ai-agents-for-beginners
ចងចាំសម្រាប់ភ្នាក់ងារ AI
នៅពេលពិភាក្សាអំពីអត្ថប្រយោជន៍ចម្បងនៃការបង្កើតភ្នាក់ងារ AI មានរឿងពីរដែលភាគច្រើនត្រូវបានពិភាក្សា៖ សមត្ថភាពក្នុងការហៅឧបករណ៍ដើម្បីបំពេញភារកិច្ច និងសមត្ថភាពក្នុងការបានប្រសើរឡើងជាមួយពេលវេលា។ ចងចាំគឺជាគ្រឹះសម្រាប់ការបង្កើតភ្នាក់ងារអាចខ្លួនឯងប្រសើរឡើង ដែលអាចបង្កើតបទពិសោធន៍ល្អជាងសម្រាប់អ្នកប្រើរបស់យើង។
នៅក្នុងមេរៀននេះ យើងនឹងមើលថាចងចាំសំរាប់ភ្នាក់ងារ AI គឺជាអ្វី និងតើយើងអាចគ្រប់គ្រងនិងប្រើវាបានយ៉ាងដូចម្តេចសម្រាប់អត្ថប្រយោជន៍នៃកម្មវិធីរបស់យើង។
ការណែនាំ
មេរៀននេះនឹងគ្របដណ្តប់៖
• ការយល់ដឹងអំពីចងចាំភ្នាក់ងារ AI: ចងចាំគឺជាអ្វី ហើយហេតុអ្វីបានជា វាសំខាន់សម្រាប់ភ្នាក់ងារ។
• ការអនុវត្តន៍ និងការផ្ទុកចងចាំ: វិធីអនុវត្តន៍ជាក់ស្តែងសម្រាប់បន្ថែមសមត្ថភាពចងចាំទៅភ្នាក់ងារ AI របស់អ្នក ទាក់ទិនទៅនឹងចងចាំរយៈពេលខ្លី និងរយៈពេលវែង។
• ធ្វើឱ្យភ្នាក់ងារ AI អាចប្រសើរឡើងដោយខ្លួនឯង: របៀបដែលចងចាំចូលរួមឱ្យភ្នាក់ងាររៀនពីផ្នែកជួបប្រទៈពីមុនហើយប្រសើរឡើងជាមួយពេលវេលា។
ការអនុវត្តដែលអាចប្រើបាន
មេរៀននេះរួមបញ្ចូលនូវសៀវភៅកំណត់ចំណាំបណ្តាសព្វថ្ងៃពីរ។
• 13-agent-memory.ipynb: អនុវត្តចងចាំដោយប្រើ Mem0 និង Azure AI Search ជាមួយ Microsoft Agent Framework
• 13-agent-memory-cognee.ipynb: អនុវត្តចងចាំរចនាសម្ព័ន្ធដោយប្រើ Cognee ដែលស្ថាបនាថ្ងៃទំព័រព័ត៍មានដោយស្វ័យប្រវត្តិដោយមាន embeddings ជាគ្រោង, នាទស្សនាក្រាប, និងយកវិធីសាស្ត្របញ្ចេញយកដោយឆ្លាតខ្លាំង
គោលបំណងក្នុងការរៀន
បន្ទាប់ពីបញ្ចប់មេរៀននេះ អ្នកនឹងដឹងពីរបៀបក្នុងការធ្វើឲ្យខាងក្រោម៖
• ចម្លែកចេញពីប្រភេទចងចាំនានារបស់ភ្នាក់ងារ AI, រួមមានចងចាំកំពុងដំណើរការ, ចងចាំរយៈពេលខ្លី, និងចងចាំរយៈពេលវែង, លើសពីនេះមានទ្រង់ទ្រាយពិសេសដូចជា persona និង episodic memory។
• អនុវត្តន៍ និងគ្រប់គ្រងចងចាំរយៈពេលខ្លី និងរយៈពេលវែងសម្រាប់ភ្នាក់ងារ AI ដោយប្រើ Microsoft Agent Framework, ការប្រើ Mem0, Cognee, Whiteboard memory, និងការរួមបញ្ចូលជាមួយ Azure AI Search។
