Planuję zmienić zawód na inżyniera AI, a większość materiałów do nauki, które znalazłem w Internecie, to rozproszone samouczki lub generowane przez AI teksty, więc trudno znaleźć systematyczne wskazówki. Znalazłem na GitHubie projekt open source o nazwie AI Engineering Field Guide, który został opracowany na podstawie 1765 rzeczywistych opisów stanowisk i doświadczeń z rozmów kwalifikacyjnych, jest oparty na danych i bardzo praktyczny. Autorzy przeanalizowali wymagania dotyczące stanowisk, potrzeby dotyczące umiejętności, procesy rozmów kwalifikacyjnych, rzeczywiste przypadki itp., a także dostarczyli ścieżki nauki dla inżynierów z różnych tła, takich jak dane, backend, frontend. GitHub: Zawartość obejmuje analizę ról i umiejętności, kompletny przewodnik po przygotowaniach do rozmowy kwalifikacyjnej, starannie wybrane zasoby do nauki inżynierii AI oraz rzeczywiste dane rynkowe dotyczące stanowisk i przykłady projektów. Zawiera również rzeczywiste procesy rozmów kwalifikacyjnych i doświadczenia 51 firm, takich jak OpenAI, Anthropic, Google, Meta, a także 17 rzeczywistych analiz zadań do wykonania w domu. Jeśli rozważasz zmianę na inżyniera AI lub chcesz systematycznie poznać rzeczywiste warunki tego stanowiska, ten przewodnik jest wart zachowania.

Dziś na liście trendów GitHub pojawił się projekt open source Hermes Agent, co jest dość interesujące. To AI Agent z wbudowanym kompletnym mechanizmem cyklu uczenia, który może samodzielnie ewoluować i rozwijać się razem z nami. Będzie automatycznie tworzyć umiejętności na podstawie rzeczywistego użytkowania, samodzielnie się poprawiać w trakcie wykonywania zadań oraz aktywnie przypominać sobie o ważnych informacjach. Nawet potrafi gromadzić zrozumienie Ciebie na podstawie historii wyszukiwania rozmów i akumulować je między sesjami, co oznacza, że im więcej go używasz, tym lepiej Cię rozumie. GitHub: Oprócz tego, wbudowany harmonogram zadań, który pozwala na ustawienie codziennych raportów, regularnych kopii zapasowych i innych zadań automatycznych w naturalnym języku. Jednocześnie oferuje pełny interfejs terminala, wspierający edycję wielowierszową, automatyczne uzupełnianie poleceń, historię sesji i inne funkcje. Jeśli chcesz mieć osobistego asystenta AI z pamięcią i zdolnością do wspólnego rozwoju, ten projekt można wdrożyć i przetestować.

Zarządzaj wieloma inteligentnymi agentami AI, chcąc na bieżąco widzieć, co robią, ich historię czatów, postęp zadań, a nawet wydatki. Jednak istniejące narzędzia są albo rozproszone, albo wymagają dodatkowej konfiguracji klucza API, co jest dość uciążliwe. Przypadkowo natknąłem się na projekt open source ClawPort, stworzony specjalnie dla zespołu inteligentnych agentów OpenClaw, który jest wizualnym centrum dowodzenia, umożliwiającym zarządzanie wszystkimi agentami z jednego interfejsu. Wystarczy połączyć lokalną bramę OpenClaw, aby uzyskać diagram struktury organizacyjnej, rozmowy agentów, tablicę, monitorowanie zadań cyklicznych, śledzenie kosztów, strumień logów w czasie rzeczywistym oraz przeglądarkę pamięci. GitHub: Oferuje interaktywny diagram struktury organizacyjnej, wspiera strumieniowy czat tekstowy, wizualne rozpoznawanie załączników graficznych oraz odtwarzanie fal dźwiękowych wiadomości głosowych. Dodatkowo, dostępna jest tablica zadań z możliwością przeciągania i upuszczania, monitorowanie stanu zadań cyklicznych w czasie rzeczywistym oraz pulpit analizy wykorzystania tokenów i kosztów, w tym wykresy kosztów dziennych, wykrywanie anomalii oraz tygodniowe trendy porównawcze. Automatyczne wykrywanie agentów w obszarze roboczym OpenClaw, bez potrzeby konfiguracji plików, oferuje pięć motywów do wyboru, a szybkie uruchomienie możliwe jest dzięki globalnej instalacji przez npm.