agent ay maaaring magkost ng hanggang 400x na higit sa kailangan Si Harrison Chase, CEO ng LangChain, ay nag-spent ng 47 minuto sa tunay na laman ng harness ng isang agent 08:27 - ano ang totoong itinuturing na harness 18:14 - ang mga building blocks ng isang agent 29:51 - bakit kailangan ng isang sandbox ang mga agent 32:37 - sandboxes laban sa prompt injection 41:51 - ang kalituhan sa pag-e-evaluate ng mga agent Tingnan muna ito, bago basahin ang artikulo sa ibaba tungkol sa model na binuo upang harapin ang desisyong iyon para sa isang maliit na bahagdan ng presyo

Nakapagtaka ako nang totoo ang Odyssey-3. Isang world model na nagpapagana sa isang humanoid, kumokontrol sa mga braso ng robot, nagmamaneho ng kotse, nagpapatakbo ng drone, naglalaro ng mga video game, at nagtuturo sa iba pang AIs. Ang tim na nasa likod ng @odysseyml ay nagbuo ng mga self-driving car sa Cruise at Wayve at nakikilahok sa world models noong 2023. Kaya naman, kapag sinabi nila na ang task-by-task robot training ay brute force, nakikinig ako. Ang kanilang solusyon ay isang physics agent. Natututo ito kung paano gumagana ang mundo sa pamamagitan ng pagmamasid: pisika, galaw, sanhi at epekto, kung paano kumikilos ang mga tao. Isang bagong machine ang nagkukonekta sa kaalaman na ito. Sabi nila, ilang oras lamang ng sarili nilang data ang kailangan upang magsimula ito, kasama ang action head na nagpapalit ng pag-unawa ng model sa mga kontrol. Ito ay parang ginawa ng LLMs sa knowledge work: isang malawak na model sa ilalim, at bawat pag-upgrade dito ay nagpapabuti sa lahat ng nakabatay dito. Ang pinakalumang naiwan sa akin: gumagawa ito rin ng mga mundo kung saan maaaring magpraktis ang AI agents, kaya ang kanilang mga pagkakamali ay nangyayari muna sa isang simulation. Naniniwala sila na ang world models ay magiging mas maunawaan ang pisika kaysa sa atin. Malaking claim. Gusto kong makita kung tatanggapin ito kapag ito ay ipapalabas sa susunod na ilang linggo.

Ibinigay ko ang parehong prompt sa GLM 5.3 Flash, Kimi K3 at DeepSeek v4 Pro at natanggap ko ang 3 nagtatrabaho na apps. Ibinuwas ko ang lahat ng 3 sa @boltdotnew at isinampa ang pinakamahusay sa isang live link. Sa isang karaniwang plano, hindi ko maiiwasan ang paggamit ng prompts para sa isang paghahambing tulad nito. Ang Forge ay isang eksperimental na mode sa Bolt na tumatakbo ng mga open model na may hanggang 50x na higit pang paggamit. Maaari mong buuin at i-iterate ang mga web app nang walang pag-aalala sa mga limitasyon ng paggamit. Isang buwan na bar, walang araw-araw na kapasidad. Gumawa ng 10 bersyon kung kailangan mo, tapos ilipat sa Standard o Max kapag nasa panahon na para i-ship. Sa sariling benchmark ng Bolt, ang mga modelong Forge ay nakakuha ng 91% ng pinakamataas na bayad na model. Sapat malapit para sa draft. Ang deal sa likod nito: pumili, at ang iyong mga pagbuo ay tumutulong sa pag-train ng mga open model. Itatanong nito bawat beses mong magpalit. Ang research preview ay tumatagal mula Sept 14 hanggang Oct 14, 2026. Ang Forge ay libre sa Pro plans hanggang Oct 14, at mayroon ding $9/month na early-access plan, Bolt Lite, na may waitlist. Ito ay eksperimental, kaya i-duplicate ang iyong proyekto bago ilagay ang anumang seryoso. Tingnan ang 3 builds, tapos subukan ang Forge gamit ang link sa ibaba.

Huwag nang mag-spends ng iyong mga gabi sa pag-aayos ng mga parehong pagkakamali na ginagawa ng iyong AI agent. Isang LangChain engineer ang nagpapakita kung paano gawing mag-check ang AI sa sarili nitong trabaho bago ibalik sa iyo 08:06 - state, nodes, at edges 10:47 - pagsusuri ng mga dokumento at mga nabuong sagot 11:48 - pag-uulit ng code pagkatapos ng nabigo ang mga pagsubok 37:12 - paghinto sa mga loop gamit ang limitasyon ng hakbang 54:46 - pagtatakdang mga hakbang na ginawa ng agent Hindi dapat ibinigay nila ang workshop na ito nang libre Tingnan muna ito, tapos basahin ang gabay ko sa ibaba upang bumuo ng isang research workflow na nag-e-check ng mga klaim