A Large Language Model (LLM) ügynökök olyan programok, amelyek kiterjesztik az önálló LLM-ek képességeit 1) külső eszközökhöz (API-k, funkciók, webhookok, beépülő modulok stb.) való hozzáféréssel és 2) feladatok önálló tervezésének és végrehajtásának képességével. -irányított divat. Az LLM-eknek gyakran más szoftverekkel, adatbázisokkal vagy API-kkal kell kölcsönhatásba lépniük az összetett feladatok elvégzéséhez. Például egy adminisztratív csevegőbotnak, amely megbeszéléseket ütemez, hozzáférést kell biztosítani az alkalmazottak naptárához és e-mailjeihez. Az eszközökhöz való hozzáférés révén az LLM-ügynökök erősebbé válhatnak – további bonyolultság árán.
Ebben a bejegyzésben bemutatjuk az LLM-ügynököket, és bemutatjuk, hogyan lehet létrehozni és telepíteni egy e-kereskedelmi LLM-ügynököt Amazon SageMaker JumpStart és a AWS lambda. Az ügynök eszközöket használ új képességek biztosítására, mint például a visszaküldéssel kapcsolatos kérdések megválaszolása („Is my return rtn001
feldolgozva?”) és a rendelésekkel kapcsolatos frissítéseket („Meg tudná mondani, ha rendel 123456
szállított?"). Ezek az új képességek megkövetelik, hogy az LLM-k több adatforrásból is gyűjtsenek adatokat (orders
, returns
), és hajtsa végre a kibővített generálást (RAG).
Az LLM-ügynök működtetéséhez a Flan-UL2
mint a SageMaker végpont és használja az AWS Lambdával épített adatvisszakereső eszközöket. Az ügynök ezután integrálható Amazon Lex és chatbotként használják weboldalakon belül vagy AWS Connect. A bejegyzést olyan tételekkel zárjuk, amelyeket figyelembe kell venni az LLM-ügynökök éles üzembe helyezése előtt. Az LLM-ügynökök felépítésének teljes körűen felügyelt tapasztalata érdekében az AWS emellett a ügynökök az Amazon Bedrock funkcióhoz (előzetes verzióban).
Az LLM ügynök architektúrák rövid áttekintése
Az LLM-ügynökök olyan programok, amelyek LLM-eket használnak annak eldöntésére, hogy mikor és hogyan kell használni az eszközöket az összetett feladatok elvégzéséhez. Eszközökkel és feladattervezési képességekkel az LLM-ügynökök kölcsönhatásba léphetnek külső rendszerekkel, és leküzdhetik az LLM-ek hagyományos korlátait, mint például a tudáskorlátozást, a hallucinációkat és a pontatlan számításokat. Az eszközök sokféle formát ölthetnek, például API-hívásokat, Python-függvényeket vagy webhook-alapú beépülő modulokat. Például egy LLM használhat egy „visszakereső beépülő modult” a releváns kontextus lekérésére és a RAG végrehajtására.
Mit jelent tehát egy LLM számára, hogy eszközöket választ és feladatokat tervez? Számos megközelítés létezik (pl Reagál, MRKL, Szerszámformázó, HuggingGPTés Transzformátor ügynöks) az LLM-eket eszközökkel használni, és a fejlődés gyorsan történik. De az egyik egyszerű módja az, hogy felkérjük az LLM-et az eszközök listájával, és megkérjük, hogy állapítsa meg, 1) szükség van-e eszközre a felhasználói lekérdezés kielégítéséhez, és ha igen, 2) válassza ki a megfelelő eszközt. Egy ilyen felszólítás általában az alábbi példához hasonlóan néz ki, és néhány példát is tartalmazhat, hogy javítsa az LLM megbízhatóságát a megfelelő eszköz kiválasztásában.