• យល់ដឹងពីគ្រឹះនៃភ្នាក់ងារ AI អាចប្រសើរឡើងដោយខ្លួនឯង ហើយថាតើប្រព័ន្ធគ្រប់គ្រងចងចាំរឹងមាំយ៉ាងដូចម្តេចចូលរួមឱ្យមានការរៀន និងការភ្ជាប់ខ្លួនជាបន្ត។
យល់ដឹងអំពីចងចាំភ្នាក់ងារ AI
នៅក្នុងកម្រិតមូលដ្ឋាន, ចងចាំសម្រាប់ភ្នាក់ងារ AI និយាយពីយន្តការដែលឱ្យពួកវាអាចរក្សា និងអ៊កចង់យកព័ត៌មានត្រឡប់មកបាន។ ព័ត៌មាននេះអាចជារឿងលំអិតជាក់លាក់អំពីការពិភាក្សា, ចំណង់ចំណូលចិត្តអ្នកប្រើ, សកម្មភាពពីមុន, ឬសូម្បីតែទម្លាប់ដែលបានរៀន។
បើគ្មានចងចាំ កម្មវិធី AI មួយច្រើនគឺមិនមានស្ថានភាព (stateless) ប្រាប់ថាការប្រាស្រ័យទាំងអស់ត្រូវតែចាប់ផ្តើមពីចំណុចសូន្យ។ វាធ្វើឱ្យបទពិសោធន៍អ្នកប្រើកើនឡើងជាការទុកចិត្តក្រោយនិងនឹកស្រូបពេលភ្នាក់ងារទើប “ភ្លេច” បរិបទឬចំណូលចិត្តពីមុន។
ហេតុអ្វីបានជាចងចាំសំខាន់?
ប្រាជ្ញាភ្នាក់ងារមានទំនាក់ទំនងជិតស្និទនឹងសមត្ថភាពរបស់វាដើម្បីយកព័ត៌មានពីមុនមកប្រើ។ ចងចាំឱ្យភ្នាក់ងារអាច:
• មានការតាមស្មុគស្មាញ: សិក្សាពីសកម្មភាព និងលទ្ធផលពីមុន។
• មានអន្តរកម្ម: រក្សាបរិបទក្នុងការពិភាក្សារបស់កម្មវិធីឱ្យជាប់ជានិច្ច។
• ទស្សនិកចរិតប្រតិកម្មនិងព្យាករណ៍: ព្យាករណ៍តម្រូវការ ឬឆ្លើយតបដោយសមរម្យដោយផ្អែកលើទិន្នន័យប្រវត្តិសាស្ត្រ។
• មានសមត្ថភាពឯករាជ្យ: ប្រតិបត្តិការជាស្វ័យត្រ by drawing on stored knowledge.
គោលដៅនៃការអនុវត្តចងចាំគឺធ្វើឱ្យភ្នាក់ងារមានភាព ទុកចិត្តបាន និងមានសមត្ថភាព។
ប្រភេទនៃចងចាំ
ចងចាំកំពុងដំណើរការ (Working Memory)
សូមគិតវាដូចជាកាសសរសេរមួយដែលភ្នាក់ងារប្រើនៅពេលធ្វើភារកិច្ចឬដំណើរការគិតមួយច្បាស់ក្រោយ។ វាញឹកញាប់ផ្ទុកព័ត៌មានបន្ទាន់ដែលចាំបាច់ដើម្បីគណនាជំហានបន្ទាប់។
សម្រាប់ភ្នាក់ងារ AI, ចងចាំកំពុងដំណើរការចាប់យកព័ត៌មានសំខាន់បំផុតពីការពិភាក្សា បើទោះបីជាប្រវត្តិចលនាតែពេញលេញឬវែងឬត្រូវបានកាត់ក្រឡុកក៏ដោយ។ វាផ្តោតលើការដកស្រង់ធាតុសំខាន់ៗដូចជា ទាមទារ, ការអនុវត្ត, ការសម្រេចចិត្ត និងសកម្មភាព។
ឧទាហរណ៍ចងចាំកំពុងដំណើរការ
