(ऊपर दी गई छवि पर क्लिक करें इस पाठ का वीडियो देखने के लिए)
एआई एजेंट्स में मेटाकॉग्निशन
एआई एजेंट्स में मेटाकॉग्निशन पर पाठ में आपका स्वागत है! यह अध्याय उन शुरुआती लोगों के लिए डिज़ाइन किया गया है जो यह जानने के लिए उत्सुक हैं कि एआई एजेंट्स अपने सोचने की प्रक्रियाओं के बारे में कैसे सोच सकते हैं। इस पाठ के अंत तक, आप प्रमुख अवधारणाओं को समझेंगे और एआई एजेंट डिज़ाइन में मेटाकॉग्निशन लागू करने के लिए व्यावहारिक उदाहरणों से लैस होंगे।
इस पाठ को पूरा करने के बाद, आप सक्षम होंगे:
मेटाकॉग्निशन उच्च-स्तरीय संज्ञानात्मक प्रक्रियाओं को संदर्भित करता है जो किसी के अपने सोचने के तरीके के बारे में सोचने को शामिल करती हैं। एआई एजेंट्स के लिए, इसका मतलब है कि वे आत्म-जागरूकता और पिछले अनुभवों के आधार पर अपने कार्यों का मूल्यांकन और समायोजन कर सकते हैं। मेटाकॉग्निशन, या “सोचने के बारे में सोचना,” एजेंटिक एआई सिस्टम्स के विकास में एक महत्वपूर्ण अवधारणा है। इसमें एआई सिस्टम्स को उनके आंतरिक प्रक्रियाओं के बारे में जागरूक होना और उनके व्यवहार की निगरानी, नियमन और अनुकूलन करने में सक्षम होना शामिल है। ठीक वैसे ही जैसे हम किसी समस्या को समझने या स्थिति का आकलन करने के लिए करते हैं। यह आत्म-जागरूकता एआई सिस्टम्स को बेहतर निर्णय लेने, त्रुटियों की पहचान करने और समय के साथ उनके प्रदर्शन में सुधार करने में मदद कर सकती है - फिर से ट्यूरिंग टेस्ट और इस बहस से जुड़ते हुए कि क्या एआई दुनिया पर कब्जा करने जा रहा है।
एजेंटिक एआई सिस्टम्स के संदर्भ में, मेटाकॉग्निशन कई चुनौतियों को संबोधित करने में मदद कर सकता है, जैसे:
मेटाकॉग्निशन, या “सोचने के बारे में सोचना,” एक उच्च-स्तरीय संज्ञानात्मक प्रक्रिया है जो किसी के संज्ञानात्मक प्रक्रियाओं की आत्म-जागरूकता और आत्म-नियमन को शामिल करती है। एआई के क्षेत्र में, मेटाकॉग्निशन एजेंट्स को उनकी रणनीतियों और कार्यों का मूल्यांकन और अनुकूलन करने में सक्षम बनाता है, जिससे समस्या-समाधान और निर्णय लेने की क्षमताओं में सुधार होता है। मेटाकॉग्निशन को समझकर, आप ऐसे एआई एजेंट्स डिज़ाइन कर सकते हैं जो न केवल अधिक बुद्धिमान हों बल्कि अधिक अनुकूलनीय और कुशल भी हों। सच्चे मेटाकॉग्निशन में, आप देखेंगे कि एआई स्पष्ट रूप से अपने तर्क के बारे में तर्क कर रहा है।
उदाहरण: “मैंने सस्ते फ्लाइट्स को प्राथमिकता दी क्योंकि… हो सकता है कि मैं डायरेक्ट फ्लाइट्स को मिस कर रहा हूं, तो मुझे फिर से जांच करनी चाहिए।” यह ट्रैक करना कि उसने एक निश्चित मार्ग क्यों चुना।
एआई एजेंट डिज़ाइन में मेटाकॉग्निशन कई कारणों से महत्वपूर्ण भूमिका निभाता है:
मेटाकॉग्निटिव प्रक्रियाओं में गहराई से जाने से पहले, एआई एजेंट के बुनियादी घटकों को समझना आवश्यक है। एक एआई एजेंट में आमतौर पर निम्नलिखित शामिल होते हैं:
ये घटक एक “विशेषज्ञता इकाई” बनाने के लिए मिलकर काम करते हैं जो विशिष्ट कार्यों को पूरा कर सकती है।
उदाहरण: एक ट्रैवल एजेंट पर विचार करें, जो न केवल आपकी छुट्टी की योजना बनाता है बल्कि वास्तविक समय डेटा और पिछले ग्राहक यात्रा अनुभवों के आधार पर अपना मार्ग समायोजित करता है।
कल्पना करें कि आप एआई द्वारा संचालित एक ट्रैवल एजेंट सेवा डिज़ाइन कर रहे हैं। यह एजेंट, “ट्रैवल एजेंट,” उपयोगकर्ताओं को उनकी छुट्टियों की योजना बनाने में मदद करता है। मेटाकॉग्निशन को शामिल करने के लिए, ट्रैवल एजेंट को आत्म-जागरूकता और पिछले अनुभवों के आधार पर अपने कार्यों का मूल्यांकन और समायोजन करने की आवश्यकता है। यहाँ मेटाकॉग्निशन कैसे भूमिका निभा सकता है:
वर्तमान कार्य उपयोगकर्ता को पेरिस की यात्रा की योजना बनाने में मदद करना है।
ट्रैवल एजेंट अपने प्रदर्शन का मूल्यांकन करने और पिछले अनुभवों से सीखने के लिए मेटाकॉग्निशन का उपयोग करता है। उदाहरण के लिए:
यहाँ ट्रैवल एजेंट के कोड का एक सरलीकृत उदाहरण है जो मेटाकॉग्निशन को शामिल करता है:
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
self.experience_data = []
def gather_preferences(self, preferences):
self.user_preferences = preferences
def retrieve_information(self):
# Search for flights, hotels, and attractions based on preferences
flights = search_flights(self.user_preferences)
hotels = search_hotels(self.user_preferences)