Az összetettebb megközelítések egy speciális LLM használatát foglalják magukban, amely képes közvetlenül dekódolni „API-hívásokat” vagy „eszközhasználatot”, mint pl. GorillaLLM. Az ilyen finomhangolt LLM-ek API specifikációs adatkészletekre vannak kiképezve, hogy az utasítások alapján felismerjék és előre jelezzék az API-hívásokat. Ezeknek az LLM-eknek gyakran szükségük van bizonyos metaadatokra az elérhető eszközökről (bemeneti paramétereikhez leírások, yaml- vagy JSON-séma) az eszközhívások kimenetéhez. Ezt a megközelítést alkalmazza az Amazon Bedrock ügynökei és a OpenAI függvényhívások. Vegye figyelembe, hogy az LLM-eknek általában kellően nagynak és összetettnek kell lenniük ahhoz, hogy eszközválasztási képességet mutassanak.
Feltételezve, hogy a feladattervezést és az eszközkiválasztási mechanizmusokat választják, egy tipikus LLM ügynökprogram a következő sorrendben működik:
- Felhasználói kérés – A program olyan felhasználói bevitelt fogad, mint például: „Hol van a rendelésem
123456
?” valamelyik kliens alkalmazásból. - Tervezze meg a következő művelet(eke)t, és válassza ki a használni kívánt eszköz(eke)t – Ezután a program egy promptot használ, hogy az LLM generálja a következő műveletet, például: „Keresse meg a rendelési táblát a
OrdersAPI
.” Az LLM arra kéri, hogy javasoljon egy olyan eszköznevet, mint plOrdersAPI
az elérhető eszközök és leírásaik előre meghatározott listájából. Alternatív megoldásként az LLM utasítható, hogy közvetlenül generáljon API-hívást olyan bemeneti paraméterekkel, mint plOrdersAPI(12345)
.- Vegye figyelembe, hogy a következő művelet magában foglalhatja egy eszköz vagy API használatát, de lehet, hogy nem. Ha nem, az LLM úgy válaszol a felhasználói bevitelre, hogy nem épít be további kontextust az eszközökből, vagy egyszerűen egy előre elkészített választ ad vissza, például: „Nem tudok válaszolni erre a kérdésre”.
- Eszközelemzési kérés – Ezt követően ki kell elemeznünk és érvényesíteni kell az LLM által javasolt eszköz/művelet előrejelzést. Érvényesítésre van szükség annak biztosítására, hogy az eszköznevek, API-k és kérésparaméterek ne legyenek hallucináltak, és hogy az eszközöket a specifikációnak megfelelően megfelelően hívják meg. Ez az elemzés külön LLM-hívást igényelhet.
- Eszköz meghívása – Miután biztosítottuk az érvényes szerszámnev(ek) és paraméter(ek)et, meghívjuk a szerszámot. Ez lehet HTTP kérés, függvényhívás stb.
- Kimenet elemzése – Az eszköz válasza további feldolgozást igényelhet. Például egy API-hívás hosszú JSON-választ eredményezhet, ahol csak a mezők egy része érdekli az LLM-et. Az információk tiszta, szabványos formátumban történő kinyerése segíthet az LLM-nek az eredmény megbízhatóbb értelmezésében.
- A kimenet értelmezése – Tekintettel az eszköz kimenetére, az LLM újra felkérést kap, hogy értelmezze azt, és döntse el, hogy vissza tudja-e generálni a végső választ a felhasználónak, vagy további műveletekre van szükség.
- Fejezze be, vagy folytassa a 2. lépéssel – Hiba vagy időtúllépés esetén végleges választ vagy alapértelmezett választ ad vissza.
A különböző ügynök-keretrendszerek eltérően hajtják végre az előző programfolyamatot. Például, Reagál egyetlen promptban egyesíti az eszközkiválasztást és a végső válasz generálását, szemben azzal, hogy külön promptokat használ az eszköz kiválasztásához és a válasz generálásához. Ezenkívül ez a logika futtatható egy lépésben vagy egy while utasításban (az „ügynökhurok”), amely akkor ér véget, amikor a végső válasz generálódik, kivételt dobnak vagy időtúllépés lép fel. Ami állandó marad, az az, hogy az ügynökök az LLM-et használják a tervezés és az eszközhívások központi elemeként a feladat befejezéséig. Ezután bemutatjuk, hogyan lehet megvalósítani egy egyszerű ügynökhurkot az AWS-szolgáltatások használatával.