នៅក្នុងភ្នាក់ងារកក់ដំណើរកម្សាន្ត, ចងចាំកំពុងដំណើរការអាចចាប់យកការសំណើបច្ចុប្បន្នរបស់អ្នកប្រើ ដូចជា “ខ្ញុំចង់កក់ដំណើរកម្សាន្តទៅទីក្រុង Paris”។ តម្រូវការជាក់លាក់នេះត្រូវបានរក្សាទុកក្នុងបរិបទភ្លាមភ្លៃរបស់ភ្នាក់ងារ ដើម្បីណែនាំការប្រាស្រ័យបច្ចុប្បន្ន។
ចងចាំរយៈពេលខ្លី (Short Term Memory)
ប្រភេទចងចាំនេះរក្សាព័ត៌មានក្នុងរយៈពេលនៃការពិភាក្សាឬសម័យមួយ។ វាជាបរិបទនៃការជជែកបច្ចុប្បន្ន ដែលអនុញ្ញាតឱ្យភ្នាក់ងារយោងទៅតាមជំហានមុនៗក្នុងការសន្ទនាដើម្បីជួយការឆ្លើយតប។
ឧទាហរណ៍ចងចាំរយៈពេលខ្លី
បើអ្នកប្រើសួរ “បើកបងប៉ុន្មាននៃសំបុត្រធ្វើដំណើរទៅ Paris ត្រូវបង់ប៉ុន្មាន?” ហើយបន្ទាប់មកសួរថា “ហើយអំពីការស្នាក់នៅទីនោះយ៉ាងដូចម្តេច?” ចងចាំរយៈពេលខ្លីធានាថាភ្នាក់ងារយល់ថា “ទីនោះ” កំពុងយោងទៅទីក្រុង “Paris” ក្នុងពេលពិភាក្សាដដែល។
ចងចាំរយៈពេលវែង (Long Term Memory)
នេះគឺជាព័ត៌មានដែលនៅរាប់ឆ្នាំឬកន្លងកាលជាងមួយ។ វាអនុញ្ញាតឱ្យភ្នាក់ងារចងចាំចំណូលចិត្តអ្នកប្រើ ប្រវត្តិយុទ្ធសាស្ត្រ ឬចំណេះដឹងទូទៅក្នុងរយៈពេលវែង។ វាសំខាន់សម្រាប់ការផ្ទៀងផ្ទាត់ផ្ទាល់ខ្លួន។
ឧទាហរណ៍ចងចាំរយៈពេលវែង
ចងចាំរយៈពេលវែងអាចផ្ទុកថា “Ben ចូលចិត្តហែលទឹកព្រៃនិងសកម្មភាពក្រៅផ្ទះ, ចូលចិត្តកាហ្វេទស្សនារូបភ្នំ, និងចង់ជៀសវាងសហការណ៍តំបន់ស្គីកម្រិតខ្ពស់ដោយសារកាលពីមុនបានរងរបួស”។ ព័ត៌មាននេះ ដែលបានរៀនពីការជជែកពីមុន នឹងមានឥទ្ធិពលលើការផ្ដល់អនុសាសន៍នៅក្នុងសម័យផែនការធ្វើដំណើរពេលអនាគត ដើម្បីឲ្យជាប់ផ្ទាល់ខាន់ទៅនឹងម្ចាស់អ្នកប្រើ។
ចងចាំអត្តសញ្ញាណ (Persona Memory)
ប្រភេទចងចាំពិសេសនេះជួយឲ្យភ្នាក់ងារអភិវឌ្ឍ “បុគ្គលិកភាព” ឬ “persona” ដែលមានសភាពជាប់គ្នា។ វាអនុញ្ញាតឲ្យភ្នាក់ងារចងចាំព័ត៌មានអំពីខ្លួនឯង ឬតួនាទីដែលចង់សម្តែង ដើម្បីធ្វើឲ្យអន្តរកម្មរលូននិងផ្តោត។
ឧទាហរណ៍ចងចាំអត្តសញ្ញាណ បើភ្នាក់ងារកក់ដំណើរកម្សាន្តត្រូវបានរចនាឱ្យជា “អ្នកផែនការស្គីជំនាញ”, ចងចាំអត្តសញ្ញាណអាចខិតខំរឹតបន្តឹងតួនាទីនេះ ដើម្បីឲ្យចម្លើយរបស់វាសមស្របនឹងសំលេងនិងចំណេះដឹងរបស់ជំនាញនោះ។
