ai-agents-for-beginners
អនុមឹកសម្រាប់ភ្នាក់ងារ AI
ពេលពិភាក្សាអំពីអត្ថប្រយោជន៍ពិសេសនៃការបង្កើតភ្នាក់ងារ AI មានរឿងពីរដែលចម្បងត្រូវបានពិភាក្សា៖ សមត្ថភាពហៅឧបករណ៍ដើម្បីបញ្ចប់ភារកិច្ច និងសមត្ថភាពថ្មីប្រសើរឡើងជាយូរអង្វែង។ អនុមឹកគឺជាមូលដ្ឋានសំខាន់សម្រាប់ការបង្កើតភ្នាក់ងារដែលអាចបង្កើតបទពិសោធន៍ល្អប្រសើរសម្រាប់អ្នកប្រើប្រាស់របស់យើង។
ក្នុងមេរៀននេះ យើងនឹងមើលថាអនុមឹកមានអ្វីសម្រាប់ភ្នាក់ងារ AI ហើយធ្វើដូចម្តេចដើម្បីគ្រប់គ្រងនិងប្រើវាសម្រាប់អត្ថប្រយោជន៍នៃកម្មវិធីរបស់យើង។
ការណែនាំ
មេរៀននេះនឹងគ្របដណ្តប់៖
• ការយល់ដឹងអំពីអនុមឹកភ្នាក់ងារ AI៖ អនុមឹកមានអ្វី និងហេតុអ្វីវាស្ថិតសំខាន់សម្រាប់ភ្នាក់ងារ។
• ការអនុវត្តន៍និងរក្សាទុកអនុមឹក៖ វិធីអនុវត្តន៍ជាក់ស្តែងសម្រាប់បន្ថែមសមត្ថភាពអនុមឹកទៅភ្នាក់ងារ AI របស់អ្នក ដោយផ្ដោតលើអនុមឹកនេះចំណុចខ្លីនិងអនុមឹករយៈពេលវែង។
• ធ្វើឲ្យភ្នាក់ងារ AI មានសមត្ថភាពធ្វើឲ្យខ្លួនឯងប្រសើរឡើង៖ របៀបដែលអនុមឹកអនុញ្ញាតឲ្យភ្នាក់ងារ រៀនពីការប្រាស្រ័យទាក់ទងកន្លងមក និងប្រសើរឡើងជាយូរអង្វែង។
ការអនុវត្តមានក្នុងមុខ
មេរៀននេះរួមមានធាតុបណ្ដុះបណ្ដាលកំណត់ត្រានូតប៊ុកពីរដូចខាងក្រោម៖
• 13-agent-memory.ipynb៖ អនុវត្តអនុមឹកដោយប្រើ Mem0 និង Azure AI Search ជាមួយ Microsoft Agent Framework
• 13-agent-memory-cognee.ipynb៖ អនុវត្តអនុមឹកដែលមានរចនាសម្ព័ន្ធដោយប្រើ Cognee ដែលស្វ័យប្រវត្តិកសាងក្រាហ្វិចចំណេះដឹងដែលគាំទ្រដោយ embeddings ការបង្ហាញក្រាហ្វ និងការទាញយកយ៉ាងឆ្លាតវៃ
គោលដៅរៀន
បន្ទាប់ពីបញ្ចប់មេរៀននេះ អ្នកនឹងអាច៖
• បំបែកខុសគ្នារវាងប្រភេទអនុមឹកភ្នាក់ងារ AI ផ្សេងៗ រួមមានអនុមឹកការងារ អនុមឹកខ្លី និងអនុមឹករយៈពេលវែង ព្រមទាំងបែបជាក់លាក់ដូចជា អនុមឹកpersona និងអនុមឹកepisodic។
• អនុវត្តន៍និងគ្រប់គ្រងអនុមឹកខ្លីនិងរយៈពេលវែងសម្រាប់ភ្នាក់ងារ AI ដោយប្រើ Microsoft Agent Framework ព្រមទាំងប្រើឧបករណ៍ដូចជា Mem0, Cognee, អនុមឹកWhiteboard និងចូលរួមជាមួយ Azure AI Search។