Megoldás áttekintése
Ebben a blogbejegyzésben egy e-kereskedelmi támogatást nyújtó LLM-ügynököt vezetünk be, amely két, eszközökkel hajtott funkciót biztosít:
- Visszatérés állapota visszakereső eszköz – Válaszoljon a visszaküldések állapotával kapcsolatos kérdésekre, például: „Mi történik a visszaküldésemmel
rtn001
? " - Rendelési állapot visszakereső eszköz – Kövesse nyomon a megrendelések állapotát, például: „Mi a rendelésem állapota
123456
? "
Az ügynök hatékonyan használja az LLM-et lekérdezési útválasztóként. Adott egy lekérdezés („Mi a rendelés állapota 123456
?”), válassza ki a megfelelő visszakereső eszközt több adatforrás (vagyis visszaküldések és rendelések) lekérdezéséhez. A lekérdezés-útválasztást úgy hajtjuk végre, hogy az LLM több visszakereső eszköz közül választ, amelyek az adatforrással való interakcióért és a kontextus lekéréséért felelősek. Ez kiterjeszti az egyszerű RAG mintát, amely egyetlen adatforrást feltételez.
Mindkét visszakereső eszköz Lambda függvény, amely azonosítót (orderId
or returnId
). Az adatforrás egy valós forgatókönyvben egy rendkívül méretezhető NoSQL-adatbázis lehet, mint pl DynamoDB, de ez a megoldás egyszerű Pythont használ Dict
mintaadatokkal demo célból.
További funkciókat lehet hozzáadni az ügynökhöz a Retrieval Tools hozzáadásával és a promptok megfelelő módosításával. Ez az ügynök tesztelhető egy önálló szolgáltatásként, amely bármely HTTP-n keresztül integrálható felhasználói felülettel, amivel egyszerűen elvégezhető Amazon Lex.
Íme néhány további részlet a kulcsfontosságú összetevőkről:
- LLM következtetési végpont – Az ügynökprogram magja az LLM. A SageMaker JumpStart alapítványi modellközpontját fogjuk használni a könnyű telepítéshez
Flan-UL2
modell. A SageMaker JumpStart megkönnyíti az LLM következtetési végpontok dedikált telepítését SageMaker példányok. - Rendező ügynök – Az Agent Orchestrator levezényli az LLM, az eszközök és az ügyfélalkalmazás közötti interakciókat. Megoldásunkhoz egy AWS Lambda funkciót használunk ennek az áramlásnak a működtetésére, és a következőket alkalmazzuk segédfunkcióként.
- Feladat (eszköz) tervező – A Feladattervező az LLM segítségével javasolja a következők egyikét: 1) visszaküldi a kérdőívet, 2) megrendeli a lekérdezést, vagy 3) az eszköz hiányát. Csak azonnali tervezést alkalmazunk és
Flan-UL2
modell a jelenlegi állapotában, finomhangolás nélkül. - Szerszámelemző – Az eszközelemző biztosítja, hogy a feladattervező eszközjavaslata érvényes legyen. Nevezetesen biztosítjuk, hogy egyetlen
orderId
orreturnId
elemezni lehet. Ellenkező esetben alapértelmezett üzenettel válaszolunk. - Szerszám diszpécser – A szerszám diszpécser az érvényes paraméterekkel hívja meg a szerszámokat (Lambda függvényeket).
- Kimeneti elemző – A kimeneti elemző megtisztítja és kivonja a releváns elemeket a JSON-ból egy ember által olvasható karakterláncba. Ezt a feladatot mind az egyes visszakereső eszközök, mind a hangszerelő végzi.
