ai-agents-for-beginners

Agentic പ്രോട്ടോകോളുകൾ ഉപയോഗിക്കുക (MCP, A2A, NLWeb)

(ഈ പാഠത്തിന്റെ വീഡിയോ കാണാൻ മുകളിൽ ചിത്രത്തിൽ ക്ലിക്കുചെയ്യുക)

AI ഏജന്റുകളുടെ ഉപയോഗം വർധിക്കുന്നത് പോലെ, സ്റ്റാൻഡേർഡൈസേഷൻ, സുരക്ഷ, തുറന്ന ഇноваേഷൻ എന്നിവക്ക് ഉറപ്പ് നൽകുന്ന പ്രോട്ടോകോളുകളുടെ ആവശ്യകതയും വർധിക്കുന്നു. ഈ പാഠത്തിൽ, ഈ ആവശ്യം തൃപ്തിപ്പെടുത്താൻ ലക്ഷ്യമിട്ടുണ്ടാകുന്ന മൂന്ന് പ്രോട്ടോകോളുകൾ — Model Context Protocol (MCP), Agent to Agent (A2A), Natural Language Web (NLWeb) എന്നിവയെക്കുറിച്ച് പരിചയപ്പെടുത്തുക.

പരിചയം

ഈ പാഠത്തിൽ മുകളിൽകൂടി പ്രതിപാദിക്കപ്പെടുന്നത്:

• എങ്ങനെ MCP AI ഏജന്റുകൾക്ക് ഉപയോക്തൃ പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കാൻ ബാഹ്യ ഉപകരണങ്ങളും ഡാറ്റയും ആക്സസ് ചെയ്യാൻ അനുവദിക്കുന്നു.

• എങ്ങനെ A2A വിവിധ AI ഏജന്റുകൾ തമ്മിലുള്ള സമവായവും സഹകരണവും സാധ്യമാക്കുന്നു.

• എങ്ങനെ NLWeb യോജിച്ച എല്ലാ വെബ്‌സൈറ്റുകളോടും പ്രകൃതിസ്വഭാവത്തിലുള്ള ഭാഷാ ഇന്റർഫേസുകൾ കൊണ്ടുവന്ന് AI ഏജന്റുകൾക്ക് വെബ്‌സൈറ്റ് ഉള്ളടക്കം കണ്ടെത്താനും ഇടപെടാനും സഹായിക്കുന്നു.

പഠന ലക്ഷ്യങ്ങൾ

• AI ഏജന്റുകളുടെ സന്ദർഭത്തിൽ MCP, A2A, NLWeb എന്നിവയുടെ പ്രാഥമിക ഉദ്ദേശ്യം, പ്രയോജനങ്ങൾ തിരിച്ചറിയുക.

• LLMമാർ, ഉപകരണങ്ങൾ, മറ്റ് ഏജന്റുകൾ തമ്മിലുള്ള ആശയവിനിമയവും ഇടപെടലും എങ്ങനെ ഓരോ പ്രോട്ടോകോളും സഹായിക്കുന്നു എന്നത് വിവർത്തനം ചെയ്യുക.

• സങ്കീർണ agentic സംവിധാനങ്ങൾ സൃഷ്‌ടിക്കുന്നതിൽ ഓരോ പ്രോട്ടോകോളിന്റെ വ്യത്യസ്ത പങ്ക് അറിയുക.

Model Context Protocol

Model Context Protocol (MCP) ഒരു തുറന്ന സ്റ്റാൻഡേർഡാണ്, ആപ്ലിക്കേഷനുകൾക്ക് LLMകൾക്ക് സാന്ദർഭവും ഉപകരണങ്ങളും നൽകുന്നതിനുള്ള സ്റ്റാൻഡേർഡ് അവകാശ മാർഗം നൽകുന്നു. ഇതുവഴി AI ഏജന്റുകൾ സ്ഥിരതയോടെ കണക്ട് ചെയ്യാവുന്ന “സാമൂഹ്യ അഡ്‌ഷ്യപ്റ്റർ” പോലെയുള്ള വകുപ്പുകൾ വിവിധ ഡാറ്റ സ്രോതസ്സുകളിലേക്കും ഉപകരണങ്ങളിലേക്കും ലഭ്യമാകുന്നു.