attractions = search_attractions(self.user_preferences)
return flights, hotels, attractions
def generate_recommendations(self):
flights, hotels, attractions = self.retrieve_information()
itinerary = create_itinerary(flights, hotels, attractions)
return itinerary
def adjust_based_on_feedback(self, feedback):
self.experience_data.append(feedback)
# Analyze feedback and adjust future recommendations
self.user_preferences = adjust_preferences(self.user_preferences, feedback)
# Example usage
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)
मेटाकॉग्निशन को शामिल करके, ट्रैवल एजेंट अधिक व्यक्तिगत और सटीक यात्रा सिफारिशें प्रदान कर सकता है, जिससे समग्र उपयोगकर्ता अनुभव बढ़ता है।
योजना बनाना एआई एजेंट व्यवहार का एक महत्वपूर्ण घटक है। इसमें वर्तमान स्थिति, संसाधनों और संभावित बाधाओं को ध्यान में रखते हुए लक्ष्य प्राप्त करने के लिए आवश्यक चरणों को रेखांकित करना शामिल है।
उदाहरण: यहाँ वे चरण हैं जो ट्रैवल एजेंट को उपयोगकर्ता की यात्रा की प्रभावी ढंग से योजना बनाने में मदद करने के लिए उठाने की आवश्यकता है:
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
self.experience_data = []
def gather_preferences(self, preferences):
self.user_preferences = preferences
def retrieve_information(self):
flights = search_flights(self.user_preferences)
hotels = search_hotels(self.user_preferences)
attractions = search_attractions(self.user_preferences)
return flights, hotels, attractions
def generate_recommendations(self):
flights, hotels, attractions = self.retrieve_information()
itinerary = create_itinerary(flights, hotels, attractions)
return itinerary
def adjust_based_on_feedback(self, feedback):
self.experience_data.append(feedback)
self.user_preferences = adjust_preferences(self.user_preferences, feedback)
# Example usage within a booing request
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)
पहले आइए RAG टूल और प्री-एम्प्टिव कॉन्टेक्स्ट लोड के बीच अंतर को समझें।
RAG एक रिट्रीवल सिस्टम को एक जनरेटिव मॉडल के साथ जोड़ता है। जब कोई क्वेरी की जाती है, तो रिट्रीवल सिस्टम बाहरी स्रोत से प्रासंगिक दस्तावेज़ या डेटा प्राप्त करता है, और इस प्राप्त जानकारी का उपयोग जनरेटिव मॉडल के इनपुट को बढ़ाने के लिए किया जाता है। यह मॉडल को अधिक सटीक और प्रासंगिक प्रतिक्रियाएँ उत्पन्न करने में मदद करता है।
RAG प्रणाली में, एजेंट ज्ञान आधार से प्रासंगिक जानकारी प्राप्त करता है और इसका उपयोग उपयुक्त प्रतिक्रियाएँ या कार्य उत्पन्न करने के लिए करता है।
सुधारात्मक RAG दृष्टिकोण एआई एजेंट्स की सटीकता में सुधार करने और त्रुटियों को सुधारने के लिए RAG तकनीकों का उपयोग करने पर केंद्रित है। इसमें शामिल है:
एक सर्च एजेंट पर विचार करें जो उपयोगकर्ता क्वेरी का उत्तर देने के लिए वेब से जानकारी प्राप्त करता है। सुधारात्मक RAG दृष्टिकोण में शामिल हो सकता है:
सुधारात्मक RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) एआई की जानकारी प्राप्त करने और उत्पन्न करने की क्षमता को बढ़ाता है, साथ ही किसी भी अशुद्धियों को सुधारता है। आइए देखें कि ट्रैवल एजेंट सुधारात्मक RAG दृष्टिकोण का उपयोग करके अधिक सटीक और प्रासंगिक यात्रा सिफारिशें कैसे प्रदान कर सकता है।
इसमें शामिल है:
उदाहरण:
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
उदाहरण:
flights = search_flights(preferences)
hotels = search_hotels(preferences)
attractions = search_attractions(preferences)
** ```python class Travel_Agent: def init(self): self.user_preferences = {} self.experience_data = []
def gather_preferences(self, preferences): self.user_preferences = preferences
def retrieve_information(self): flights = search_flights(self.user_preferences) hotels = search_hotels(self.user_preferences) attractions = search_attractions(self.user_preferences) return flights, hotels, attractions