• យល់ដឹងពីគោលការណ៍ពីក្រោយភ្នាក់ងារ AI ដែលធ្វើឲ្យខ្លួនឯងប្រសើរឡើង ហើយរបៀបដែលប្រព័ន្ធគ្រប់គ្រងអនុមឹករឹងមាំចូលរួមក្នុងការរៀនបន្ត និងការប្តូរតាមសម័យ។
ការយល់ដឹងអំពីអនុមឹកភ្នាក់ងារ AI
នៅមូលដ្ឋាន អនុមឹកសម្រាប់ភ្នាក់ងារ AI មានន័យថា យន្តការ ដែលអនុញ្ញាតឲ្យលួរក និងរំលឹកព័ត៌មាន។ ព័ត៌មាននេះអាចជារឿងលម្អិតជាក់លាក់អំពីការសន្ទនា ចូលចិត្តរបស់អ្នកប្រើ ការគ្រប់គ្រងពីមុន ឬរបៀបដែលរៀនបាន។
បើគ្មានអនុមឹក កម្មវិធី AI ជាច្រើនភាគច្រើនគឺមិនមានស្ថានភាព (stateless) មានន័យថាការប្រាស្រ័យទាក់ទងគ្រប់គ្រាន់ត្រូវចាប់ផ្ដើមពីចន្លោះសូន្យ។ វាបណ្ដាលឲ្យមានបទពិសោធន៍អ្នកប្រើដែលមានការស្ដាប់ញាប់ និងអស់សង្ឃឹម ដែលភ្នាក់ងារ “ភ្លេច” បរិបទ ឬចំណង់ចំណូលចិត្តពីមុន។
ហេតុអ្វីបានជា អនុមឹកមានសារៈសំខាន់?
បញ្ញារបស់ភ្នាក់ងារត្រូវបានភ្ជាប់យ៉ាងជ្រាលជ្រៅនឹងសមត្ថភាពរបស់វាដើម្បីរំលឹក និងប្រើព័ត៌មានពីមុន។ អនុមឹកអនុញ្ញាតឲ្យភ្នាក់ងារមានលក្ខណៈដូចជា៖
• ផ្ទាល់ខ្លួន៖ រៀនពីសកម្មភាព និងលទ្ធផលកន្លងមក។
• អន្តរប្រតិកម្ម៖ រក្សាបរិបទក្នុងការសន្ទនាបន្ត។
• បុគ្គលលក្ខណៈ និង ឆ្លើយតប៖ ការទន្ទឹងរង់ចាំ ឬឆ្លើយតបយ៉ាងត្រឹមត្រូវដោយផ្អែកលើទិន្នន័យប្រវត្តិសាស្រ្ត។
• ឯករាជ្យ៖ ប្រតិបត្តិការជាទំព័រដោយផ្អែកលើចំណេះដឹងដែលបានរក្សាទុក។
គោលបំណងនៃការអនុវត្តអនុមឹកគឺធ្វើឲ្យភ្នាក់ងារមានភាព ទុកចិត្តបាន និងមានសមត្ថភាព ហើយល្អប្រសើរជាងមុន។
ប្រភេទអនុមឹក
អនុមឹកកំពុងបំពេញ (Working Memory)
គិតថាវាជាក្រដាសសរសេរ ដែលភ្នាក់ងារប្រើក្នុងកំឡុងពេលភារកិច្ចឬគំនិតតែមួយ។ វារក្សាព័ត៌មានភ្លាមៗដែលត្រូវការ ដើម្បីគណនាជំហ៊ានបន្ទាប់។
សម្រាប់ភ្នាក់ងារ AI អនុមឹកកំពុងបំពេញគឺញ៉ាប់យកព័ត៌មានសំខាន់ៗពីការសន្ទនា ទោះបីប្រវត្តិជជែកពេញលេញនៅឆ្ងាយ ឬត្រូវបានកាត់បន្ថយក៏ដោយ។ វាផ្ដោតលើការដកស្រង់ធាតុសំខាន់ៗដូចជា ទាមទារ, ការផ្ដល់យោបល់, សេចក្តីសម្រេច និងសកម្មភាព។