MCPയുടെ ഘടകങ്ങൾ, നേരിയ API ഉപയോഗത്തോടുള്ള ലാഭങ്ങളും, AI ഏജന്റുകൾ എങ്ങനെയാണ് MCP സെർവറെ ഉപയോഗിച്ച് പ്രവർത്തിക്കാവുക എന്നതിനുള്ള ഉദാഹരണങ്ങളും നോക്കാം.

MCP പ്രധാന ഘടകങ്ങൾ

MCP ഒരു ക്ലയന്റ്-സെർവർ വാസ്തവ വിധി അടിസ്ഥാനമാക്കിയുള്ളതാണ്. പ്രധാന ഘടകങ്ങൾ:

• ഹോസ്റ്റുകൾ LLM ആപ്ലിക്കേഷനുകളാണ് (ഉദാ: VSCode പോലുള്ള കോഡ് എഡിറ്റർ) MCP സെർവർ കണക്ഷനുകൾ ആരംഭിക്കുന്നവ.

• ക്ലയന്റുകൾ ഹോസ്റ്റ് ആപ്ലിക്കേഷനിലെ ഘടകങ്ങളാണ്, സർവർക്ക് ഒറ്റത്തവണ കണക്ഷനിൽ നിലനിൽക്കുന്നത്.

• സെർവർകൾ പ്രത്യേക കഴിവുകൾ വെളിപ്പെടുത്തുന്ന ലഘുഭാരമുള്ള പ്രോഗ്രാമുകൾ.

പ്രോട്ടോക്കോളിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന മൂന്ന് പ്രധാന അടിസ്ഥാന ഭാഗങ്ങൾ ആണ് MCP സെർവറിന്റെ ശേഷികൾ:

• ടൂളുകൾ: AI ഏജന്റ് പ്രവർത്തനം നടത്താൻ വിളിക്കാവുന്ന വ്യത്യസ്ത പ്രവർത്തനങ്ങൾ. ഉദാഹരണത്തിന്, ഒരു കാലാവസ്ഥ സേവനം “get weather” എന്ന ടൂൾ വെളിപ്പെടുത്താമോ, അല്ലെങ്കിൽ ഒരു ഇ-കൊമേഴ്സ് സെർവർ “purchase product” എന്ന ടൂൾ നൽകാം. MCP സെർവറുകൾ ഓരോ ടൂളിന്റെയും പേര്, വിവരണം, ഇൻപുട്ട്/ഔട്ട്പുട്ട് സ്‌കീമ എന്നിവ പ്രദർശിപ്പിക്കുന്നു.

• റിസോഴ്‌സുകൾ: MCP സെർവർ നൽകാവുന്ന വായിക്കാൻ മാത്രമുള്ള ഡാറ്റ അതവൊ ഘടകങ്ങൾ. ഉപയോക്താക്കൾ ആവശ്യത്തിന് ഇതു കൈകാര്യം ചെയ്യാം. ഉദാഹരണങ്ങൾ: ഫയൽ ഉള്ളടക്കം, ഡാറ്റാബേസ് രേഖകൾ, ലോഗ് ഫയലുകൾ. ഇത് ടെക്‌സ്‌റ്റ് (കോഡ്, JSON പോലുള്ള) അല്ലെങ്കിൽ ബൈനറി (ചിത്രങ്ങൾ, PDF) ആകാം.

• പ്രോംപ്റ്റുകൾ: മുൻകൂട്ടി നിർവചിച്ച ടെംപ്ലേറ്റുകൾ, സൂചിപ്പിച്ച പ്രോംപ്റ്റുകളിലൂടെ സങ്കീർണ പ്രവാഹങ്ങൾ സാധ്യമാക്കുന്നു.

