O que dasd-thinking faz?
🤖 Destile sequências de forma eficaz com DASD-Thinking para melhor raciocínio em contexto longo e desempenho em tarefas complexas.
Visão Geral
DASD-Thinking (Distilled Attention for Sequential Distillation Thinking) é uma técnica de destilação de atenção que permite que agentes de IA processem sequências longas de forma mais eficiente, focando em partes relevantes e reduzindo ruído. Isso é particularmente útil para tarefas que exigem raciocínio profundo, como análise de documentos extensos, debugging de código e planejamento complexo.
Como Funciona
- Segmentação: Divide a sequência de entrada em segmentos menores e gerenciáveis.
- Atenção Focada: Aplica atenção apenas a segmentos relevantes, ignorando partes irrelevantes.
- Destilação: Extrai as informações mais importantes de cada segmento, reduzindo a carga computacional.
- Recomposição: Reconstrói a sequência destilada para raciocínio contínuo.
Plataformas Suportadas
- Claude Code
- Cursor
- Codex (em breve)
- Outras plataformas compatíveis com agentes de IA
Uso
Instalação
Clone o repositório e instale as dependências:
git clone https://github.com/Mohsen6210/dasd-thinking.git
cd dasd-thinking
pip install -r requirements.txt
Configuração
Configure as seguintes variáveis de ambiente:
DASD_MAX_SEGMENT_LENGTH=512
DASD_ATTENTION_THRESHOLD=0.7
DASD_DEVICE=cpu
Exemplo de Uso
from dasd_thinking import DASDThinking
model = DASDThinking()
result = model.process(
sequence="...long sequence here...",
context="...relevant context..."
)
print(result["distilled_sequence"])
Parâmetros
| Parâmetro | Descrição | Padrão |
|---|---|---|
max_segment_length | Tamanho máximo de cada segmento | 512 |
attention_threshold | Limiar para atenção focada | 0.7 |
device | Dispositivo para computação (cpu/cuda) | cpu |
Benefícios
- Melhor desempenho em tarefas com contexto longo
- Redução de custos computacionais
- Maior precisão em raciocínio multi-etapas
- Suporte a plataformas modernas de agentes de IA
Contribuição
Contribuições são bem-vindas! Por favor, leia o guia de contribuição antes de enviar PRs.
Licença
Este projeto está licenciado sob a Licença MIT - veja o arquivo LICENSE para detalhes.