ឧទាហរណ៍អនុមឹកកំពុងបំពេញ
នៅក្នុងភ្នាក់ងារកក់តំណចល័ត, អនុមឹកកំពុងបំពេញអាចយកតាមរយៈសំណើរបច្ចុប្បន្នរបស់អ្នកប្រើ ដូចជា “ខ្ញុំចង់កក់ដំណើរតទៅទីក្រុងប៉ារីស”។ ទាមទារបញ្ជាក់នេះត្រូវបានរក្សាទុកនៅក្នុងបរិបទភ្នាក់ងារបច្ចុប្បន្ន ដើម្បីជាគន្លងដឹកនាំការប្រាស្រ័យទាក់ទងបច្ចុប្បន្ន។
អនុមឹកខ្លី (Short Term Memory)
ប្រភេទអនុមឹកនេះរក្សាព័ត៌មាននៅរយៈពេលរបស់ការសន្ទនាឬសម័យមួយ។ វាជាបរិបទនៃជជែកបច្ចុប្បន្ន ដែលអនុញ្ញាតឲ្យភ្នាក់ងារអាចយោងត្រឡប់ទៅកាន់ជំហានកន្លងមកក្នុងសន្ទនា។
នៅក្នុងការសំណាង Python SDK របស់ Microsoft Agent Framework នេះវាត្រូវបានភ្ជាប់ជាមួយ AgentSession ដែលបង្កើតដោយ agent.create_session()។ សម័យនេះជាអនុមឹកខ្លីដែលបានបង្កើតក្នុងស៊ុម framework: វារក្សាបរិបទសន្ទនាឲ្យមានស្រាប់ ខណៈដែលសម័យនោះត្រូវបានប្រើឡើងវិញ ប៉ុន្តែបរិបទនោះមិនបានរក្សាទុកនៅពេលដែលសម័យបញ្ចប់ឬកម្មវិធីចាប់ផ្ដើមឡើងវិញ។ អនុវត្តអនុមឹករយៈពេលវែងសម្រាប់ទាក់ទិននឹងចំណុចពិត និងចំណូលចិត្តដែលត្រូវបន្ត ធម្មតាតាមទីតាំងទិន្នន័យ, វិទ័រ index ឬហាងទុកមួយផ្សេងទៀត។
ឧទាហរណ៍អនុមឹកខ្លី
បើអ្នកប្រើសួរថា “តើតម្លៃសំបុត្រហោះហើរទៅប៉ារីសជាមួយប៉ុន្មាន?” ហើយបន្ទាប់មកសួរថា “ម៉ោងស្នាក់នៅនៅទីនោះយ៉ាងដូចម្តេច?” អនុមឹកខ្លីធានាអោយភ្នាក់ងារយល់ថា ពាក្យ “ទីនោះ” សំដៅទៅទីក្រុង “ប៉ារីស” ក្នុងការសន្ទនាដូចគ្នា។
អនុមឹករយៈពេលវែង (Long Term Memory)
នេះជាព័ត៌មានដែលរីករាយឆ្លងកាត់ជាច្រើនការសន្ទនាឬសម័យផ្សេងៗ។ វាអនុញ្ញាតឲ្យភ្នាក់ងារចងចាំចំណូលចិត្តរបស់អ្នកប្រើ, ការប្រាស្រ័យទាក់ទងប្រវត្តិសាស្រ្ត, ឬចំណេះដឹងទូលំទូលាយក្នុងរយៈពេលវែង។ នេះមានសារៈសំខាន់សម្រាប់ការផ្ទាល់ខ្លួន។
ឧទាហរណ៍អនុមឹករយៈពេលវែង
អនុមឹករយៈពេលវែងអាចរក្សាទុកថា “Ben ចូលចិត្តលេងស្គី និងសកម្មភាពក្រៅផ្ទះ, ចូលចិត្តកាហ្វេទៅយ៉ាងឆើតឆាយជាមួយមើលទេសភាពភ្នំ ហើយចង់ជៀសវាងតំបន់ស្គីជាប់មុខ ដោយសារ ការរងរបួសពីមុន”។ ព័ត៌មាននេះដែលរៀនបានពីការប្រាស្រ័យទាក់ទងមុន មានឥទ្ធិពលដល់ការផ្តល់អនុសាសន៍នៅសម័យបន្ទាប់ ដោយធ្វើឲ្យវាបុគ្គលិកភាពខ្ពស់។
