Przejdź do treści
czwartek, 19 listopada 2026
Tenesys AI News
Subskrypcja

Wszystkie wiadomości

TENESYS AI NEWS śledzi najważniejsze wiadomości o AI i wyjaśnia, co się zmieniło, dlaczego to ważne i czy technologię warto przetestować.

#Developer Tools — 6 artykułów ✕

Agenci· Ważne· 🧪 Warte przetestowania

Automatyzacja optymalizacji agentów z NVIDIA NeMo

NVIDIA wprowadziła workflow pozwalający na przekształcenie błędów agentów wykrytych w środowisku produkcyjnym w ustrukturyzowane testy przy użyciu NeMo Compass i NeMo Eval Author. Proces ten analizuje logi, identyfikuje powtarzające się problemy, generuje celowane testy i waliduje wprowadzane poprawki.

NVIDIA Developer
Agenci· Ważne· 🧪 Warte przetestowania

Podgląd aplikacji internetowych w czasie rzeczywistym dla agentów programistycznych Amazon Bedrock

Amazon Bedrock AgentCore wspiera teraz „Session endpoints”, umożliwiając programistom podgląd i interakcję z aplikacjami internetowymi w trakcie ich tworzenia przez agenta AI. Dzięki kierowaniu ruchu przez uwierzytelnioną, izolowaną sesję microVM, zmiany w przeglądarce pojawiają się natychmiast, bez konieczności przeprowadzania osobnych wdrożeń.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Google API Gateway wprowadza obsługę strumieniowania dla ruchu czasu rzeczywistego i AI

Google ogłosił publiczną wersję zapoznawczą (Public Preview) obsługi strumieniowania w API Gateway, obejmującą Server-Sent Events, odpowiedzi chunked/NDJSON, WebSockets oraz strumieniowanie gRPC. Endpointy strumieniujące mogą teraz działać za tą samą bramką co zwykłe API, zachowując dotychczasowe uwierzytelnianie, logowanie i monitorowanie, bez zmian w specyfikacji API. Połączenia mogą pozostawać otwarte do godziny, a bramki otrzymują teraz przewidywalną domyślną nazwę hosta zamiast generowanego hasha. Funkcja wiąże się też z routingiem modeli, dzięki czemu jedna bramka może strumieniować odpowiedzi z modeli Gemini, Claude i OpenAI gpt-oss.

Google Developers
Agenci· Ważne· 🧪 Warte przetestowania

Agents CLI od Google zyskuje system rozszerzeń obsługujący LangChain i inne frameworki poza ADK

Google dodało System Rozszerzeń (Extension System) do swojego narzędzia Agents CLI (od wersji 1.5.0, a pierwszorzędowe rozszerzenie LangChain pojawiło się w v1.8.0), które pozwala deweloperom nadpisywać lub dodawać polecenia CLI bez forkowania narzędzia. Wcześniej pipeline wdrożeń, ewaluacji i monitoringu w Agents CLI był ściśle powiązany z własnym Agent Development Kit (ADK) Google; teraz zespoły mogą tworzyć, uruchamiać, wdrażać i ewaluować projekty LangChain, LangGraph lub Deep Agents przez ten sam interfejs poleceń. Rozszerzenia są dystrybuowane jako katalogi w repozytoriach Git, przypinane do konkretnego commit SHA w pliku lockfile, i mogą być instalowane na poziomie projektu lub użytkownika. System pozwala też zespołom platformowym w firmach owijać polecenia, np. deploy, własnymi politykami, takimi jak skany zgodności czy bramki SSO. Funkcja w wersji 1.8.0 oznaczona jest jako eksperymentalna.

Google Developers
Badania· Ważne

Google i Meta zintegrowały natywne wsparcie TPU z frameworkiem treningowym PyTorch TorchTitan

Google wprowadziło TorchTPU – natywny backend PyTorch dla Cloud TPU (torch.device("tpu")) i wspólnie z Meta stworzyło fork TorchTitan dostosowany do treningu na TPU. Wcześniej trening modeli PyTorch na TPU wymagał przepisania kodu na JAX lub korzystania ze starszej ścieżki torch_xla; teraz wystarczają minimalne zmiany w inicjalizacji urządzenia. Fork oferuje gotowe przepisy do wstępnego treningu dużych modeli gęstych (Llama 3 70B/405B, Qwen 3 8B/32B), modeli MoE (Qwen 3 235B) oraz transformerów dyfuzyjnych (FLUX.1 12B), a także „Graph Trainer”, który przechwytuje cały krok treningowy jako jeden program XLA dla lepszej optymalizacji kompilatora.

Google Developers
Badania· Ważne· 🧪 Warte przetestowania

AWS wprowadza przesyłanie KV typu „push”, skracające opóźnienia w rozdzielonej infrastrukturze vLLM

AWS udostępnił konektor NIXL typu „push” dla vLLM, zmieniający sposób przesyłania danych pamięci podręcznej klucz-wartość (KV) między instancjami prefill i decode w rozdzielonym serwowaniu LLM. Zamiast pobierania bloków KV przez instancję decode po zakończeniu prefill, instancja decode z wyprzedzeniem rejestruje docelową pamięć, a instancja prefill zapisuje dane KV bezpośrednio, gdy tylko są gotowe — usuwając koordynację ze ścieżki krytycznej. W testach z modelem Qwen3-32B w konfiguracji 1 prefill/1 decode na instancjach EC2 P5en z EFA, tryb push osiągnął nawet 3-krotnie lepszy czas do pierwszego tokenu (TTFT) i nawet o 30% lepszy czas generowania pojedynczego tokenu (TPOT) niż domyślny tryb pull, zwłaszcza przy dużym obciążeniu zapytaniami.

AWS Machine Learning