ចងចាំសកម្មវិធី/អំពឺសូឌិក (Workflow/Episodic Memory)
ចងចាំនេះផ្ទុកលំដាប់ជំហានដែលភ្នាក់ងារធ្វើក្នុងភារកិច្ចស្មុគស្មាញមួយ រួមទាំងភាពជោគជ័យនិងបរាជ័យ។ វាដូចជាការចងចាំ “បញ្ញាតិការជាក់លាក់” ឬបទពិសោធន៍ពីមុនដើម្បីរៀនពីវា។
ឧទាហរណ៍ចងចាំអំពឺសូឌិក
បើភ្នាក់ងារបានព្យាយាមកក់សំបុត្រហោះហើរមួយជាក់លាក់ ប៉ុន្តែការប្រកួតបរាជ័យដោយសារការមិនមានស្រាប់, ចងចាំអំពឺសូឌិកអាចកត់ត្រាបរាជ័យនេះ ដើម្បីឲ្យភ្នាក់ងារជួយសាកល្បងជម្រើសផ្សេងៗឬជូនដំណឹងអ្នកប្រើអំពីបញ្ហានៅពេលដែលមានព្យាយាមបន្ទាប់។
ចងចាំអត្ថិបត្ថម្ភវត្ថុ (Entity Memory)
នេះពាក់ព័ន្ធនឹងការដកស្រង់និងចងចាំអត្ថិបត្ថម្ភជាក់លាក់ (ដូចជាមនុស្ស ទីកន្លែង ឬវត្ថុ) និងព្រឹត្តិការណ៍ពីការសន្ទនា។ វាអនុញ្ញាតឲ្យភ្នាក់ងារាសង់ការយល់ដឹងរចនាសម្ព័ន្ធនៃធាតុកាន់សំខាន់ដែលបានពិភាក្សា។
ឧទាហរណ៍ចងចាំអត្ថិបត្ថម្ភ
ពីការពិភាក្សាអំពីដំណើរកម្សាន្តកាលពីមុន, ភ្នាក់ងារអាចដក “Paris,” “ស្នាដៃ Eiffel,” និង “ជបទឹកដល់ម្ហូបនៅភោជនីយដ្ឋាន Le Chat Noir” ជាអត្ថិបត្ថម្ភ។ នៅក្នុងការជជែកពេលអនាគត ភ្នាក់ងារអាចចងចាំ “Le Chat Noir” ហើយផ្តល់ជូនការកក់មួយថ្មីនៅទីនោះ។
Structured RAG (Retrieval Augmented Generation)
ក្នុងន័យទូទៅ RAG គឺជាវិធីសាស្ត្រធំទូលាយមួយ, “Structured RAG” ត្រូវបានលើកឡើងថាជាបច្ចេកវិទ្យាចងចាំខ្លាំងមួយ។ វាដកស្រង់ព័ត៌មានត្រង់ ផ្ដល់រចនាសម្ព័ន្ធពីប្រភពនានា (ការពិភាក្សា អ៊ីមែល រូបភាព) ហើយប្រើវាដើម្បីបង្កើនភាពត្រឹមត្រូវ ការស្វែងរកត្រឡប់ និងល្បឿនក្នុងការឆ្លើយតប។ ផ្ទុយពី RAG ដើមដែលផ្អែកលើសន្តិសុខភាពសំដៅតែមួយ Structured RAG ធ្វើការជាមួយរចនាសម្ព័ន្ធដែលមានស្រាប់របស់ព័ត៌មាន។
ឧទាហរណ៍ Structured RAG
ផ្ទុយពីការគាប់ពាក្យសំខាន់ៗប៉ុណ្ណោះ, Structured RAG អាចផ្ដាច់លម្អិតព័ត៌មានជាពិសេសអំពីសំបុត្រហោះហើរ (ទីដែលទៅ យឺត កាលបរិច្ឆេទ ម៉ោង ក្រុមហ៊ុនហោះហើរ) ពីអ៊ីមែល ហើយផ្ទុកវាទៅក្នុងរចនាសម្ព័ន្ធ។ វាអនុញ្ញាតឱ្យមានការស្វែងរកជាក់លាក់ដូចជា “ខ្ញុំបានកក់សំបុត្រហោះហើរទៅ Paris នៅថ្ងៃអង្គារ?”
