5 lessons for getting agentic AI into production

RAG vs. Vectorless RAG, clearly explained!

...explained visually (with tradeoffs in production).

What Google’s Harness² shows about improving an AI agent

What Google’s Harness² shows about improving an AI agent The gains came from scripts and skills, not the prompt. And letting the model rewrite its harness blindly made it worse. Harness² is a …

I Built a Pure Go AI Gateway to Cut LLM Token Costs by 30–40% — Here’s What I Learned

I Built a Pure Go AI Gateway to Cut LLM Token Costs by 30–40% — Here’s What I Learned How semantic caching and upstream-aware smart model routing can slash your OpenAI, Anthropic, and Groq …

I Tried to Replace Claude With Jev, and Kept Both

I Tried to Replace Claude With Jev, and Kept Both System One Decision Model + semantic embeddings: better content discovery, less LLM tokens I build tools for writers. Every day, my agentic pipeline …

Learn How to Design Software Systems Like a Senior Engineer in Our New Course

Bối cảnh: Thiết kế hệ thống là kỹ năng quan trọng đối với các kỹ sư phần mềm hiện nay, đặc biệt khi ứng tuyển vào vị trí senior hoặc staff-level. Nguyên nhân kỹ thuật: Khóa học mới này tập trung vào các nguyên tắc thiết kế architecture và giải quyết bài toán scale cho hệ thống thực tế. Hệ quả: Học viên sẽ nắm vững cách thiết kế hệ thống như một senior engineer, tăng khả năng ứng tuyển vào các vị trí cao cấp. Điều đáng học: Khóa học bao gồm các case study thực tế với công nghệ như microservices, load balancing và database sharding.

Khóa học này giúp bạn nâng cao kỹ năng thiết kế hệ thống phần mềm như một kỹ sư senior.

The Model Never Runs Your Code

The Model Never Runs Your Code A practical guide to LLM tool calling: how it works, how to design tools models use well and how to build a safe agent loop in Python A developer gives a language model …

I Retested My MoE Offloading Benchmarks. Some of My Conclusions Changed.

A follow-up to my original 16GB GPU experiment, this time with consistent quantization, repeated... Tagged with ai, machinelearning, llm.

EP230: RAG vs Agentic RAG

RAG (Retrieval-Augmented Generation) và Agentic RAG là hai phương pháp xử lý thông tin khác nhau trong lĩnh vực AI. RAG hoạt động bằng cách truy vấn vector database để tìm thông tin liên quan trước khi tạo câu trả lời, ví dụ như với vector database có thể chứa hàng triệu document embeddings. Agentic RAG thêm vào một agent có khả năng tự suy luận, cho phép hệ thống tự động xác định cần tìm thêm thông tin hay không, như trường hợp của OpenAI's GPT-4 với function calling. Sự khác biệt chính là Agentic RAG có khả năng tự chủ trong việc quyết định cần làm gì tiếp theo thay vì chỉ phụ thuộc vào kết quả truy vấn ban đầu. Đây là kiến thức quan trọng để hiểu sự tiến hóa từ RAG cơ bản đến các hệ thống thông minh hơn có khả năng tự điều chỉnh.

Bài viết này giúp bạn hiểu rõ sự khác biệt cơ bản giữa RAG và Agentic RAG để áp dụng hiệu quả vào các dự án AI.