def generate_recommendations(self): flights, hotels, attractions = self.retrieve_information() itinerary = create_itinerary(flights, hotels, attractions) return itinerary
def adjust_based_on_feedback(self, feedback): self.experience_data.append(feedback) self.user_preferences = adjust_preferences(self.user_preferences, feedback) new_itinerary = self.generate_recommendations() return new_itinerary
travel_agent = Travel_Agent() preferences = { “destination”: “Paris”, “dates”: “2025-04-01 to 2025-04-10”, “budget”: “moderate”, “interests”: [“museums”, “cuisine”] } travel_agent.gather_preferences(preferences) itinerary = travel_agent.generate_recommendations() print(“Suggested Itinerary:”, itinerary) feedback = {“liked”: [“Louvre Museum”], “disliked”: [“Eiffel Tower (too crowded)”]} new_itinerary = travel_agent.adjust_based_on_feedback(feedback) print(“Updated Itinerary:”, new_itinerary)
### पूर्व-संदर्भ लोड
पूर्व-संदर्भ लोड का मतलब है कि किसी क्वेरी को प्रोसेस करने से पहले मॉडल में संबंधित संदर्भ या पृष्ठभूमि की जानकारी लोड करना। इसका मतलब है कि मॉडल को शुरुआत से ही इस जानकारी तक पहुंच होती है, जिससे वह अतिरिक्त डेटा को प्रोसेस के दौरान पुनः प्राप्त किए बिना अधिक सूचित उत्तर प्रदान कर सकता है।
यहां एक सरल उदाहरण दिया गया है कि यात्रा एजेंट एप्लिकेशन के लिए पूर्व-संदर्भ लोड कैसा दिख सकता है:
```python
class TravelAgent:
def __init__(self):
# Pre-load popular destinations and their information
self.context = {
"Paris": {"country": "France", "currency": "Euro", "language": "French", "attractions": ["Eiffel Tower", "Louvre Museum"]},
"Tokyo": {"country": "Japan", "currency": "Yen", "language": "Japanese", "attractions": ["Tokyo Tower", "Shibuya Crossing"]},
"New York": {"country": "USA", "currency": "Dollar", "language": "English", "attractions": ["Statue of Liberty", "Times Square"]},
"Sydney": {"country": "Australia", "currency": "Dollar", "language": "English", "attractions": ["Sydney Opera House", "Bondi Beach"]}
}
def get_destination_info(self, destination):
# Fetch destination information from pre-loaded context
info = self.context.get(destination)
if info:
return f"{destination}:\nCountry: {info['country']}\nCurrency: {info['currency']}\nLanguage: {info['language']}\nAttractions: {', '.join(info['attractions'])}"
else:
return f"Sorry, we don't have information on {destination}."
# Example usage
travel_agent = TravelAgent()
print(travel_agent.get_destination_info("Paris"))
print(travel_agent.get_destination_info("Tokyo"))
प्रारंभिक सेटअप (__init__
मेथड): TravelAgent
क्लास एक डिक्शनरी को पहले से लोड करता है, जिसमें पेरिस, टोक्यो, न्यूयॉर्क और सिडनी जैसे लोकप्रिय स्थलों की जानकारी होती है। इस डिक्शनरी में प्रत्येक गंतव्य के लिए देश, मुद्रा, भाषा और प्रमुख आकर्षण जैसी जानकारी शामिल होती है।
जानकारी प्राप्त करना (get_destination_info
मेथड): जब कोई उपयोगकर्ता किसी विशेष गंतव्य के बारे में पूछता है, तो get_destination_info
मेथड पहले से लोड किए गए संदर्भ डिक्शनरी से संबंधित जानकारी प्राप्त करता है।
संदर्भ को पहले से लोड करके, यात्रा एजेंट एप्लिकेशन उपयोगकर्ता की क्वेरी का तेजी से उत्तर दे सकता है, बिना इस जानकारी को वास्तविक समय में किसी बाहरी स्रोत से पुनः प्राप्त किए। यह एप्लिकेशन को अधिक कुशल और उत्तरदायी बनाता है।
लक्ष्य के साथ योजना की शुरुआत करने का मतलब है कि प्रक्रिया शुरू करने से पहले एक स्पष्ट उद्देश्य या परिणाम को परिभाषित करना। इस लक्ष्य को पहले से परिभाषित करके, मॉडल इसे पूरी प्रक्रिया के दौरान एक मार्गदर्शक सिद्धांत के रूप में उपयोग कर सकता है। यह सुनिश्चित करता है कि प्रत्येक चरण वांछित परिणाम प्राप्त करने के करीब ले जाए, जिससे प्रक्रिया अधिक कुशल और केंद्रित हो।
यहां एक उदाहरण दिया गया है कि यात्रा एजेंट के लिए यात्रा योजना को लक्ष्य के साथ कैसे शुरू किया जा सकता है:
एक यात्रा एजेंट ग्राहक के लिए एक अनुकूलित अवकाश योजना बनाना चाहता है। लक्ष्य है ग्राहक की प्राथमिकताओं और बजट के आधार पर एक यात्रा कार्यक्रम तैयार करना जो उनकी संतुष्टि को अधिकतम करे।