- Kimeneti tolmács – A kimeneti értelmező feladata, hogy 1) értelmezze az eszközhívás kimenetét, és 2) meghatározza, hogy a felhasználói kérés teljesíthető-e, vagy további lépésekre van szükség. Ha ez utóbbi, akkor a végső választ külön generálják, és visszaküldik a felhasználónak.
- Feladat (eszköz) tervező – A Feladattervező az LLM segítségével javasolja a következők egyikét: 1) visszaküldi a kérdőívet, 2) megrendeli a lekérdezést, vagy 3) az eszköz hiányát. Csak azonnali tervezést alkalmazunk és
Most pedig vessünk egy kicsit mélyebbre a kulcsfontosságú összetevőket: ügynök-rendező, feladattervező és eszközdiszpécsere.
Rendező ügynök
Az alábbiakban látható az ügynökhurok rövidített változata az ügynök-hangszerelő Lambda-függvényen belül. A hurok segédfunkciókat használ, mint pl task_planner
or tool_parser
, modularizálni a feladatokat. A ciklust úgy tervezték, hogy legfeljebb kétszer futhasson, nehogy az LLM szükségtelenül hosszúra akadjon egy ciklusban.
Feladattervező (eszköz előrejelzés)
Az ügynök hangszerelő használja task planner
visszakereső eszköz előrejelzésére a felhasználói bevitel alapján. LLM-ügynökünk esetében egyszerűen azonnali tervezést használunk, és kevés gyors felszólítást használunk, hogy kontextusban tanítsuk meg az LLM-nek ezt a feladatot. A kifinomultabb ügynökök finomhangolt LLM-et használhatnak az eszközök előrejelzésére, ami túlmutat e bejegyzés keretein. A felszólítás a következő:
Szerszám diszpécser
A szerszámelosztó mechanizmus keresztül működik if/else
logika a megfelelő Lambda függvények meghívásához az eszköz nevétől függően. A következő tool_dispatch
segítő funkció megvalósítása. Belül használják agent
hurkot, és visszaadja a nyers választ az eszköz Lambda függvényéből, amelyet ezután megtisztít egy output_parser
funkciót.
Telepítse a megoldást
Fontos előfeltételek – A telepítés megkezdéséhez teljesítenie kell a következő előfeltételeket:
- Hozzáférés a AWS felügyeleti konzol indítani tudó felhasználón keresztül AWS CloudFormation verem
- A navigáció ismerete a AWS Lambda és a Amazon Lex konzolok
Flan-UL2
szingli kellml.g5.12xlarge
telepítéshez, ami szükségessé teheti az erőforrás-korlátok növelését a támogató jegy. Példánkban használjukus-east-1
mint a régió, ezért kérjük, ügyeljen a szolgáltatási kvóta növelésére (ha szükséges).us-east-1
.
Telepítés a CloudFormation segítségével – Telepítheti a megoldást us-east-1
az alábbi gombra kattintva:
A megoldás üzembe helyezése körülbelül 20 percet vesz igénybe, és létrehozza a LLMAgentStack
verem, amely:
- segítségével telepíti a SageMaker végpontot
Flan-UL2
modell a SageMaker JumpStarttól; - három lambda funkciót alkalmaz:
LLMAgentOrchestrator
,LLMAgentReturnsTool
,LLMAgentOrdersTool
, És - telepít egy AWS Lex bot, amely az ügynök tesztelésére használható:
Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
.
Tesztelje az oldatot
A verem egy Amazon Lex botot telepít a névvel Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
. A bot az ügynök végpontok közötti tesztelésére használható. Íme egy további átfogó útmutató az AWS Amazon Lex robotok Lambda-integrációval történő teszteléséhez és az integráció magas szintű működéséhez. De röviden, az Amazon Lex bot egy olyan erőforrás, amely gyors felhasználói felületet biztosít az LLM-ügynökkel való csevegéshez, amely egy általunk épített Lambda-függvényen belül fut (LLMAgentOrchestrator
).
