RAG.LU

𝗠𝘂𝗹𝘁𝗶-𝗮𝗴𝗲𝗻𝘁 𝘀𝘆𝘀𝘁𝗲𝗺𝘀 𝗮𝗿𝗲𝗻’𝘁 𝗷𝘂𝘀𝘁 𝘁𝗵𝗲 𝗳𝘂𝘁𝘂𝗿𝗲 𝗼𝗳 𝗔𝗜 — 𝘁𝗵𝗲𝘆’𝗿𝗲 𝘁𝗵𝗲 𝗼𝗻𝗹𝘆 𝘄𝗮𝘆 𝗔𝗜 𝗰𝗮𝗻 𝘀𝗰𝗮𝗹𝗲 𝗯𝗲𝘆𝗼𝗻𝗱 𝗶𝘀𝗼𝗹𝗮𝘁𝗲𝗱 𝘁𝗮𝘀𝗸𝘀! ⬇️ We’ve spent the last two years optimizing LLM performance. But when it comes to retrieval-intensive applications — like RAG, orchestration, and autonomous workflows — the real breakthrough lies in (multi)-agentic architectures. 𝘓𝘦𝘵'𝘴 𝘣𝘳𝘦𝘢𝘬 𝘪𝘵 𝘥𝘰𝘸𝘯: ⬇️ 𝗦𝗶𝗻𝗴𝗹𝗲-𝗔𝗴𝗲𝗻𝘁 𝘃𝘀. 𝗠𝘂𝗹𝘁𝗶-𝗔𝗴𝗲𝗻𝘁 𝗦𝘆𝘀𝘁𝗲𝗺𝘀 → Single-agent systems follow a simple, linear path: one user input, one agent, one output. They’re easy to manage but limited in flexibility and scalability. → Multi-agent systems distribute intelligence across specialized agents. Each can handle distinct functions — from memory management to external tool integration — enabling more complex, coordinated workflows. 𝗣𝗮𝘁𝘁𝗲𝗿𝗻𝘀 𝗶𝗻 𝗠𝘂𝗹𝘁𝗶-𝗔𝗴𝗲𝗻𝘁 𝗦𝘆𝘀𝘁𝗲𝗺𝘀: 𝗧𝗵𝗲𝘀𝗲 𝗽𝗮𝘁𝘁𝗲𝗿𝗻𝘀 𝗿𝗲𝗽𝗿𝗲𝘀𝗲𝗻𝘁 𝗿𝗲𝘂𝘀𝗮𝗯𝗹𝗲 𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗲𝘀 𝗳𝗼𝗿 𝗯𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗮𝗴𝗲𝗻𝘁𝗶𝗰 𝘀𝘆𝘀𝘁𝗲𝗺𝘀: → Parallel: Multiple agents process the same input independently, useful for combining diverse perspectives or strategies. → Sequential: Agents execute tasks one after another, often used in retrieval and generation pipelines. → Loop: Agents continuously refine or repeat actions based on output, enabling iterative improvement. → Router: A routing agent directs the task to the appropriate specialist agent, based on input context. → Aggregator: Multiple agents return results that are synthesized into a single response. → Network: Agents communicate with one another dynamically, resembling decentralized microservices. → Hierarchical: A top-level agent supervises others, delegating and coordinating subtasks. 𝗠𝘂𝗹𝘁𝗶-𝗔𝗴𝗲𝗻𝘁 𝗔𝗿𝗰𝗵𝗶𝘁𝗲𝗰𝘁𝘂𝗿𝗲𝘀: 𝗧𝗵𝗲𝘀𝗲 𝘀𝗵𝗼𝘄 𝗵𝗼𝘄 𝗽𝗮𝘁𝘁𝗲𝗿𝗻𝘀 𝗮𝗿𝗲 𝗮𝗽𝗽𝗹𝗶𝗲𝗱 𝘁𝗼 𝗿𝗲𝗮𝗹-𝘄𝗼𝗿𝗹𝗱 𝘄𝗼𝗿𝗸𝗳𝗹𝗼𝘄𝘀: → Hierarchical: Supervisor agents orchestrate downstream agents with distinct responsibilities like retrieval, synthesis, or external communication. → Human-in-the-loop: A human operator remains part of the loop, approving or modifying outputs. Ideal for high-risk domains. → Shared tools: Different agents rely on the same external tools (e.g., vector search or web APIs), promoting consistency and modularity. → Sequential: A straightforward RAG pipeline: a retrieval agent fetches information, which is then passed to a generation agent. → Shared database with different tools: Agents interact with a common database but use different retrieval or transformation tools. → Memory transformation through tool use: Agents collaborate not only to retrieve data but to update and transform memory for future use. AI is no longer just about model accuracy — it’s more and more about building intelligent systems that communicate, adapt and collaborate at scale. Kudos to Weaviate for this excellent visualization!