class TravelAgent:
def __init__(self, destinations):
self.destinations = destinations
def bootstrap_plan(self, preferences, budget):
plan = []
total_cost = 0
for destination in self.destinations:
if total_cost + destination['cost'] <= budget and self.match_preferences(destination, preferences):
plan.append(destination)
total_cost += destination['cost']
return plan
def match_preferences(self, destination, preferences):
for key, value in preferences.items():
if destination.get(key) != value:
return False
return True
def iterate_plan(self, plan, preferences, budget):
for i in range(len(plan)):
for destination in self.destinations:
if destination not in plan and self.match_preferences(destination, preferences) and self.calculate_cost(plan, destination) <= budget:
plan[i] = destination
break
return plan
def calculate_cost(self, plan, new_destination):
return sum(destination['cost'] for destination in plan) + new_destination['cost']
# Example usage
destinations = [
{"name": "Paris", "cost": 1000, "activity": "sightseeing"},
{"name": "Tokyo", "cost": 1200, "activity": "shopping"},
{"name": "New York", "cost": 900, "activity": "sightseeing"},
{"name": "Sydney", "cost": 1100, "activity": "beach"},
]
preferences = {"activity": "sightseeing"}
budget = 2000
travel_agent = TravelAgent(destinations)
initial_plan = travel_agent.bootstrap_plan(preferences, budget)
print("Initial Plan:", initial_plan)
refined_plan = travel_agent.iterate_plan(initial_plan, preferences, budget)
print("Refined Plan:", refined_plan)
प्रारंभिक सेटअप (__init__
मेथड): TravelAgent
क्लास संभावित गंतव्यों की एक सूची के साथ प्रारंभ होता है, जिसमें नाम, लागत और गतिविधि प्रकार जैसे गुण होते हैं।
योजना की शुरुआत (bootstrap_plan
मेथड): यह मेथड ग्राहक की प्राथमिकताओं और बजट के आधार पर एक प्रारंभिक यात्रा योजना बनाता है। यह गंतव्यों की सूची के माध्यम से दोहराता है और उन्हें योजना में जोड़ता है यदि वे ग्राहक की प्राथमिकताओं से मेल खाते हैं और बजट में फिट होते हैं।
प्राथमिकताओं का मिलान (match_preferences
मेथड): यह मेथड जांचता है कि क्या कोई गंतव्य ग्राहक की प्राथमिकताओं से मेल खाता है।
योजना को दोहराना (iterate_plan
मेथड): यह मेथड प्रारंभिक योजना को परिष्कृत करता है, प्रत्येक गंतव्य को बेहतर विकल्प के साथ बदलने की कोशिश करता है, ग्राहक की प्राथमिकताओं और बजट बाधाओं को ध्यान में रखते हुए।
लागत की गणना (calculate_cost
मेथड): यह मेथड वर्तमान योजना की कुल लागत की गणना करता है, जिसमें संभावित नए गंतव्य भी शामिल हैं।
योजना को एक स्पष्ट लक्ष्य (जैसे, ग्राहक की संतुष्टि को अधिकतम करना) के साथ शुरू करके और योजना को परिष्कृत करने के लिए दोहराकर, यात्रा एजेंट ग्राहक के लिए एक अनुकूलित और अनुकूलित यात्रा कार्यक्रम बना सकता है। यह दृष्टिकोण सुनिश्चित करता है कि यात्रा योजना शुरुआत से ही ग्राहक की प्राथमिकताओं और बजट के साथ मेल खाती है और प्रत्येक पुनरावृत्ति के साथ बेहतर होती जाती है।
बड़े भाषा मॉडल (LLMs) का उपयोग पुनः रैंकिंग और स्कोरिंग के लिए किया जा सकता है, ताकि प्राप्त दस्तावेज़ों या उत्पन्न उत्तरों की प्रासंगिकता और गुणवत्ता का मूल्यांकन किया जा सके। यह कैसे काम करता है:
पुनः प्राप्ति: प्रारंभिक पुनः प्राप्ति चरण क्वेरी के आधार पर संभावित दस्तावेज़ों या उत्तरों का एक सेट प्राप्त करता है।
पुनः रैंकिंग: LLM इन संभावनाओं का मूल्यांकन करता है और उन्हें उनकी प्रासंगिकता और गुणवत्ता के आधार पर पुनः रैंक करता है। यह चरण सुनिश्चित करता है कि सबसे प्रासंगिक और उच्च-गुणवत्ता की जानकारी पहले प्रस्तुत की जाए।
स्कोरिंग: LLM प्रत्येक संभावना को स्कोर प्रदान करता है, जो उनकी प्रासंगिकता और गुणवत्ता को दर्शाता है। यह उपयोगकर्ता के लिए सबसे अच्छा उत्तर या दस्तावेज़ चुनने में मदद करता है।
LLMs का उपयोग पुनः रैंकिंग और स्कोरिंग के लिए करके, सिस्टम अधिक सटीक और प्रासंगिक जानकारी प्रदान कर सकता है, जिससे समग्र उपयोगकर्ता अनुभव में सुधार होता है।
यहां एक उदाहरण दिया गया है कि यात्रा एजेंट उपयोगकर्ता की प्राथमिकताओं के आधार पर यात्रा गंतव्यों को पुनः रैंक और स्कोर करने के लिए बड़े भाषा मॉडल (LLM) का उपयोग कैसे कर सकता है:
एक यात्रा एजेंट ग्राहक को उनकी प्राथमिकताओं के आधार पर सर्वोत्तम यात्रा गंतव्य सुझाना चाहता है। LLM गंतव्यों को पुनः रैंक और स्कोर करने में मदद करेगा ताकि सबसे प्रासंगिक विकल्प प्रस्तुत किए जा सकें।
यहां दिखाया गया है कि पिछले उदाहरण को Azure OpenAI सेवाओं का उपयोग करके कैसे अपडेट किया जा सकता है:
import requests
import json
class TravelAgent:
def __init__(self, destinations):
self.destinations = destinations
def get_recommendations(self, preferences, api_key, endpoint):
# Generate a prompt for the Azure OpenAI
prompt = self.generate_prompt(preferences)
# Define headers and payload for the request
headers = {
'Content-Type': 'application/json',
'Authorization': f'Bearer {api_key}'
}
payload = {
"prompt": prompt,
"max_tokens": 150,
"temperature": 0.7
}
# Call the Azure OpenAI API to get the re-ranked and scored destinations
response = requests.post(endpoint, headers=headers, json=payload)
response_data = response.json()
# Extract and return the recommendations
recommendations = response_data['choices'][0]['text'].strip().split('\n')
return recommendations
def generate_prompt(self, preferences):
prompt = "Here are the travel destinations ranked and scored based on the following user preferences:\n"
for key, value in preferences.items():
prompt += f"{key}: {value}\n"
prompt += "\nDestinations:\n"
for destination in self.destinations:
prompt += f"- {destination['name']}: {destination['description']}\n"
return prompt
# Example usage
destinations = [
{"name": "Paris", "description": "City of lights, known for its art, fashion, and culture."},
{"name": "Tokyo", "description": "Vibrant city, famous for its modernity and traditional temples."},
{"name": "New York", "description": "The city that never sleeps, with iconic landmarks and diverse culture."},
{"name": "Sydney", "description": "Beautiful harbour city, known for its opera house and stunning beaches."},
]
preferences = {"activity": "sightseeing", "culture": "diverse"}
api_key = 'your_azure_openai_api_key'
endpoint = 'https://your-endpoint.com/openai/deployments/your-deployment-name/completions?api-version=2022-12-01'
travel_agent = TravelAgent(destinations)
recommendations = travel_agent.get_recommendations(preferences, api_key, endpoint)
print("Recommended Destinations:")
for rec in recommendations:
print(rec)
प्रारंभिक सेटअप: TravelAgent
क्लास संभावित यात्रा गंतव्यों की एक सूची के साथ प्रारंभ होता है, जिसमें नाम और विवरण जैसे गुण होते हैं।
सिफारिशें प्राप्त करना (get_recommendations
मेथड): यह मेथड उपयोगकर्ता की प्राथमिकताओं के आधार पर Azure OpenAI सेवा के लिए एक प्रॉम्प्ट उत्पन्न करता है और गंतव्यों को पुनः रैंक और स्कोर करने के लिए Azure OpenAI API को HTTP POST अनुरोध भेजता है।
प्रॉम्प्ट उत्पन्न करना (generate_prompt
मेथड): यह मेथड Azure OpenAI के लिए एक प्रॉम्प्ट तैयार करता है, जिसमें उपयोगकर्ता की प्राथमिकताएं और गंतव्यों की सूची शामिल होती है। प्रॉम्प्ट मॉडल को गंतव्यों को पुनः रैंक और स्कोर करने के लिए मार्गदर्शन करता है।
API कॉल: requests
लाइब्रेरी का उपयोग Azure OpenAI API एंडपॉइंट पर HTTP POST अनुरोध करने के लिए किया जाता है। प्रतिक्रिया में पुनः रैंक और स्कोर किए गए गंतव्य शामिल होते हैं।
उदाहरण उपयोग: यात्रा एजेंट उपयोगकर्ता की प्राथमिकताओं (जैसे, दर्शनीय स्थलों और विविध संस्कृति में रुचि) को एकत्र करता है और यात्रा गंतव्यों के लिए पुनः रैंक और स्कोर की गई सिफारिशें प्राप्त करने के लिए Azure OpenAI सेवा का उपयोग करता है।
your_azure_openai_api_key
को अपनी वास्तविक Azure OpenAI API कुंजी और https://your-endpoint.com/...
को अपने Azure OpenAI परिनियोजन के वास्तविक एंडपॉइंट URL से बदलना सुनिश्चित करें।
LLM का उपयोग पुनः रैंकिंग और स्कोरिंग के लिए करके, यात्रा एजेंट ग्राहकों को अधिक व्यक्तिगत और प्रासंगिक यात्रा सिफारिशें प्रदान कर सकता है, जिससे उनका समग्र अनुभव बेहतर होता है।
आइए ट्रैवल एजेंट का उदाहरण लें और देखें कि इरादे के साथ खोज को कैसे लागू किया जा सकता है।
उपयोगकर्ता की प्राथमिकताएँ एकत्र करना
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
def gather_preferences(self, preferences):
self.user_preferences = preferences
उपयोगकर्ता के इरादे को समझना
def identify_intent(query):
if "book" in query or "purchase" in query:
return "transactional"
elif "website" in query or "official" in query:
return "navigational"
else:
return "informational"
संदर्भ जागरूकता
def analyze_context(query, user_history):
# Combine current query with user history to understand context
context = {
"current_query": query,
"user_history": user_history
}
return context
परिणाम खोजें और व्यक्तिगत बनाएं
def search_with_intent(query, preferences, user_history):
intent = identify_intent(query)
context = analyze_context(query, user_history)
if intent == "informational":
search_results = search_information(query, preferences)
elif intent == "navigational":
search_results = search_navigation(query)
elif intent == "transactional":
search_results = search_transaction(query, preferences)
personalized_results = personalize_results(search_results, user_history)
return personalized_results
def search_information(query, preferences):
# Example search logic for informational intent
results = search_web(f"best {preferences['interests']} in {preferences['destination']}")
return results
def search_navigation(query):
# Example search logic for navigational intent
results = search_web(query)
return results
def search_transaction(query, preferences):
# Example search logic for transactional intent
results = search_web(f"book {query} to {preferences['destination']}")
return results
def personalize_results(results, user_history):
# Example personalization logic
personalized = [result for result in results if result not in user_history]
return personalized[:10] # Return top 10 personalized results
उदाहरण उपयोग
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
user_history = ["Louvre Museum website", "Book flight to Paris"]
query = "best museums in Paris"
results = search_with_intent(query, preferences, user_history)
print("Search Results:", results)
कोड जेनरेट करने वाले एजेंट AI मॉडल का उपयोग कोड लिखने और निष्पादित करने के लिए करते हैं, जिससे जटिल समस्याओं का समाधान और कार्यों का स्वचालन होता है।
कोड जेनरेट करने वाले एजेंट जनरेटिव AI मॉडल का उपयोग कोड लिखने और निष्पादित करने के लिए करते हैं। ये एजेंट जटिल समस्याओं को हल कर सकते हैं, कार्यों को स्वचालित कर सकते हैं, और विभिन्न प्रोग्रामिंग भाषाओं में कोड जेनरेट और रन करके मूल्यवान अंतर्दृष्टि प्रदान कर सकते हैं।
कल्पना करें कि आप एक कोड जेनरेट करने वाले एजेंट को डिज़ाइन कर रहे हैं। यह इस प्रकार काम कर सकता है:
इस उदाहरण में, हम एक कोड जेनरेट करने वाले एजेंट, ट्रैवल एजेंट, को डिज़ाइन करेंगे, जो उपयोगकर्ताओं को यात्रा की योजना बनाने में कोड जेनरेट और निष्पादित करके सहायता करेगा। यह एजेंट यात्रा विकल्पों को प्राप्त करने, परिणामों को फ़िल्टर करने, और जनरेटिव AI का उपयोग करके एक यात्रा कार्यक्रम तैयार करने जैसे कार्यों को संभाल सकता है।
उपयोगकर्ता की प्राथमिकताएँ एकत्र करना
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
def gather_preferences(self, preferences):
self.user_preferences = preferences
डेटा प्राप्त करने के लिए कोड जेनरेट करना
def generate_code_to_fetch_data(preferences):
# Example: Generate code to search for flights based on user preferences
code = f"""
def search_flights():
import requests
response = requests.get('https://api.example.com/flights', params={preferences})
return response.json()
"""
return code
def generate_code_to_fetch_hotels(preferences):
# Example: Generate code to search for hotels
code = f"""
def search_hotels():
import requests
response = requests.get('https://api.example.com/hotels', params={preferences})
return response.json()
"""
return code
जेनरेट किए गए कोड को निष्पादित करना
def execute_code(code):
# Execute the generated code using exec
exec(code)
result = locals()
return result
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
flight_code = generate_code_to_fetch_data(preferences)
hotel_code = generate_code_to_fetch_hotels(preferences)
flights = execute_code(flight_code)
hotels = execute_code(hotel_code)
print("Flight Options:", flights)
print("Hotel Options:", hotels)
यात्रा कार्यक्रम तैयार करना
def generate_itinerary(flights, hotels, attractions):
itinerary = {
"flights": flights,
"hotels": hotels,
"attractions": attractions
}
return itinerary
attractions = search_attractions(preferences)
itinerary = generate_itinerary(flights, hotels, attractions)
print("Suggested Itinerary:", itinerary)
प्रतिक्रिया के आधार पर समायोजन करना
def adjust_based_on_feedback(feedback, preferences):
# Adjust preferences based on user feedback
if "liked" in feedback:
preferences["favorites"] = feedback["liked"]
if "disliked" in feedback:
preferences["avoid"] = feedback["disliked"]
return preferences
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences)
# Regenerate and execute code with updated preferences
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)
updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)
updated_itinerary = generate_itinerary(updated_flights, updated_hotels, attractions)
print("Updated Itinerary:", updated_itinerary)
टेबल की स्कीमा के आधार पर क्वेरी जेनरेशन प्रक्रिया को पर्यावरणीय जागरूकता और तर्क का उपयोग करके बेहतर बनाया जा सकता है।
यहां बताया गया है कि इसे कैसे किया जा सकता है:
यहां एक अपडेटेड Python कोड उदाहरण है जो इन अवधारणाओं को शामिल करता है:
def adjust_based_on_feedback(feedback, preferences, schema):