អនុមឹកPersona
ប្រភេទអនុមឹកជាក់លាក់នេះជួយឲ្យភ្នាក់ងារអភិវឌ្ឍ បុគ្គលិកភាព ឬ persona ដែលថែមទាំងអនុញ្ញាតឲ្យភ្នាក់ងារចងចាំព័ត៌មានអំពីខ្លួនឬតួនាទីដែលចង់ទទួលបាន ធ្វើឲ្យការប្រាស្រ័យទាក់ទងរលូន និងផ្ដោតលើគោលបំណង។
ឧទាហរណ៍អនុមឹកpersona
បើភ្នាក់ងារកក់ធ្វើដំណើរត្រូវបានរចនាឡើងឲ្យមាននាទីជា “អ្នកគ្រប់គ្រងស្គីឯកទេស” អនុមឹកpersona អាចជួយបន្តបំរើតួនាទីនេះ ដោយចូលរួមក្នុងការឆ្លើយតបស្របគ្នានឹងសំឡេង និងចំណេះដឹងរបស់អ្នកជំនាញ។
អនុមឹក Workflow/Episodic
អនុមឹកនេះរក្សាលំដាប់ជំហានដែលភ្នាក់ងារយកក្នុងការប្រតិបត្តិភារកិច្ចស្មុគស្មាញ រួមទាំងភាពជោគជ័យ និងការបរាជ័យ។ វាដូចជាការរក្សា “ភាគវីស” ឬបទពិសោធន៍កន្លងមកសម្រាប់រៀនពីវា។
ឧទាហរណ៍អនុមឹកEpisodic
បើភ្នាក់ងារបានព្យាយាមកក់សំបុត្រហោះហើរមួយដែលបរាជ័យដោយសារមិនមាន, អនុមឹកepisodic អាចកត់ត្រាការបរាជ័យនេះ ដើម្បីអនុញ្ញាតឲ្យភ្នាក់ងារប្រមាញ់សំបុត្រផ្សេងឬជម្រាបអ្នកប្រើអំពីបញ្ហានេះប្រសិនបើមានការព្យាយាមម្តងទៀត។
អនុមឹកអង្គភាព (Entity Memory)
សកម្មភាពនេះរួមបញ្ចូលនូវការដកស្រង់និងចងចាំអង្គភាពជាក់លាក់ (ដូចជាមនុស្ស ទីកន្លែង ឬវត្ថុ) និងព្រឹត្តិការណ៍ពីការសន្ទនា។ វាអនុញ្ញាតឲ្យភ្នាក់ងារបង្កើតមូលដ្ឋានយល់ដឹងមានរចនាសម្ព័ន្ធអំពីធាតុសំខាន់ៗដែលបានពិភាក្សា។
ឧទាហរណ៍អនុមឹកអង្គភាព
ពីសន្ទនាអំពីដំណើរកម្សាន្ដកន្លងមក ភ្នាក់ងារអាចដកស្រង់ “ប៉ារីស”, “ប្រាសាទអ៊ីហ្វែល” និង “ការញ៉ាំអាហារពេលល្ងាចនៅភោជនីយដ្ឋាន Le Chat Noir” ជាអង្គភាព។ នៅក្នុងការប្រាស្រ័យទាក់ទងក្រោយ អាចរំលឹក “Le Chat Noir” និងផ្តល់សំណើរ កក់តំណលើកថ្មីទីនោះ។
Structured RAG (Retrieval Augmented Generation)
