I verdenen af funktionel programmering findes der to titaner inden for iteration: Unfold (genererer en strøm fra et frø) og Fold (reducerer en strøm til en enkelt værdi).
I Nushell repræsenteres disse af generate og reduce. Efter at have bygget agenter med begge, er det klart, at selvom de ofte kan opnå de samme mål, er deres "filosofi" fundamentalt forskellig.
I agent.nu udforskede vi brugen af generate til at opbygge en LLM-agent. Dette mønster er en udfoldelse: startende fra et frø gror du en strøm af værdier. Det er perfekt til UI-centrerede agenter, hvor du vil streame "tanker" til brugeren, efterhånden som de opstår.
Du kan læse mere om det her: En meget enkel og en smule bedre måde at skabe en AI-agent på ved hjælp af nushell generate i stedet for en normal agent-loop | docujAI
Funktionelle Agent-loops: Hvorfor Nushells generate slår det imperative loop
Opbygning af AI-agenter involverer ofte et forudsigeligt, men rodet loop:
I de fleste sprog implementeres dette med et while True-loop og et muterbart history-array.
Når du arbejder med LLM'er fra kommandolinjen, kan det være kedeligt og fejlbehæftet at konstruere velstrukturerede prompts. Jeg byggede for nylig et Nushell-modul, der udnytter brugerdefinerede fuldførelser til at gøre promptgenerering interaktiv og konsekvent.
I stedet for at huske promptstrukturer eller kopiere fra en notatfil, giver dette modul dig mulighed for at opbygge prompter trin for trin med tab-fuldførelse. Systemet understøtter både engelsk og dansk med tre konfigurerbare komponenter:
For at en virksomhed fuldt ud kan adoptere AI og blive transformeret af den på det dybeste niveau, skal den være procesdrevet snarere end person-drevet.
En procesdrevet forretning leverer værdi gennem dokumenterede, opdaterede og gentagelige protokoller snarere end "personlig ekspertise" fra stifteren eller specifikke medarbejdere.
For at være klar til AI på et dybt niveau, skal du først udføre "pre-AI"-arbejde.
Dette "pre-AI"-arbejde omfatter, men er ikke begrænset til:
Før ChatGPT og Co. overtog verdensopmærksomheden, var Markdown allerede en stille helt i teknologiverdenen.
Formatet var foretrukket af udviklere og tekstnørder for sin enkelhed. Netop denne udbredelse før AI-tsunamien gjorde at Markdown blev det naturlige sprog - eller retter format - som Kunstig Intelligens kom til at udtrykke sig i.
Hvorfor? Fordi Markdown er essensen af plain text.
Claude Opus 4.6: Er AI'en gået fra at være et værktøj til at blive en kollega?
Anthropic har netop åbnet dørene for Claude Opus 4.6, og hvis man koger al snakken om benchmarks og token-vinduer ned, er budskabet ganske klart: Denne model tænker selv.
Lad os dykke ned i, hvad Opus 4.6 faktisk er, og hvorfor det måske er vigtigt for dig, selvom du ikke er udvikler.
Fra "chatbot" til agent
Til en simpel redaktionel arbejdsgang ville jeg næsten helt sikkert vælge reduce, men det "seje" valg (og det, der føles mere som en selvstændig agent) er generate.
Du beslutter dig baseret på hvordan din "arbejdsgang" rent faktisk ser ud:
reduce (Den "lineære afpudser")Brug reduce, hvis du har et fast sæt operationer, du vil køre på et stykke tekst (f.eks. "Ret grammatik" "Forkort" "Skift tone").
I Nushell handler reduce om at tage en liste og folde den ned til en enkelt værdi. Når du tilslutter en LLM til den "foldeproces", giver du i bund og grund modellen en "hukommelse" af alt, hvad den har behandlet i pipelinen hidtil.
Her er tre overordnede mønstre til at bruge reduce med en LLM i din terminal.
reduce (LLM Mental Modellen)Før vi dykker ned, husk syntaksen: list | reduce { |it, acc| ... }.
Jeg har længe brugt AI til at lave notitser og til at lave kortere analyser. På det korte notits-format gør kunstig intelligens sig rigtigt godt, særligt hvis man fodrer den med rigelige mængder tekst at forholde sig til. AI'en kan hurtigt destillere det væsentlige fra store dokumenter og skabe præcise, hurtige opsummeringer, som sparer meget tid i en travl hverdag.