ការអនុវត្តន៍ និងការផ្ទុកចងចាំ
ការអនុវត្តចងចាំសម្រាប់ភ្នាក់ងារ AI ត្រូវការជាដំណើរការប្រព័ន្ធនៃ ការគ្រប់គ្រងចងចាំ ដែលរួមមានការបង្កើត ការផ្ទុក ការទាញយក ការរួមបញ្ចូល ការអាប់ដេត និងសូម្បីតែការមិនចាំ (ឬការលុប)ព័ត៌មាន។ ការទាញយកគឺជាផ្នែកសំខាន់យ៉ាងពិសេស។
ឧបករណ៍ចងចាំពិសេស
Mem0
មួយវិធីក្នុងការផ្ទុកនិងគ្រប់គ្រងចងចាំភ្នាក់ងារគឺការប្រើឧបករណ៍ពិសេសដូចជា Mem0។ Mem0 ធ្វើការជាស្រទាប់ចងចាំដ៏រឹងមាំ ដែលអនុញ្ញាតឲ្យភ្នាក់ងារចងចាំអន្តរកម្មដែលពាក់ព័ន្ធ ផ្ទុកចំណូលចិត្តអ្នកប្រើ និងបរិបទទិន្នន័យពិតប្រាកដ និងរៀនពីភាពជោគជ័យនិងបរាជ័យជាមួយពេលវេលា។ គំនិតនៅទីនេះគឺថាភ្នាក់ងារដែលមិនមានស្ថានភាព (stateless) វែនតាធ្វើឲ្យក្លាយជាភ្នាក់ងារមានស្ថានភាព (stateful)។
វាធ្វើការដោយរង្វង់ចងចាំពីរមេរោគៈ ការដកស្រង់ និងការអាប់ដេត។ ជាដំបូង,សារចូលក្នុងតួចលនារបស់ភ្នាក់ងារត្រូវបានផ្ញើទៅសេវាកម្ម Mem0 ដែលប្រើម៉ូឌែលភាសាធំ (Large Language Model (LLM)) ដើម្បីសង្ខេបប្រវត្តិការសន្ទនា និងដកស្រង់ចងចាំថ្មីៗ។ បន្ទាប់មក ជំហានអាប់ដេតដែលដឹកនាំដោយ LLM កំណត់ថាតើត្រូវបន្ថែម ប្លុក ឬលុបចងចាំទាំងនេះ ធ្វើការផ្ទុកក្នុងឃ្លាំងទិន្នន័យចម្រុះដែលអាចរួមមានវ៉ិចទ័រ ក្រាប និង key-value databases។ ប្រព័ន្ធនេះក៏គាំទ្រប្រភេទចងចាំជាច្រើននិងអាចបញ្ចូលចងចាំក្រាបសម្រាប់គ្រប់គ្រងទំនាក់ទំនងរវាងអត្ថិបត្ថម្ភបានផងដែរ។
Cognee
មួយវិធីខ្លាំងផ្សេងទៀតគឺការប្រើ Cognee, ជាចងចាំហ្សេម៉ង់ពហុ-អភិវឌ្ឍសម្រាប់ភ្នាក់ងារ AI ដែលបំលែងទិន្នន័យដែលមានរចនាសម្ព័ន្ធនិងគ្មានរចនាសម្ព័ន្ធទៅជាក្រាបចំណេះដឹងដែលអាចស្វែងរកបានដោយគាំទ្រដោយ embeddings។ Cognee ផ្តល់នូវ ស្ថាបត្យកម្មបន្ទុកទ្វេភាគ (dual-store architecture) រួមបញ្ចូលការស្វែងរកស្រដៀងវ៉ិចទ័រជាមួយទំនាក់ទំនងក្នុងក្រាប ដែលឲ្យភ្នាក់ងារយល់ពីមិនត្រឹមតែព័ត៌មានណាដែលស្រដៀងគ្នា ទេ តែក៏យល់ពីរបៀបដែលគំនិតទាក់ទងគ្នាផងដែរ។