A figyelembe veendő tesztesetek a következők:
- Érvényes megrendelés lekérdezés (például: „Melyik cikkhez rendelték
123456
? ”)- A „123456” rendelés érvényes rendelés, ezért ésszerű válaszra kell számítanunk (pl. „Növényi kézszappan”)
- Érvényes visszaküldési kérés visszaküldésért (például: „Mikor térek vissza
rtn003
feldolgozott?")- Ésszerű választ kell várnunk a visszáru állapotáról.
- Irreleváns mind a visszaküldés, sem a megrendelés szempontjából (például: „Milyen az időjárás jelenleg Skóciában?”)
- Irreleváns kérdés a visszaküldéssel vagy rendelésekkel kapcsolatban, ezért alapértelmezett választ kell visszaküldeni ("Sajnáljuk, erre a kérdésre nem tudok válaszolni.")
- Érvénytelen rendelési lekérdezés (például: „Melyik cikkhez rendelték
383833
? ”)- A 383832-es azonosító nem létezik a rendelési adatkészletben, ezért kecsesen megbukunk (például „A rendelés nem található. Kérjük, ellenőrizze a rendelési azonosítóját.”)
- Érvénytelen visszaküldési kérés (például: „Mikor térek vissza
rtn123
feldolgozott?")- Hasonlóképpen id
rtn123
nem létezik a visszatérési adatkészletben, ezért kecsesen meg kell hibáznia.
- Hasonlóképpen id
- Irreleváns visszaküldési kérés (például: „Mi a megtérülés hatása?
rtn001
a világbékéről?”)- Ez a kérdés, bár úgy tűnik, hogy érvényes sorrendre vonatkozik, irreleváns. Az LLM az irreleváns kontextusú kérdések szűrésére szolgál.
A tesztek saját kezű lefuttatásához kövesse az alábbi utasításokat.
- Az Amazon Lex konzolon (AWS konzol > Amazon Lex), navigáljon a című bothoz
Sagemaker-Jumpstart-Flan-LLM-Agent-Fallback-Bot
. Ez a bot már be van konfigurálva aLLMAgentOrchestrator
Lambda funkció, amikor aFallbackIntent
beindul. - A navigációs panelen válassza a lehetőséget Szándék.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Épít a jobb felső sarokban
- 4. Várja meg, amíg az összeállítási folyamat befejeződik. Ha elkészült, a következő képernyőképen látható módon sikerüzenetet kap.
- Tesztelje a botot a tesztesetek megadásával.
Razzia
A további költségek elkerülése érdekében törölje a megoldásunk által létrehozott erőforrásokat az alábbi lépések végrehajtásával:
- A AWS felhőképződés konzolon, válassza ki a nevű veremet
LLMAgentStack
(vagy az Ön által választott egyéni név). - A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a töröl
- Ellenőrizze, hogy a verem törlődött-e a CloudFormation konzolról.
Fontos: még egyszer ellenőrizze, hogy a verem sikeresen törlődött-e, és győződjön meg arról, hogy a Flan-UL2
következtetési végpont eltávolításra kerül.
- Az ellenőrzéshez lépjen ide: AWS konzol > Sagemaker > Végpontok > Következtetés cimre.
- Az oldalon fel kell sorolni az összes aktív végpontot.
- Győződjön meg róla,
sm-jumpstart-flan-bot-endpoint
nem létezik, mint az alábbi képernyőképen.
A gyártás szempontjai
Az LLM-ügynökök éles üzembe helyezéséhez további lépések megtétele szükséges a megbízhatóság, a teljesítmény és a karbantarthatóság biztosítása érdekében. Íme néhány szempont az ügynökök éles üzembe helyezése előtt:
- Az LLM-modell kiválasztása az ügynökhurok táplálásához: Az ebben a bejegyzésben tárgyalt megoldáshoz a
Flan-UL2
modellt finomhangolás nélkül a feladattervezés vagy a szerszámválasztás elvégzéséhez. A gyakorlatban a közvetlen eszköz- vagy API-kérésekre finomhangolt LLM használata növelheti a megbízhatóságot és a teljesítményt, valamint leegyszerűsíti a fejlesztést. Finomhangolhatunk egy LLM-et az eszközkiválasztási feladatokhoz, vagy használhatunk olyan modellt, amely közvetlenül dekódolja az eszköztokeneket, mint például a Toolformer.- A finomhangolt modellek használata leegyszerűsítheti az ügynökök rendelkezésére álló eszközök hozzáadását, eltávolítását és frissítését is. A csak prompt alapú megközelítések esetén az eszközök frissítése megköveteli az összes prompt módosítását az ügynökkezelőn belül, például a feladattervezésre, az eszközelemzésre és az eszközküldésre vonatkozó promptokat. Ez nehézkes lehet, és a teljesítmény romolhat, ha túl sok eszközt biztosítanak az LLM-hez.
- Megbízhatóság és teljesítmény: Az LLM-ügynökök megbízhatatlanok lehetnek, különösen olyan összetett feladatoknál, amelyeket nem lehet néhány cikluson belül végrehajtani. A megbízhatóságot növelheti, ha hozzáadja a kimenetek érvényesítését, újrapróbálkozásait, az LLM-ekből származó kimeneteket JSON-ba vagy yaml-ba, és időtúllépéseket kényszerít ki, hogy menekülési sraffozásokat biztosítson a hurokban ragadt LLM-ek számára.
Következtetés
Ebben a bejegyzésben megvizsgáltuk, hogyan építhetünk fel olyan LLM-ügynököt, amely több eszközt is képes használni az alapoktól kezdve, alacsony szintű prompt tervezés, AWS Lambda funkciók és SageMaker JumpStart építőelemként. Részletesen tárgyaltuk az LLM ügynökök architektúráját és az ügynökhurkot. Az ebben a blogbejegyzésben bemutatott koncepciók és megoldás-architektúra megfelelő lehet olyan ügynökök számára, amelyek előre meghatározott eszközkészletből néhányat használnak. Több stratégiát is megvitattunk az ágensek termelésben való felhasználására vonatkozóan. Az Agents for Bedrock, amely előnézetben van, felügyelt élményt is biztosít az ügynökök építéséhez, natív támogatással az ügynöki eszközhívásokhoz.
A szerzőről
John Hwang az AWS generatív mesterséges intelligencia építésze, különös tekintettel a Large Language Model (LLM) alkalmazásokra, a vektoros adatbázisokra és a generatív AI termékstratégiára. Szenvedélyesen segíti a vállalatokat az AI/ML termékfejlesztésben, valamint az LLM-ügynökök és másodpilóták jövőjében. Mielőtt csatlakozott az AWS-hez, az Alexa termékmenedzsere volt, ahol segített a társalgási mesterséges intelligencia elterjesztésében a mobileszközökön, valamint származékos kereskedőként dolgozott a Morgan Stanleynél. A Stanford Egyetemen szerzett BS-t számítástechnikából.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- ChartPrime. Emelje fel kereskedési játékát a ChartPrime segítségével. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/learn-how-to-build-and-deploy-tool-using-llm-agents-using-aws-sagemaker-jumpstart-foundation-models/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 100
- 15%
- 19
- 20
- 200
- 24
- 27
- 500
- 7
- 9
- a
- képességek
- képesség
- Rólunk
- hozzáférés
- elérni
- Szerint
- Eszerint
- át
- Akció
- cselekvések
- aktív
- hozzáadott
- hozzáadásával
- További
- adminisztratív
- fejlesztések
- Után
- újra
- Ügynök
- szerek
- AI
- AI / ML
- Alexa
- Minden termék
- már
- Is
- amazon
- Amazon Lex
- Az Amazon Web Services
- között
- összeg
- an
- és a
- válasz
- bármilyen
- api
- API-k
- app
- Alkalmazás
- alkalmazások
- megközelítés
- megközelít
- megfelelő
- építészet
- VANNAK
- AS
- kérdez
- feltételezi
- At
- bővített
- elérhető
- elkerülése érdekében
- AWS