# Adjust preferences based on user feedback
if "liked" in feedback:
preferences["favorites"] = feedback["liked"]
if "disliked" in feedback:
preferences["avoid"] = feedback["disliked"]
# Reasoning based on schema to adjust other related preferences
for field in schema:
if field in preferences:
preferences[field] = adjust_based_on_environment(feedback, field, schema)
return preferences
def adjust_based_on_environment(feedback, field, schema):
# Custom logic to adjust preferences based on schema and feedback
if field in feedback["liked"]:
return schema[field]["positive_adjustment"]
elif field in feedback["disliked"]:
return schema[field]["negative_adjustment"]
return schema[field]["default"]
def generate_code_to_fetch_data(preferences):
# Generate code to fetch flight data based on updated preferences
return f"fetch_flights(preferences={preferences})"
def generate_code_to_fetch_hotels(preferences):
# Generate code to fetch hotel data based on updated preferences
return f"fetch_hotels(preferences={preferences})"
def execute_code(code):
# Simulate execution of code and return mock data
return {"data": f"Executed: {code}"}
def generate_itinerary(flights, hotels, attractions):
# Generate itinerary based on flights, hotels, and attractions
return {"flights": flights, "hotels": hotels, "attractions": attractions}
# Example schema
schema = {
"favorites": {"positive_adjustment": "increase", "negative_adjustment": "decrease", "default": "neutral"},
"avoid": {"positive_adjustment": "decrease", "negative_adjustment": "increase", "default": "neutral"}
}
# Example usage
preferences = {"favorites": "sightseeing", "avoid": "crowded places"}
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences, schema)
# Regenerate and execute code with updated preferences
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)
updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)
updated_itinerary = generate_itinerary(updated_flights, updated_hotels, feedback["liked"])
print("Updated Itinerary:", updated_itinerary)
schema
डिक्शनरी परिभाषित करती है कि प्रतिक्रिया के आधार पर प्राथमिकताओं को कैसे समायोजित किया जाना चाहिए। इसमें favorites
और avoid
जैसे फ़ील्ड्स शामिल हैं, जिनके लिए संबंधित समायोजन हैं।adjust_based_on_feedback
मेथड): यह मेथड प्रतिक्रिया और स्कीमा के आधार पर प्राथमिकताओं को समायोजित करता है।adjust_based_on_environment
मेथड): यह मेथड स्कीमा और प्रतिक्रिया के आधार पर समायोजन को अनुकूलित करता है।सिस्टम को पर्यावरण-जागरूक और स्कीमा के आधार पर तर्कशील बनाकर, यह अधिक सटीक और प्रासंगिक क्वेरी जेनरेट कर सकता है, जिससे बेहतर यात्रा अनुशंसाएँ और अधिक व्यक्तिगत उपयोगकर्ता अनुभव प्राप्त होता है।
SQL (स्ट्रक्चर्ड क्वेरी लैंग्वेज) डेटाबेस के साथ इंटरैक्ट करने के लिए एक शक्तिशाली टूल है। Retrieval-Augmented Generation (RAG) दृष्टिकोण के हिस्से के रूप में उपयोग किए जाने पर, SQL डेटाबेस से प्रासंगिक डेटा प्राप्त कर सकता है ताकि AI एजेंट्स में प्रतिक्रियाओं या कार्यों को सूचित और जेनरेट किया जा सके। आइए देखें कि ट्रैवल एजेंट के संदर्भ में SQL को RAG तकनीक के रूप में कैसे उपयोग किया जा सकता है।
उदाहरण: एक डेटा विश्लेषण एजेंट:
उपयोगकर्ता की प्राथमिकताएँ एकत्र करना
class Travel_Agent:
def __init__(self):
self.user_preferences = {}
def gather_preferences(self, preferences):
self.user_preferences = preferences
SQL क्वेरी जेनरेट करना
def generate_sql_query(table, preferences):
query = f"SELECT * FROM {table} WHERE "
conditions = []
for key, value in preferences.items():
conditions.append(f"{key}='{value}'")
query += " AND ".join(conditions)
return query
SQL क्वेरी निष्पादित करना
import sqlite3
def execute_sql_query(query, database="travel.db"):
connection = sqlite3.connect(database)
cursor = connection.cursor()
cursor.execute(query)
results = cursor.fetchall()
connection.close()
return results
अनुशंसाएँ जेनरेट करना
def generate_recommendations(preferences):
flight_query = generate_sql_query("flights", preferences)
hotel_query = generate_sql_query("hotels", preferences)
attraction_query = generate_sql_query("attractions", preferences)
flights = execute_sql_query(flight_query)
hotels = execute_sql_query(hotel_query)
attractions = execute_sql_query(attraction_query)
itinerary = {
"flights": flights,
"hotels": hotels,
"attractions": attractions
}
return itinerary
travel_agent = Travel_Agent()
preferences = {
"destination": "Paris",
"dates": "2025-04-01 to 2025-04-10",
"budget": "moderate",
"interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = generate_recommendations(preferences)
print("Suggested Itinerary:", itinerary)
फ्लाइट क्वेरी
SELECT * FROM flights WHERE destination='Paris' AND dates='2025-04-01 to 2025-04-10' AND budget='moderate';
होटल क्वेरी
SELECT * FROM hotels WHERE destination='Paris' AND budget='moderate';
आकर्षण क्वेरी
SELECT * FROM attractions WHERE destination='Paris' AND interests='museums, cuisine';
SQL को Retrieval-Augmented Generation (RAG) तकनीक के हिस्से के रूप में उपयोग करके, ट्रैवल एजेंट जैसे AI एजेंट प्रासंगिक डेटा को डायनामिक रूप से प्राप्त और उपयोग कर सकते हैं, जिससे सटीक और व्यक्तिगत अनुशंसाएँ प्रदान की जा सकती हैं।
मेटाकॉग्निशन को लागू करने का एक उदाहरण दिखाने के लिए, आइए एक सरल एजेंट बनाएं जो अपने निर्णय लेने की प्रक्रिया पर विचार करता है और समस्या को हल करते समय अपनी रणनीति को समायोजित करता है। इस उदाहरण में, हम एक सिस्टम बनाएंगे जहां एक एजेंट होटल का चयन करने का प्रयास करता है, लेकिन जब यह त्रुटियाँ करता है या सबऑप्टिमल विकल्प चुनता है, तो अपनी रणनीति का मूल्यांकन करता है और इसे समायोजित करता है।
यहां एक उदाहरण है:
class HotelRecommendationAgent:
def __init__(self):
self.previous_choices = [] # Stores the hotels chosen previously
self.corrected_choices = [] # Stores the corrected choices
self.recommendation_strategies = ['cheapest', 'highest_quality'] # Available strategies
def recommend_hotel(self, hotels, strategy):
"""
Recommend a hotel based on the chosen strategy.
The strategy can either be 'cheapest' or 'highest_quality'.
"""
if strategy == 'cheapest':
recommended = min(hotels, key=lambda x: x['price'])
elif strategy == 'highest_quality':
recommended = max(hotels, key=lambda x: x['quality'])
else:
recommended = None
self.previous_choices.append((strategy, recommended))
return recommended
def reflect_on_choice(self):
"""
Reflect on the last choice made and decide if the agent should adjust its strategy.
The agent considers if the previous choice led to a poor outcome.
"""
if not self.previous_choices:
return "No choices made yet."
last_choice_strategy, last_choice = self.previous_choices[-1]
# Let's assume we have some user feedback that tells us whether the last choice was good or not
user_feedback = self.get_user_feedback(last_choice)
if user_feedback == "bad":
# Adjust strategy if the previous choice was unsatisfactory
new_strategy = 'highest_quality' if last_choice_strategy == 'cheapest' else 'cheapest'
self.corrected_choices.append((new_strategy, last_choice))
return f"Reflecting on choice. Adjusting strategy to {new_strategy}."
else:
return "The choice was good. No need to adjust."
def get_user_feedback(self, hotel):
"""
Simulate user feedback based on hotel attributes.
For simplicity, assume if the hotel is too cheap, the feedback is "bad".
If the hotel has quality less than 7, feedback is "bad".
"""
if hotel['price'] < 100 or hotel['quality'] < 7:
return "bad"
return "good"
# Simulate a list of hotels (price and quality)
hotels = [
{'name': 'Budget Inn', 'price': 80, 'quality': 6},
{'name': 'Comfort Suites', 'price': 120, 'quality': 8},
{'name': 'Luxury Stay', 'price': 200, 'quality': 9}
]
# Create an agent
agent = HotelRecommendationAgent()
# Step 1: The agent recommends a hotel using the "cheapest" strategy
recommended_hotel = agent.recommend_hotel(hotels, 'cheapest')
print(f"Recommended hotel (cheapest): {recommended_hotel['name']}")
# Step 2: The agent reflects on the choice and adjusts strategy if necessary
reflection_result = agent.reflect_on_choice()
print(reflection_result)
# Step 3: The agent recommends again, this time using the adjusted strategy
adjusted_recommendation = agent.recommend_hotel(hotels, 'highest_quality')
print(f"Adjusted hotel recommendation (highest_quality): {adjusted_recommendation['name']}")
मुख्य बात यह है कि एजेंट की क्षमता:
यह मेटाकॉग्निशन का एक सरल रूप है, जहां सिस्टम आंतरिक प्रतिक्रिया के आधार पर अपनी तर्क प्रक्रिया को समायोजित करने में सक्षम है।
मेटाकॉग्निशन एक शक्तिशाली उपकरण है जो AI एजेंट्स की क्षमताओं को काफी हद तक बढ़ा सकता है। मेटाकॉग्निटिव प्रक्रियाओं को शामिल करके, आप ऐसे एजेंट डिज़ाइन कर सकते हैं जो अधिक बुद्धिमान, अनुकूलनीय, और कुशल हों। अतिरिक्त संसाधनों का उपयोग करके AI एजेंट्स में मेटाकॉग्निशन की रोमांचक दुनिया का और अधिक अन्वेषण करें।
Azure AI Foundry Discord से जुड़ें, अन्य शिक्षार्थियों से मिलें, ऑफिस आवर्स में भाग लें, और अपने AI एजेंट्स से संबंधित प्रश्नों के उत्तर प्राप्त करें।
अस्वीकरण:
यह दस्तावेज़ AI अनुवाद सेवा Co-op Translator का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयासरत हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में लिखा गया दस्तावेज़ ही आधिकारिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।