វាទទូចชាន់ខ្លាំងនៅក្នុងការទាញយកចម្រុះដែលលាយឡំសរីរាង្គស្រដៀងវ៉ិចទ័រ រចនាសម្ព័ន្ធក្រាប និងការថ្កោលទោសដោយ LLM — ពីការមើលសំរាប់ចំណែកដើមទៅដល់សំណួរជាមួយអត្ថិភាពក្រាប។ ប្រព័ន្ធរក្សា ចងចាំរស់ ដែលអភិវឌ្ឍនិងកើនឡើង ខណៈដែលនៅតែអាចស្វែងរកបានជាក្រាបចំណងដៃតែមួយ ត្រូវគាំទ្រទាំងបរិបទសម័យខ្លីនិងចងចាំជាប់ទាប់រយៈពេលវែង។
សៀវភៅកំណត់ចំណាំ Cognee (13-agent-memory-cognee.ipynb) បង្ហាញការសាងសង់ស្រទាប់ចងចាំផ្សំព្រិត្តនេះ ជាមួយឧទាហរណ៍ដំណើរការពិតប្រាកដនៃការច្រមើលទិន្នន័យពហុប្រភព, ទស្សនាហ្គ្រាបចំណេះដឹង, និងការស្វែងរកដោយយុទ្ធសាស្រ្តផ្សេងៗសម្រាប់តម្រូវការភ្នាក់ងារពិសេស។
ការផ្ទុកចងចាំជាមួយ RAG
ក្រៅពីឧបករណ៍ចងចាំពិសេសដូចជា mem0, អ្នកអាចប្រើសេវាស្វែងរករឹងមាំដូចជា Azure AI Search ជាគ្រឹះសេវាកម្មសម្រាប់ផ្ទុកនិងទាញយកចងចាំ, ជាពិសេសសម្រាប់ Structured RAG។
នេះអនុញ្ញាតឱ្យអ្នកគ្រប់គ្រងចម្លើយរបស់ភ្នាក់ងារដោយផ្អែកលើទិន្នន័យរបស់អ្នកផ្ទាល់, ដើម្បីធានាការឆ្លើយតបទាន់ពេល និងត្រឹមត្រូវ។ Azure AI Search អាចប្រើសម្រាប់ផ្ទុកចងចាំដំណើរកម្សាន្តជាក់លាក់របស់អ្នកប្រើ, បញ្ជីផលិតផល, ឬចំណេះដឹងឯកសារផ្សេងទៀតក្នុងដែនជាក់លាក់ណាមួយ។
Azure AI Search គាំទ្រមុខងារដូចជា Structured RAG, ដែលមានលក្ខណៈឯកទេសក្នុងការដកស្រង់និងទាញយកព័ត៌មានរចនាសម្ព័ន្ធដ៏ដាក់ស្ដុកស្ដម្ភពីឯកសារធំនានា ដូចជាប្រវត្តិការសន្ទនា, អ៊ីមែល, ឬសូម្បីតែរូបភាព។ នេះផ្តល់នូវ “ភាពត្រឹមត្រូវនិងចងចាំលើសមនុស្ស” ប្រសិនបើប្រៀបធៀបទៅនឹងវិធីបែងចែកអត្ថបទនិង embeddings ដ៏ប្រពៃណី។
ធ្វើឱ្យភ្នាក់ងារ AI អាចប្រសើរឡើងដោយខ្លួនឯង
របៀបពេញនិយមមួយសម្រាប់ភ្នាក់ងារអាចប្រសើរឡើងដោយខ្លួនឯង រួមមានការបញ្ចូល “ភ្នាក់ងារចំណេះដឹង” (knowledge agent)។ ភ្នាក់ងារបំបែកនេះសង្កេតការពិភាក្សាចម្បងរវាងអ្នកប្រើនិងភ្នាក់ងារមេ។ តួនាទីរបស់វារួមមាន៖
-