- AWS Lambda
- vissza
- alapján
- BE
- válik
- óta
- előtt
- hogy
- lent
- Berkeley
- Túl
- Bit
- Blocks
- Blog
- test
- Bot
- mindkét
- botok
- hoz
- épít
- Épület
- épült
- üzleti
- de
- gomb
- by
- számítások
- naptárak
- hívás
- kéri
- TUD
- nem tud
- képességek
- eset
- esetek
- díjak
- chatbot
- ellenőrizze
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- választott
- vásárló
- kombájnok
- Companies
- teljes
- Befejezett
- bonyolult
- bonyolultság
- alkatrészek
- átfogó
- számítógép
- Computer Science
- fogalmak
- megállapítja,
- konfigurálva
- Fontolja
- megfontolások
- Konzol
- állandó
- kontextus
- folytatódik
- társalgó
- társalgási AI
- Mag
- Költség
- tudott
- teremt
- készítette
- nehézkes
- szokás
- dátum
- adatbázis
- adatbázisok
- adatkészletek
- Nap
- dönt
- elszánt
- mélyebb
- alapértelmezett
- definíciók
- demó
- bizonyítani
- attól
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- bevet
- Származékok
- tervezett
- részlet
- részletek
- Határozzuk meg
- Fejlesztés
- Eszközök
- közvetlenül
- tárgyalt
- merülés
- do
- nem
- csinált
- hajtás
- e
- e-commerce
- minden
- könnyen
- könnyű
- hatékonyan
- bármelyik
- más
- alkalmaz
- végtől végig
- Endpoint
- érvényesítése
- Mérnöki
- növelése
- biztosítására
- biztosítani
- biztosítja
- biztosítása
- belépés
- Jogosult
- hiba
- hibák
- menekülés
- különösen
- stb.
- esemény
- Minden
- példa
- példák
- Kivéve
- kivétel
- kivégez
- létezik
- vár
- tapasztalat
- feltárt
- terjed
- nyúlik
- külső
- külön-
- kivonatok
- FAIL
- hamis
- Divat
- Funkció
- kevés
- Fields
- szűrő
- utolsó
- áramlási
- Összpontosít
- következő
- következik
- A
- formátum
- formák
- talált
- Alapítvány
- keretek
- barátságos
- ból ből
- eleget tesz
- teljesen
- funkció
- funkciós
- funkciók
- jövő
- általában
- generál
- generált
- generáció
- nemző
- Generatív AI
- kap
- adott
- Go
- Földi
- útmutató
- Esemény
- kelt
- Legyen
- tekintettel
- he
- segít
- segített
- segít
- ennélfogva
- itt
- hi
- Magas
- nagyon
- tart
- NYITVATARTÁS
- Hogyan
- How To
- HTML
- http
- HTTPS
- Kerékagy
- emberi
- ember által olvasható
- i
- ID
- if
- Hatás
- végre
- végrehajtás
- behozatal
- javul
- in
- tartalmaz
- amely magában foglalja
- Növelje
- növekvő
- információ
- bemenet
- vizsgálat
- belső
- utasítás
- integrált
- integrál
- integráció
- A szándék
- kölcsönhatásba
- kölcsönható
- kölcsönhatások
- kamat
- bele
- bevezet
- Bevezetett
- hivatkozni
- behívja
- vonja
- IT
- tételek
- iterációk
- csatlakozott
- jpg
- json
- Kulcs
- tudás
- nyelv
- nagy
- indít
- TANUL
- szint
- mint
- korlátozások
- határértékek
- Lista
- LLM
- logika
- Hosszú
- MEGJELENÉS
- csinál
- KÉSZÍT
- sikerült
- vezetés
- menedzser
- sok
- Lehet..