In case you missed it, China recently dropped DeepSeek V3-0324 😳 It's only 700GB & 100% open-source AI model. DeepSeek V3-0324 is a massive 685B-parameter AI model that outperforms Claude 3.5 Sonnet in coding and math. More importantly, it is: Open Source. Lightning-fast. Affordable. Here’s everything you need to know 👇 Runs on Your Desk: - Operates smoothly (20 tokens/sec) on a Mac Studio (consumer hardware). - You no longer need enterprise-level budgets or massive data centers. Coding Powerhouse: - Effortlessly generates interactive websites and clean, production-ready code. - Excels at debugging and solving complex coding challenges step-by-step. Costs Pennies, Not Millions: - Trained for just $5.58M vs. $100M+ for GPT-4o. - API price: Only $0.14 per million tokens (OpenAI, watch out). Fully Open-Source: - Released under the MIT license. - Anyone, anywhere, can modify and use it freely. - This means huge potential to democratize advanced AI, enabling startups and small businesses globally. DeepSeek is once again shaking up AI dominance, challenging giants like OpenAI and Anthropic to rethink pricing. Global shift toward accessible, sustainable, and open-source AI tech is closer than we think. Paradigm is shifting. P.S. check out 🔔linas.substack.com🔔, it's the only newsletter you need for all things when Finance meets Technology. For founders, builders, and leaders.

"OpenAI a plié le game" comme disent les jeunes. J'ai toujours pensé (et écrit) que le prompt engineering avait une durée de vie limitée (au moins sur les usages du quotidien). Déjà, depuis un an, le fait de pouvoir itérer sur une image était un avantage important de la combinaison GPT4-Dall‧e, mais là, tous les premiers tests montrent qu'on a franchi un cap énorme. Bien sûr les concurrents vont réagir. Et les usages spécialisés (comme pour la communication ou la publicité) vont utiliser des outils dédiés. Mais quand même... C'est dingo, non ?

📊 Assistants IA et collecte de données : Qui collecte quoi ? Le bilan est sans appel ! SurfShark a comparé le nombre et la nature des types de données collectées par plusieurs IA grand public : 🔴 Gemini (Google) se hisse en tête des pires élèves, en enregistrant 22 types de données différentes, dont certaines extrêmement sensibles : •Localisation précise •Contenu des conversations •Liste des contacts de l’appareil •Historique de navigation 🟠 ChatGPT (OpenAI) n’est pas en reste avec 10 types de données collectées, incluant : •Informations de contact •Contenu utilisateur •Données d’utilisation et diagnostics 🔵 DeepSeek, souvent pointé du doigt, est en réalité dans la moyenne avec 11 types de données collectées, notamment l’historique des conversations. ⚠️ 30% des IA analysées, dont Copilot, partagent certaines de vos données avec des tiers, incluant parfois des courtiers en données. ⚡ Pourquoi c’est un problème ? Cette collecte massive pose plusieurs questions : 1️⃣Risques pour la vie privée : Vos échanges privés, qu’ils soient professionnels ou personnels, peuvent être stockés et exploités. 2️⃣Partage avec des tiers : Certaines entreprises revendent ces informations ou les transmettent à des partenaires peu scrupuleux. 3️⃣Faible transparence : La plupart des utilisateurs n’ont qu’une vague idée de ce qu’ils acceptent en utilisant ces IA. ✅ Comment limiter les dégâts ? 1️⃣ Quand c’est gratuit, c’est vous le produit. 2️⃣Faites attention à ce que vous partagez : Évitez d’envoyer des informations sensibles (confidences personnelles, données clients, éléments stratégiques…). v/ Sane Lebrun 🙏