កំណត់ព័ត៌មានមានតម្លៃ: កំណត់ថាតើផ្នែកណាមួយនៃការពិភាក្សាគួរត្រូវបានរក្សាទុកជាចំណេះទូទៅឬជាចំណូលចិត្តអ្នកប្រើជាក់លាក់។
-
ដកស្រង់ និងសង្ខេប: ពិស្ដារអ្វីដែលជាការរៀនសំខាន់ឬចំណូលចិត្តពីការពិភាក្សា។
-
ផ្ទុកក្នុងមូលដ្ឋានចំណេះដឹង: រឹតតែរក្សាព័ត៌មានដែលបានដកស្រង់នេះជាទូទៅ, ជាញឹកញាប់នៅក្នុងមូលដ្ឋានទិន្នន័យវ៉ិចទ័រ, ដូច្នេះវាអាចទាញយកមកជាផ្សេងពេល។
-
បញ្ចុះបន្ថែមសំណួរពេលអនាគត: នៅពេលអ្នកប្រើស្នើសុំសំណួរថ្មី ភ្នាក់ងារចំណេះដឹងនឹងទាញយកព័ត៌មានសម្រាប់រក្សារមានពាក់ព័ន្ធ ហើយភ្ជាប់វាទៅក្នុងបាចទេសំណើរបស់អ្នកប្រើ ដើម្បីផ្តល់បរិបទសំខាន់ដល់ភ្នាក់ងារមេ (ស្រដៀងនឹង RAG)។
ការបង្កើនប្រសិទ្ធភាពសម្រាប់ចងចាំ
• ការគ្រប់គ្រងល្បឿនយឺត (Latency Management): ដើម្បីចៀសវាងការពន្យារពេលក្នុងអន្តរកម្មអ្នកប្រើ, អាចប្រើម៉ូឌែលតម្លៃទាប និងលឿនជាមុន ដើម្បីពិនិត្យយ៉ាងរហ័សថាតើព័ត៌មានមានតម្លៃរក្សាទុកឬទេ មុននឹងហៅដំណើរការដកស្រង់/ទាញយកស្មុគស្មាញជាងនេះ។
• ការថែទាំមូលដ្ឋានចំណេះដឹង: សម្រាប់មូលដ្ឋានចំណេះដឹងដែលកំពុងកើនឡើង ព័ត៌មានដែលប្រើប្រាស់កម្រាមអាចត្រូវបានផ្ទេរទៅ “ស្តុកត្រជាក់” (cold storage) ដើម្បីគ្រប់គ្រងថ្លៃដើម។
មានសំណួរបន្ថែមអំពីចងចាំភ្នាក់ងារ?
ចូលរួមក្នុង Microsoft Foundry Discord ដើម្បីជួបជាមួយអ្នករៀនផ្សេងទៀត, ចូលរួមម៉ោងការិយាល័យ និងទទួលបានការឆ្លើយសំណួរអំពីភ្នាក់ងារ AI របស់អ្នក។
ការមិនទទួលខុសត្រូវ: ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI Co-op Translator. ខណៈពេលយើងខិតខំនៅក្នុងការធានាថាប្រែបានត្រឹមត្រូវ សូមចាប់អារម្មណ៍ថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមក្នុងភាសាមូលដ្ឋានគួរត្រូវបានគេចាត់ទុកថាជាប្រភពផ្លូវការ។ សម្រាប់ព័ត៌មានសំខាន់ យើងសូមណែនាំឲ្យប្រើការបកប្រែដោយអ្នកវិជ្ជាជីវៈមនុស្ស។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសណាមួយដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះ។