Urgent.News

What's breaking now, across thousands of outlets.

AI

Harness Engineer: como um knowledge base (RAG) centralizado pode impactar positivamente sua empresa

Imagina um novo colaborador quando chega na empresa. A barreira mais comum entre todas é o ramp-up de negócio. Regras, fronteiras, o que o código cobra e não está no diff. Quem chegou agora não carrega isso na cabeça. A regra só aparece quando alguém lembra, ou quando o erro volta. Aí ele abre só o livro que o PR deixou na mesa. Lê com atenção. Página certa, capítulo certo, nota de rodapé ok.…

Original Portuguese Read in English

Um novo colaborador que chega à empresa enfrenta a barreira do ramp-up de negócio. As regras e fronteiras que são mencionadas não estão presentes na cabeça dessa pessoa. Quando alguém lembra da regra, ou quando um erro volta, ele abre o livro de referência deixado pelo PR. Se a regra não estiver no livro, ele precisará procurá-la em outra parte do repositório, o que pode ser demorado.

Para resolver esse problema, o autor criou um banco de dados centralizado de regras (RAG). Nesse banco de dados, as regras estão organizadas de forma que quando uma pessoa chega na empresa, ela pode abrir a pasta certa e resumir o que está relacionado ao código sem precisar memorizar todas as regras. Isso reduz o tempo de ramp-up de negócio e evita que a empresa pague por duplicação de esforço ou seja cobrada duas vezes pelo mesmo serviço.

Written by urgent.news from Dev.to's reporting — not their text. Machine-written — may contain errors; check the original before relying on it.

Read the original at dev.to →

More in AI

Julia 1: A 144M-Parameter Decision Model Trained for $104

A small AI lab in Brazil just released a model with an unusual claim. Not "beats GPT." Not "agentic superintelligence." The claim is this: a 144.3-million-parameter model that picks the right answer…

  • Julia 1 is a 144.3-million-parameter decision model
  • Trained for $104 on CPU, tablet, or low-end chip
  • Designed to classify answers from a list of options

How We Made an LLM Actually Use Recalled Memory

Making Recalled Memory Actually Influence LLM Recommendations When we integrated Hindsight into PayEcho, retrieving a customer's history was not the difficult part.

  • PayEcho struggled to make LLM use recalled memory for recommendations.
  • Model could see recalled information but produced generic recommendations.
  • Connecting retrieval to reasoning made memory part of the reasoning process.

More from Sunday 27 September →