MCPയുടെ പ്രയോജനങ്ങൾ

MCP AI ഏജന്റുകൾക്കുള്ള പ്രധാന കാരണങ്ങൾ:

• ഡൈനാമിക് ടൂൾ കണ്ടെത്തൽ: ഏജന്റുകൾക്ക് ഒരു MCP സെർവർ നൽകിയ ഉപകരണങ്ങളുടെ പട്ടികയും അവരുടെ വിവരണവും ഡൈനാമിക് ആയി പറ്റും. ഇതു സാധാരണ API ആനുകൂല്യങ്ങളിൽ നിന്നും വ്യത്യസ്തമാണ്, അവ സ്ഥിരമായ കോഡിംഗ് ആവശ്യപ്പെടാറുണ്ട്, API മാറ്റം വന്നാൽ കോഡ് പുതുക്കണം. MCP “ഒരു തവണ ഇന്റഗ്രേറ്റ്” വഴിയാണ്, കൂടുതൽ ഉപയോഗശീലമായത്.

• LLMകളിൽ അന്തർപ്രവാഹം: MCP വിവിധ LLMകളിൽ പ്രവർത്തിക്കുന്നു, മികച്ച പ്രകടനത്തിന് അനുസൃതമായി മോഡൽ മാറ്റാൻ സൗകര്യപ്പെടുന്നു.

• സ്റ്റാൻഡേർഡ് സുരക്ഷ: MCPയിൽ സ്റ്റാൻഡേർഡ് ഓത്തന്റിക്കേഷൻ രീതി ഉള്‍ക്കൊള്ളുന്നു, MCP സെർവർ അധികപ്പെടുത്തുമ്പോൾ സ്കെയിലാബിലിറ്റി മെച്ചപ്പെട്ടിരിക്കുന്നു. ഇത് വ്യത്യസ്ത API കീസുകളും ഓത്തന്റിക്കേഷൻ വിധികളും കൈകാര്യം ചെയ്യുന്നതിലും ലളിതമാണ്.

MCP ഉദാഹരണം

ഒരു ഉപയോക്താവ് MCP പിന്തുണയുള്ള AI അസിസ്റ്റന്റിന്റെ സഹായത്തോടെ ഒരു ഫ്ലൈറ്റ് ബുക്കുചെയ്യാൻ ആഗ്രഹിച്ചാൽ:

1. കണക്ഷൻ: AI അസിസ്റ്റന്റ് (MCP ക്ലയന്റ്) ഒരു എയർലൈൻ നൽകിയ MCP സെർവറുമായി കണക്ട് ചെയ്യും.

2. ടൂൾ കണ്ടെത്തൽ: ക്ലയന്റ് എയർലൈൻ MCP സെർവറോട് “നിങ്ങൾക്ക് ഏതു ടൂളുകൾ ലഭ്യമാണ്?” ആണു ചോദിക്കുന്നത്. സെർവർ “search flights” “book flights” തുടങ്ങിയ ടൂളുകൾ ഉണ്ട് എന്ന് ഉപദേശിക്കുന്നു.

3. ടൂൾ വിളിക്കൽ: ഉപയോക്താവ് AI അസിസ്റ്റന്റോട് പറയുന്നു, “പോർטלൻഡിൽ നിന്ന് ഹോനളുലൂവിന് ഒരു ഫ്ലൈറ്റ് വേണ്ടി തിരയൂ”. AI അസിസ്റ്റന്റ് തർജ്ജമ ചെയ്യുന്ന LLM “search flights” ടൂൾ വിളിക്കേണ്ടതുണ്ട് എന്ന് തിരിച്ചറിഞ്ഞ് ബന്ധപ്പെട്ട പാരാമീറ്ററുകൾ (ആരമ്പ്, ലക്ഷ്യം) MCP സെർവറിലേക്ക് അയയ്‌ക്കുന്നു.

4. നിർവഹണവും പ്രതികരണവും: MCP സെർവർ, വ്രാപ്പർ ആയി പ്രവർത്തിച്ച്, എയർലൈനിന്റെ ബുക്കിംഗ് API-നെ വിളിക്കുന്നു, ഫ്ലൈറ്റ് വിവരങ്ങൾ (JSON ഡാറ്റ) സ്വീകരിച്ച് AI അസിസ്റ്റന്റിന് മടക്കം അയയ്ക്കുന്നു.

5. കൂടുതൽ ഇടപെടലുകൾ: AI അസിസ്റ്റൻറ് ഫ്ലൈറ്റ് ഓപ്ഷനുകൾ സമ്മാനിക്കുന്നു. ഒരു ഫ്ലൈറ്റ് തിരഞ്ഞെടുക്കുമ്പോൾ, “book flight” ടൂൾ വിളിച്ച് ബുക്കിംഗ് പൂർത്തിയാക്കും.

Agent-to-Agent പ്രോട്ടോക്കോൾ (A2A)

MCP LLM കൾ ഉപകരണങ്ങളുമായി ബന്ധിപ്പിക്കുന്നതിൽ കേന്ദ്രീകരിച്ചിരിക്കുന്നതിൽ, Agent-to-Agent (A2A) പ്രോട്ടോക്കോൾ വിവിധ AI ഏജന്റുകൾ തമ്മിൽ ആശയവിനിമയും സഹകരണവും സാധ്യമാക്കുകയാണ്. A2A വ്യത്യസ്ത ഓർഗനൈസേഷനുകളുടെയും പരിസ്ഥിതികളുടെയും ടെക് സ്റ്റാക്കുകളുടെയും AI ഏജന്റുകളെ ബന്ധിപ്പിച്ച് ഒരു പങ്കിട്ട ജോലി പൂർത്തിയാക്കുന്നു.

A2Aയുടെ ഘടകങ്ങളും പ്രയോജനങ്ങളും, യാത്രാ ആപ്ലിക്കേഷനിൽ ഇത് എങ്ങനെ ഉപയോഗിക്കാമെന്ന ഉദാഹരണവും നോക്കാം.

A2A പ്രധാന ഘടകങ്ങൾ

A2A ഏജന്റുകൾക്ക് തമ്മിൽ ആശയവിനിമയം സാധ്യമാക്കുന്നു, ഉപയോക്താവിന്റെ ഉപജോലിയെ പൂർത്തിയാക്കാൻ ചേർന്ന് ജോലി ചെയ്യുന്നു. പ്രോട്ടോക്കോളിൻറെ ഓരോ ഘടകവും ഇതിന് പ്രതിരൂപമാണ്:

ഏജന്റ് കാർഡ്

MCP സെർവർ ടൂളുകളുടെ പട്ടിക പങ്കിടുന്നത് പോലെ, ഏജന്റ് കാർഡിൽ:

• ഏജന്റിന്റെ പേര്.

• പൂർത്തിയാക്കുന്ന പൊതുവായ പ്രവർത്തനങ്ങളുടെ വിവരണം.

• മറ്റ് ഏജന്റുകൾക്കും (അല്ലെങ്കിൽ മനുഷ്യ ഉപയോക്താക്കൾക്കും) ഏജന്റിനെ വിളിക്കേണ്ടത് എപ്പോൾ, എന്തിനാണെന്ന് മനസിലാക്കാൻ സഹായിക്കുന്ന നിറവിലാസപ്പെട്ട പ്രത്യേക നൈപുണ്യങ്ങളുടെ പട്ടിക.

• ഏജന്റിന്റെ നിലവിലെ എന്റ്പോയിന്റ് URL.

• പതിപ്പ്യും, സ്ട്രീമിംഗ് പ്രതികരണങ്ങളും പുഷ് അറിയിപ്പുകളും പോലുള്ള ശേഷികളും.

ഏജന്റ് ഈക്‌സിക്യൂട്ടർ

ഉപയോക്തൃ ചാറ്റിന്റെ സാന്ദർഭം റിമോട്ട് ഏജന്റിലേക്ക് കൈമാറുന്നതിനും ഉത്തരവാദിയാണ്. റിമോട്ട് ഏജന്റ് പൂർത്തിയാക്കേണ്ട ജോലി മനസ്സിലാക്കാൻ ഇത് ആവശ്യമാണ്. A2A സെർവറിൽ, ഏജന്റ് തൻ്റെ സ്വന്തം LLM ഉപയോഗിച്ച് വരവുചെയ്യുന്ന അഭ്യർത്ഥനകൾ വിവർത്തനം ചെയ്ത് സ്വന്തം ഉപകരണങ്ങളുമായി ജോലികൾ നിർവഹിക്കുന്നു.

ആർട്ടിഫാക്ട്

റിമോട്ട് ഏജന്റ് അഭ്യർത്ഥിച്ച ജോലിയെ പൂർത്തിയാക്കിയതിനു ശേഷം, അതിന്റെ ഫലം ഒരു ആർട്ടിഫാക്ടായി സൃഷ്ടിക്കപ്പെടുന്നു. ആർട്ടിഫാക്ട് ഏജന്റിന്റെ ജോലിയുടെ ഫലം, പൂർത്തിയാക്കിയ കാര്യം വിവരിക്കുന്ന ഒരു വിവരണം, പ്രോട്ടോക്കോൾ വഴി അയക്കുന്ന ടെക്‌സ്‌റ്റ് സാന്ദർഭം എന്നിവയടങ്ങിയതാണ്. ആർട്ടിഫാക്ട് അയച്ച ശേഷം, റിമോട്ട് ഏജന്റുമായുള്ള കണക്ഷൻ അടയ്ക്കപ്പെടുന്നു, പിന്നീട് ആവശ്യമുള്ളപ്പോൾ വീണ്ടും തുറക്കും.

ഇവന്റ് ക്യൂ

അപ്ഡേറ്റുകളും സന്ദേശങ്ങളും കൈകാര്യം ചെയ്യാനുള്ള ഘടകം. ഏജന്റുകൾ തമ്മിലുള്ള കണക്ഷൻ ജോലി പൂർത്തിയാകുന്നതിന് മുൻപ് അടയ്‌ക്കപ്പെടുന്നത് തടയുന്നതിനും കാലതാംപര്യം ഉള്ള പ്രവൃത്തികൾക്കായി പ്രധാനമാണ്.

A2Aയുടെ പ്രയോജനങ്ങൾ

• പ്രബലമായ സഹകരണം: വ്യത്യസ്ത വണ്ടറുകളുടെയും പ്ലാറ്റ്ഫോമുകളുടെയും ഏജന്റുകൾ തമ്മിൽ ആശയവിനിമയം നടത്തി, സാന്ദർഭം പങ്കുവച്ച് ചേർന്ന് പ്രവർത്തിക്കാനും, പരമ്പരാഗതമായി തിരിഞ്ഞു നിന്ന സംവിധാനങ്ങളുടെ ഓട്ടോമേഷൻ സുതാര്യമാക്കാനും സഹായിക്കുന്നു.

• മോഡൽ തിരഞ്ഞെടുപ്പ് സൗകര്യം: ഓരോ A2A ഏജന്റും തങ്ങളുടെ അഭ്യർത്ഥനകൾക്ക് ഉപയോഗിക്കുന്ന LLM തീരുമാനിക്കാം; ഇങ്ങനെ ഓരോ ഏജന്റിനും മികച്ചതോ ഫൈൻ-ട്യൂൺ ചെയ്തതോ ആയ മോഡലുകൾ ഉപയോഗിക്കാം, MCP-യുടെ ഒരു LLM കണക്ഷനോടുള്ള വ്യത്യാസമായി.

• ഇന്റഗ്രേറ്റഡ് ഓത്തന്റിക്കേഷൻ: A2A പ്രോട്ടോക്കോളിൽ ഓത്തന്റിക്കേഷൻ നേരിട്ട് ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, ഏജന്റ് ഇടപെടലിനായി ശക്തമായ സുരക്ഷാ സംവിധാനമാണ്.

A2A ഉദാഹരണം

നമ്മുടെ യാത്രാ ബുക്കിംഗ് ഘടകത്തെ A2A ഉപയോഗിച്ച് നമുക്ക് ദൃശ്യമാക്കാം.

1. ഉപയോക്താവ് മൾട്ടി-ഏജന്റിന് അഭ്യർത്ഥന: ഉപയോക്താവ് “Travel Agent” A2A ക്ലയന്റ്/ഏജന്റുമായി “ഹോനളുലുവിലേക്ക് വരുന്ന അടുത്ത ആഴ്ച മുഴുവൻ യാത്ര, വിമാനവും ഹോട്ടലും കാർ വാടകയുമെല്ലാം ബുക്ക് ചെയ്യൂ” എന്ന് പറയുന്നു.

2. Travel Agent ഓർക്കസ്ട്രേഷൻ: Travel Agent ഈ സങ്കീർണ അഭ്യർത്ഥന സ്വീകരിക്കുന്നു. LLM ഉപയോഗിച്ച് ജോലി പരിഗണിച്ച് മറ്റ് പ്രത്യേക ഏജന്റുകളുമായി ഇടപെടേണ്ടത് തിരിച്ചറിഞ്ഞു.

3. ഏജന്റുകൾ തമ്മിലുള്ള ആശയവിനിമയം: Travel Agent A2A പ്രോട്ടോക്കോൾ ഉപയോഗിച്ച് വ്യത്യസ്ത കമ്പനികൾ സൃഷ്ടിച്ച “Airline Agent”, “Hotel Agent”, “Car Rental Agent” എന്നിവയുമായി കണക്ട് ചെയ്യുന്നു.

4. തടവിലുള്ള ജോലി പകരൽ: Travel Agent ഓരോ പ്രത്യേക ഏജന്റുകളിലേക്കും (“ഹോനളുലുവിലേക്കുള്ള ഫ്ലൈറ്റ് കണ്ടെത്തുക”, “ഹോട്ടൽ ബുക്ക് ചെയ്യുക”, “കാർ വാടകയ്ക്ക് നൽകുക”) കാർയ്യങ്ങൾ അയയ്ക്കുന്നു. ഓരോ ഏജന്റും തങ്ങളുടെ LLM ഉപയോഗിച്ച്, പൊതുവിൽ MCP സെർവറുകൾ ഉപയോഗിച്ചും, തങ്ങളുടേതായ ഭാഗങ്ങൾ പൂർത്തിയാക്കുന്നു.

5. സംയുക്ത മറുപടി: എല്ലാ സബ് ഏജന്റുകളും അവരുടെ ജോലിയെ പൂർത്തിയാക്കിയ ശേഷം, Travel Agent ഫ്ലൈറ്റ് വിവരങ്ങൾ, ഹോട്ടൽ സ്ഥിരീകരണം, കാർ വാടക ബുക്കിംഗ് എന്നിവ സംയോജിപ്പിച്ച് ഉപയോക്താവിന് ചാറ്റ് ശൈലിയിലുള്ള സാരാംശമാർന്ന മറുപടി അയയ്ക്കുന്നു.

Natural Language Web (NLWeb)

വെബ്‌സൈറ്റുകൾ ദീർഘകാലമായി ഇന്റർനെറ്റിൽ ഉപയോക്താക്കൾക്ക് വിവരങ്ങളും ഡാറ്റയും ലഭ്യമാക്കുന്നതിനുള്ള പ്രമേയമാണ്.

NLWebയുടെ വിവിധ ഘടകങ്ങൾ, പ്രയോജനങ്ങൾ, അത് എങ്ങനെ നമ്മുടെ ട്രാവൽ ആപ്ലിക്കേഷനിൽ പ്രവർത്തിക്കുന്നുവെന്ന് കാണാം.

NLWeb ഘടകങ്ങൾ

• NLWeb ആപ്ലിക്കേഷൻ (കോർ സർവീസ് കോഡ്): പ്രകൃതിസ്വഭാവത്തിലുള്ള ഭാഷാ ചോദ്യങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്ന സംവിധാനം. പ്ലാറ്റ്‌ഫോമിന്റെ വിവിധ ഭാഗങ്ങളെ കണക്ട് ചെയ്ത് മറുപടികൾ സൃഷ്ടിക്കുന്നു. വെബ്‌സൈറ്റിന്റെ പ്രകൃതിസ്വഭാവ ഭാഷാ കഴിവുകളുടെ എഞ്ചിൻ എന്നായി കരുതാം.

• NLWeb പ്രോട്ടോക്കോൾ: വെബ്‌സൈറ്റുമായി പ്രകൃതിദത്ത ഭാഷാവിനിമയത്തിന് വേണ്ട അടിസ്ഥാന നിയമങ്ങൾ. ഇത് JSON സ്വരൂപത്തിൽ ഫലങ്ങൾ അയയ്ക്കുന്നു (അധികം Schema.org ഉപയോഗിക്കുന്നു). HTML പലിശക്കാരൻ ഓൺലൈനിൽ ഡോക്യുമെന്റ് പങ്കുവെക്കാൻ സഹായിച്ചതുപോലെ, “AI വെബ്”ക്ക് ഈ അടിസ്ഥാന ഘടകം സൃഷ്ടിക്കുന്നു.

• MCP സെർവർ (Model Context Protocol എന്റ്പോയിന്റ്): ഓരോ NLWeb സജ്ജീകരണവും ഒരുപാട് MCP സെർവറായും പ്രവർത്തിക്കുന്നു. ഇതുവഴി മറ്റ് AI സിസ്റ്റങ്ങൾക്കും ടൂളുകളും (ഉദാ: “ask” മാർഗം) ഡാറ്റയും പങ്കുവെക്കാൻ കഴിയും. ഉപയോഗത്തിൽ, വെബ്‌സൈറ്റിന്റെ ഉള്ളടക്കം AI ഏജന്റുകൾക്ക് ലഭ്യമാക്കുകയും സൈറ്റിനെ “ഏജന്റ് ഇക്കോസിസ്റ്റത്തിൽ” ഉൾപ്പെടുത്തുകയും ചെയ്യുന്നു.

• എമ്പെഡിംഗ് മോഡലുകൾ: വെബ്‌സൈറ്റ് ഉള്ളടക്കം സംഖ്യാകാരിയായ പ്രതിനിധാനങ്ങളായ വെക്ടറുകളായി (എംബെഡിംഗ്സ്) മാറ്റാൻ ഉപയോഗിക്കുന്നു. ഈ വെക്ടറുകൾ അർത്ഥം പകർത്തുകയും കംപ്യൂട്ടറുകൾക്ക് താരതമ്യം ചെയ്ത് തിരയാൻ സഹായിക്കുകയും ചെയ്യുന്നു. പ്രത്യേക ഡാറ്റാബേസിൽ സൂക്ഷിക്കപ്പെടുന്നു. ഉപയോക്താവ് ഏത് എംബെഡിംഗ് മോഡൽ ഉപയോഗിക്കണമെന്ന് തിരഞ്ഞെടുക്കാം.

• വെക്ടർ ഡാറ്റാബേസ് (രീറ്റ്രീവൽ മെക്കാനിസം): വെബ്‌സൈറ്റ് ഉള്ളടക്കത്തിന്റെ എംബെഡിങ്ങുകൾ സൂക്ഷിക്കുന്നു. ഒരാൾ ചോദ്യം ചോദിക്കുമ്പോൾ, NLWeb ഈ ഡാറ്റാബെയ്‌സിൽ നിന്ന് ഏറ്റവും പ്രസക്തമായ വിവരങ്ങൾ കണ്ടെത്തുന്നു. സമാനതയുടെ അടിസ്ഥാനത്തിൽ പെട്ടെന്ന് ഉത്തരം ലഭിക്കുന്നു. Qdrant, Snowflake, Milvus, Azure AI Search, Elasticsearch തുടങ്ങിയവയുമായി പ്രവർത്തിക്കുന്നു.

NLWeb ഉദാഹരണം

വീണ്ടും ട്രാവൽ ബുക്കിംഗ് വെബ്‌സൈറ്റ് പരിഗണിക്കാം, പക്ഷേ ഇപ്പൊഴിതാ NLWeb പിന്തുണയുള്ളത്.

1. ഡാറ്റ ഇൻഗെഷൻ: യാത്രാ വെബ്‌സൈറ്റിന്റെ നിലവിലുള്ള ഉൽപ്പന്ന കാറ്റലോഗുകൾ (ഉദാ: ഫ്ലൈറ്റ് ലിസ്റ്റിംഗ്‌സ്, ഹോട്ടൽ വിവരണങ്ങൾ, ടൂർ പാക്കേജുകൾ) Schema.org ഉപയോഗിച്ചോ RSS ഫീഡുകൾ വഴി ലോഡ് ചെയ്തോ, NLWebയുടെ ടൂളുകൾ ഈ സ്റ്റെക്ചർഡ്ഡ് ഡാറ്റ എടുക്കുകയും എംബെഡിങ്ങ് സൃഷ്ടിക്കുകയും ലൊക്കൽ അല്ലെങ്കിൽ റിമോട്ട് വെക്ടർ ഡാറ്റാബേസിൽ സംഭരിക്കുകയും ചെയ്യുന്നു.

2. പ്രകൃതിസ്വഭാവ ഭാഷാ ചോദ്യങ്ങൾ (മനുഷ്യൻ): വെബ്‌സൈറ്റ് സന്ദർശിക്കുന്ന ഒരു ഉപയോക്താവ് മെനു തിരയാതെ chat ഇന്റർഫേസ് വഴി ടൈപ്പ് ചെയ്യുന്നു: “അടുത്ത ആഴ്ച ഹോനളുലുവിൽ പൂൾ ഉള്ള കുടുംബസൗഹൃദ ഹോട്ടൽ കണ്ടെത്തൂ”.

3. NLWeb പ്രോസസ്സിങ്: NLWeb ആപ്ലിക്കേഷൻ ഈ ചോദ്യമെടുക്കുന്നു. LLM-ൽ സമർപ്പിച്ച് അതിന്റെ അർത്ഥം മനസിലാക്കി വെക്ടർ ഡാറ്റാബേസിലും മത്സരിക്കുന്ന ഹോട്ടൽ ലിസ്റ്റിങ്സ് തിരയുന്നു.

4. തെറ്റില്ലാത്ത ഫലങ്ങൾ: LLM ഡാറ്റാബേസിൽ നിന്നുള്ള ഫലങ്ങൾ വ്യാഖ്യാനിച്ച് “കുടുംബസൗഹൃദം”, “പൂൾ”, “ഹോനളുലൂ” എന്ന മാനദണ്ഡങ്ങൾക്കനുസൃതമായി മികച്ച പൊരുത്തം കണ്ടെത്തി പ്രകൃതിസ്വഭാവമായ രീതിയിൽ മറുപടി രൂപപ്പെടുത്തുന്നു. നിർഭാഗ്യകരമായ സൃഷ്ടിപ്രധാന വിവരങ്ങൾ ഒഴിവാക്കി വെബ്‌സൈറ്റിലെ യഥാർത്ഥ ഹോട്ടലുകൾ പരാമർശിക്കുന്നു.

5. AI ഏജന്റ് ഇടപെടൽ: NLWeb MCP സെർവറായി പ്രവർത്തിക്കുന്നതിനാൽ, ബാഹ്യ AI യാത്രാ ഏജന്റും ഈ വെബ്‌സൈറ്റിലെ NLWeb ഇൻസ്റ്റൻസുമായി കണക്ട് ചെയ്ത് ask MCP മാർഗം ഉപയോഗിച്ചും നേരിട്ട് ചോദ്യങ്ങളുച്യോദിക്കാം: ask("Are there any vegan-friendly restaurants in the Honolulu area recommended by the hotel?"). NLWeb അത് പ്രോസസ്സ് ചെയ്ത്, അവിടെ ലഭ്യമായ റെസ്റ്റോറന്റ് വിവരങ്ങളുടെ ഡാറ്റാബേസ് ഉപയോഗിച്ച് സജ്ജമായ JSON ഫലമായി തിരിച്ചടയ്ക്കും.

MCP/A2A/NLWeb സംബന്ധിച്ച കൂടുതൽ ചോദ്യങ്ങളുണ്ടോ?

മറ്റ് പഠനാർത്ഥികളുമായി ബന്ധപ്പെടാനും ഓഫീസ് മണിക്കൂറുകളിൽ പങ്കെടുക്കാനും നിങ്ങളുടെ AI ഏജന്റുകളുടെയും ചോദ്യങ്ങൾക്കുള്ള മറുപടി നേടാനും Microsoft Foundry Discord ൽ ചേരുക.

റിസോഴ്‌സുകൾ

• എമ്മുള്ളവർക്കു MCP
• MCP ഡോക്യുമെന്റേഷൻ
• NLWeb റിപ്പൊ
• Microsoft Agent Framework

---

അസൂയം: ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയംഭരണ വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ അക്ഷമതകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കൂ. അതിന്റെ ആദിസ്ഥിത രേഖ തന്നെ പ്രാമാണികമായ ഉറവിടമായി കരുതപ്പെടണം. പ്രധാന വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം നിർദ്ദേശിക്കുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നും ഉണ്ടാകുന്ന എൻറെവ്യാഖ്യാനങ്ങളോ തെറ്റിദ്ധാരണങ്ങളോക്കായി ഞങ്ങൾ ഉത്തരവാദിത്വം ലബ്ധമല്ല.

This site is open source. Improve this page.