- me
- jelent
- mechanizmus
- mechanizmusok
- találkozók
- üzenet
- Metaadatok
- Perc
- Mobil
- mobil eszközök
- modell
- modellek
- több
- Morgan
- Morgan Stanley
- a legtöbb
- többszörös
- my
- név
- Nevezett
- nevek
- bennszülött
- Keresse
- navigálás
- Navigáció
- elengedhetetlen
- Szükség
- szükséges
- Új
- következő
- nem
- Egyik sem
- nevezetesen
- Most
- szám
- számos
- tárgy
- of
- gyakran
- on
- egyszer
- ONE
- csak
- ellentétes
- or
- érdekében
- rendelés
- Más
- másképp
- mi
- ki
- teljesítmény
- kívül
- felett
- Overcome
- áttekintés
- oldal
- üvegtábla
- paraméterek
- elhalad
- szenvedélyes
- Mintás
- béke
- alatt
- Teljesít
- teljesítmény
- vedd
- válogatott
- terv
- tervezés
- Plató
- Platón adatintelligencia
- PlatoData
- kérem
- Plugins
- politika
- állás
- hatalom
- powered
- gyakorlat
- előre
- előrejelzés
- előfeltételek
- megakadályozása
- Preview
- előző
- Előzetes
- folyamat
- Feldolgozott
- feldolgozás
- Termékek
- termékfejlesztés
- termék menedzser
- Termelés
- Program
- Programok
- megfelelően
- ad
- feltéve,
- biztosít
- amely
- célokra
- Piton
- kérdés
- Kérdések
- Quick
- emel
- gyorsan
- Nyers
- való Világ
- ésszerű
- elismerik
- visszatérítés
- vidék
- megbízhatóság
- maradványok
- eltávolított
- eltávolítása
- képviselet
- kérni
- kéri
- szükség
- kötelező
- megköveteli,
- forrás
- Tudástár
- Reagálni
- válasz
- felelősség
- felelős
- eredményez
- visszatérés
- visszatérő
- Visszatér
- jobb
- router
- routing
- futás
- futás
- s
- sagemaker
- elégedett
- skálázható
- forgatókönyv
- Tudomány
- hatálya
- Keresés
- Úgy tűnik,
- kiválasztott
- kiválasztás
- önálló
- értelemben
- különálló
- Sorozat
- szolgáltatás
- Szolgáltatások
- készlet
- számos
- szállított
- Szállítás
- rövid
- lövés
- kellene
- előadás
- mutatott
- Egyszerű
- egyszerűsítése
- egyszerűen
- egyetlen
- kicsi
- So
- szoftver
- megoldások
- néhány
- kifinomult
- forrás
- Források
- speciális
- specializált
- különleges
- leírás
- verem
- önálló
- Stanford
- Stanford Egyetem
- Stanley
- kezdet
- kezdődött
- nyilatkozat
- Állapot
- Lépés
- Lépései
- megáll
- tárolni
- stratégiák
- Stratégia
- Húr
- strukturálása
- Később
- siker
- sikeresen
- ilyen
- javasol
- megfelelő
- támogatás
- biztos
- Systems
- táblázat
- Vesz
- meghozott
- tart
- bevétel
- Feladat
- feladatok
- mondd
- teszt
- kipróbált
- Tesztelés
- tesztek
- hogy
- A
- A jövő
- azok
- akkor
- Ott.
- Ezek
- ezt
- azok
- három
- Így
- alkalommal
- nak nek
- tokenek
- is
- szerszám
- szerszámok
- felső
- Végösszeg
- vágány
- kereskedő
- hagyományos
- kiképzett
- váltott
- megpróbál
- kettő
- tipikus
- jellemzően
- ui
- egyetemi
- szükségtelenül
- -ig
- Frissítés
- frissítése
- használ
- használt
- használó
- használ
- segítségével
- hasznosít
- ÉRVÉNYESÍT
- érvényesítés
- fajta
- változat
- keresztül
- várjon
- volt
- Út..
- we
- időjárás
- háló
- webes szolgáltatások
- honlapok
- JÓL
- Mit
- Mi
- amikor
- bármikor
- vajon
- ami
- míg
- WHO
- lesz
- val vel
- belül
- nélkül
- művek
- világ
- lenne
- yaml
- te
- A te
- magad
- zephyrnet