បើថា RAG គឺជបច្ចេកទេសទូលំទូលាយ ម្យ៉ាងវិញ “Structured RAG” ត្រូវបានរំលឹកថាជាបច្ចេកវិទ្យាអនុមឹកដ៏មានសក្តានុពល។ វាដកនិងច្រកព័ត៌មានដែលមានរចនាសម្ព័ន្ធពីប្រភពផ្សេងៗ (ការ សន្ទនា អ៊ីមែល រូបភាព) ហើយប្រើវា ដើម្បីបង្កើនភាពត្រឹមត្រូវ ភាពរំលឹក និងល្បឿនក្នុងការឆ្លើយតប។ ខុសពី RAG បែបចាស់ដែលផ្អែកលើភាពស្រដៀងនៃសំណេរ បច្ចេកវិទ្យា Structured RAG ប្រតិបត្តិការជាមួយរចនាសម្ព័ន្ធដើមនៃព័ត៌មាន។
ឧទាហរណ៍ Structured RAG
ជំរាបមិនត្រឹមតែម៉ាត់ពាក្យសំខាន់ៗទេ Structured RAG អាចភ្ជាប់ព័ត៌មានលម្អិតអំពីសំបុត្រហោះហើរ (គោលដៅ ថ្ងៃ ទី ពេល អាកាសយានដ្ឋាន) ពីអ៊ីមែល មួយ ហើយរក្សាទុកវាជារចនាសម្ព័ន្ធ។ នេះអាចនៅជាមួយសំណួរត្រឹមត្រូវដូចជា “តើខ្ញុំបានកក់សំបុត្រហោះហើរទៅប៉ារីសថ្ងៃអង្គារ?”
ការអនុវត្តន៍និងរក្សាទុកអនុមឹក
ការអនុវត្តអនុមឹកសម្រាប់ភ្នាក់ងារ AI បំពាក់ដោយដំណើរការដែលមានរបៀបលំអិតនៃ ការគ្រប់គ្រងអនុមឹក, ដែលរួមមាន ការបង្កើត ការរក្សាទុក ការទាញយក ការរួមបញ្ចូល ការអាប់ដេត និង “ភ្លេច” (ឬលុបចោល) ព័ត៌មានមួយចំនួន។ ការទាញយកហៅថាជាគន្លងមានសារៈសំខាន់។
ឧបករណ៍អនុមឹកជាក់លាក់
Mem0
មធ្យោបាយមួយសម្រាប់រក្សាទុក និងគ្រប់គ្រងអនុមឹកភ្នាក់ងារគឺដោយប្រើឧបករណ៍ជាក់លាក់ដូចជា Mem0។ Mem0 ដំណើរការជាស្រទាប់អនុមឹកថេរ ដែលអនុញ្ញាតឲ្យភ្នាក់ងាររក្សាទុកសកម្មភាពទាក់ទង ព័ត៌មានចំណូលចិត្តរបស់អ្នកប្រើ និងបរិបទច្បាស់លាស់ និងរៀនពីជោគជ័យ និងកំហុសក្នុងអំឡុងពេលយូរ។គំនិតនៅទីនេះគឺ ភ្នាក់ងារដែលគ្មានស្ថានភាព ត្រូវបានបម្លែងទៅជាភ្នាក់ងារដែលមានស្ថានភាព។
វាដំណើរការតាមរយៈ ឆន្ទៈគ្រប់គ្រងអនុមឹកពីរជំហាន៖ ការដកស្រង់ និងការអាប់ដេត។ ជំហានដំបូង សារ ដែលបានបញ្ចូលទៅសិប្បនិម្មិតភ្នាក់ងារត្រូវបានផ្ញើទៅសេវា Mem0 ដែលប្រើម៉ូដែលភាសាធំបំផុត (LLM) ដើម្បីសង្ខេបប្រវត្តិការសន្ទនា និងដកអនុមឹកថ្មីៗ។ បន្ទាប់មក ជាក់ដំណាក់ LLM ដំណើរការអាប់ដេតសម្រេចថា តើអនុមឹកនេះត្រូវបន្ថែម កែប្រែ ឬលុប បន្ទាប់ពីរក្សាទុកវានៅក្នុងហាងទិន្នន័យប្រភេទរួមផ្សំ ដែលអាចរួមមាន ទិន្នន័យវ៉ិចទ័រ, ក្រាហ្វ និង key-value database។ ប្រព័ន្ធនេះក៏គាំទ្រភាពចម្រុះនៃប្រភេទអនុមឹក និងអាចបញ្ចូលអនុមឹកក្រាហ្វសម្រាប់គ្រប់គ្រងទំនាក់ទំនងរវាងអង្គភាព។
Cognee
វិធីជាច្រើនដ៏មានសក្តានុពលមួយផ្សេងទៀតគឺប្រើ Cognee, ជាឧបករណ៍អនុមឹកសាមញ្ញសម្រាប់ភ្នាក់ងារ AI ដែលបំលែងទិន្នន័យមានរចនាសម្ព័ន្ធនិងគ្មានរចនាសម្ព័ន្ធ ទៅជាក្រាហ្វចំណេះដឹងអាចស្វែងរកបានដែលគាំទ្រដោយ embeddings។ Cognee ផ្តល់ស្ថាបត្យកម្ម dual-store ដែលភ្ជាប់ការស្វែងរកដោយស្រដៀងវ៉ិចទ័រជាមួយទំនាក់ទំនងក្រាហ្វ បង្កើតឲ្យភ្នាក់ងារយល់ដឹងមិនត្រឹមតែព័ត៌មានស្រដៀងទេសង្ខេបទេ ប៉ុន្តែចូលរួមនៅក្នុងទំនាក់ទំនងគ្នារវាងគំនិត។
វាអាចប្រើបានល្អសម្រាប់ការទាញយកផ្សំផ្សេងៗ ដែលបញ្ចូលបណ្ដាក់ទង វ៉ិចទ័រ, រចនាសម្ព័ន្ធក្រាហ្វ និងការគិតវិភាគ LLM - ចាប់ពីការស្វែងរកធាតុដូចជាចំណែកដំបូង ទៅការឆ្លើយសំណួរដែលមានការយល់ដឹងក្រាហ្វ។ ប្រព័ន្ធរក្សាទុក អនុមឹករស់រវើក ដែលរីកចម្រើន និងធំឡើង ខណៈមិនបាត់បង់សមត្ថភាពស្វែងរកដោយឥតខ្ជះខ្ជាយជាក្រាហ្វភ្ជាប់មួយ មានគាំទ្រទាំងបរិបទសម័យខ្លី និងអនុមឹកថេរយៈពេលវែង។
ការបង្រៀនក្នុងកំណត់ត្រានូតប៊ុក Cognee (13-agent-memory-cognee.ipynb) បង្ហាញពីការសាងសង់ស្រទាប់អនុមឹករួមនេះ ជាមួយឧទាហរណ៍ជាក់ស្តែងនៃការបញ្ចូលទិន្នន័យចម្រុះ ការបង្ហាញក្រាហ្វចំណេះដឹង និងការស្វែងរកដោយយុទ្ធសាស្ត្រស្វែងរកផ្សេងៗដែលសមនឹងតម្រូវការពិសេសរបស់ភ្នាក់ងារ។
ការរក្សាទុកអនុមឹកជាមួយ RAG
ក្រៅពីឧបករណ៍អនុមឹកជាក់លាក់ដូចជា mem0 អ្នកអាចប្រើប្រាស់សេវាស្វែងរកប្រេកង់ខ្ពស់ដូចជា Azure AI Search ជាជំនួយទីក្រោយសម្រាប់រក្សាទុក និងទាញយកអនុមឹក ជាពិសេសសម្រាប់ structured RAG។
នេះអនុញ្ញាតឲ្យអ្នកដាក់មូលដ្ឋានព័តមានដើម្បីឆ្លើយតបភ្នាក់ងារជាមួយទិន្នន័យផ្ទាល់ខ្លួន ធានាថាការឆ្លើយតបមានភាពពាក់ព័ន្ធ និងត្រឹមត្រូវបំផុត។ Azure AI Search អាចប្រើសម្រាប់រក្សាទុកអនុមឹកដំណើរកម្សាន្តរបស់អ្នកប្រើ កាតាឡុកផលិតផល ឬចំណេះដឹងច្បាស់លាស់ផ្សេងទៀត។
Azure AI Search គាំទ្រជំនាញដូចជា Structured RAG ដែលអាចចងក្រង និងទាញយកព័ត៌មានមានរចនាសម្ព័ន្ធពីឯកសារធំៗដូចជា ប្រវត្តិសាស្រ្តបែបសន្ទនា អ៊ីមែល ឫរូបភាព។ វាសមត្ថភាពផ្ដល់នូវ “ភាពត្រឹមត្រូវ និងការត្រឡប់មកវិញលើសមនុស្ស” សម្រាប់ការប្រៀបធៀបទៅនឹងវិធីសាស្ត្រប្រពៃណីក្នុងការជ្រៀតចូលសំណេរនិង embeddings។
ធ្វើឲ្យភ្នាក់ងារ AI មានសមត្ថភាពធ្វើឲ្យខ្លួនឯងប្រសើរ
ប្រភេទទូទៅនៃភ្នាក់ងារដែលធ្វើឲ្យខ្លួនឯងប្រសើរនោះរួមបញ្ចូលការណែនាំ “ភ្នាក់ងារចំណេះដឹង” មួយ។ ភ្នាក់ងារផ្សេងនេះមើលការសន្ទនាចម្បងរវាងអ្នកប្រើ និងភ្នាក់ងារសំខាន់។ តួនាទីរបស់វាគឺ៖
-
កំណត់ព័ត៌មានមានតម្លៃ៖ កំណត់ថាតើផ្នែកណាមួយនៃការសន្ទនាមានតម្លៃរក្សាទុក ជាចំណេះទូទៅ ឫចំណូលចិត្តរបស់អ្នកប្រើជាក់លាក់។
-
ដកនិងសង្ខេប៖ សង្រួលអ្វីដែលរៀន ឬចំណូលចិត្តសំខាន់ពីការសន្ទនា។
-
រក្សាទុកក្នុងមូលដ្ឋានចំណេះដឹង៖ រក្សាទុកព័ត៌មានដែលបានដក ផ្សេងៗជាទូទៅ នៅក្នុងទិន្នន័យវ៉ិចទ័រ ដើម្បីអាចទាញយកឡើងវិញក្រោយពេល។
-
បន្ថែមការស្វែងរកក្នុងពេលអនាគត៖ ពេលអ្នកប្រើចាប់ផ្ដើមសំណួរថ្មី ភ្នាក់ងារចំណេះដឹងនឹងទាញយកព័ត៌មានដែលបានរក្សាទុក និងបន្ថែមវាទៅក្នុងការដាក់សំណើរបស់អ្នកប្រើ ដើម្បីផ្ដល់បរិបទសំខាន់ទៅភ្នាក់ងារសំខាន់ (ដូចជា RAG)។
ការលៃតម្រូវសម្រាប់អនុមឹក
• គ្រប់គ្រងពេលវេលាប្រើប្រាស់៖ ដើម្បីជៀសវាងការយឺតយ៉ាវក្នុងការប្រាស្រ័យទាក់ទង អ្នកអាចប្រើម៉ូដែលថោកថាស និងលឿនជាមុន ដើម្បីពិនិត្យថាព័ត៌មានមានតម្លៃរក្សាទុក ឬទាញយក មុននឹងហៅការដកស្រង់ / ទាញយកស្មុគស្មាញបន្ត។
• ថែទាំមូលដ្ឋានចំណេះដឹង៖ សម្រាប់មូលដ្ឋានចំណេះដឹងដែលកើនឡើង ព័ត៌មានដែលប្រើតិចអាចត្រូវដាក់ទៅ “ទូរក្តៅ” ដើម្បីជួយគ្រប់គ្រងចំណាយ។
មានសំណួរបន្ថែមអំពីអនុមឹកភ្នាក់ងារទេ?
ចូលរួមជាមួយ Microsoft Foundry Discord ដើម្បីជួបអ្នករៀនដទៃទៀត ញែកចែកការយល់ដឹង និងទទួលបានចម្លើយសំណួរពាក់ព័ន្ធនឹងអនុមឹកភ្នាក់ងារ AI របស់អ្នក។
ការបដិសេធ: ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI Co-op Translator។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។