ai-agents-for-beginners

ഏജന്റിക് പ്രോട്ടോകോളുകൾ ഉപയോഗിച്ച് (MCP, A2A, NLWeb)

(ഈ പാഠത്തിന്റെ വീഡിയോ കാണാൻ മുകളിൽ ചിത്രം ക്ലിക്ക് ചെയ്യുക)

AI ഏജന്റുകളുടെ ഉപയോഗം വർധിക്കുന്നതിനൊപ്പം, സ്റ്റാൻഡേർഡൈസേഷൻ, സുരക്ഷിതത്വം ഉറപ്പാക്കുകയും തുറന്ന നവീകരണത്തിന് പിന്തുണ നൽകുകയും ചെയ്യുന്ന പ്രോട്ടോകോളുകളുടെ ആവശ്യമും കൂടുന്നു. ഈ പാഠത്തിൽ, ഈ ആവശ്യം പൂർത്തിയാക്കാൻ ലക്ഷ്യമിട്ട 3 പ്രോട്ടോകോളുകൾ പരിഗണിക്കും - മോഡൽ കോൺടെക്സ്‌റ്റ് പ്രോട്ടോകോൾ (MCP), ഏജന്റ് ടു ഏജന്റ് (A2A), നാചുറൽ ലാംഗ്വേജ് വെബ് (NLWeb).

പരിചയം

ഈ പാഠത്തിൽ, നാം പരിഗണിക്കും:

• എങ്ങനെ MCP AI ഏജന്റുകൾക്ക് ഉപയോക്തൃ പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കാൻ ബാഹ്യ ഉപകരണങ്ങൾക്കും ഡാറ്റയ്ക്കും ആക്‌സസ് നൽകുന്നു.

• എങ്ങനെ A2A വ്യത്യസ്ത AI ഏജന്റുകൾ തമ്മിലുള്ള ആശയവിനിമയവും സഹകരണവും സജ്ജമാക്കുന്നു.

• എങ്ങനെ NLWeb ഏതു വെബ്‌സൈറ്റിലും പ്രകൃതിദത്ത ഭാഷാ ഇന്റർഫേസുകളുമായി AI ഏജന്റുകൾക്ക് ഉള്ളടക്കം കണ്ടെത്താനും ഇടപഴകാനും സഹായിക്കുന്നു.

പഠന ലക്ഷ്യങ്ങൾ

• AI ഏജന്റുകളുടെ പ്രസ്തുത സാഹചര്യത്തിൽ MCP, A2A, NLWeb യുടെ പ്രധാന ദർശനവും ഗുണങ്ങളും ചെറിയുക.

• LLMകൾ, ഉപകരണങ്ങൾ, മറ്റ് ഏജന്റുകൾ തമ്മിലുള്ള ആശയവിനിമയവും ഇടപെടലും എങ്ങനെ ഓരോ പ്രോട്ടോകോളും സഹായിക്കുന്നു എന്ന് വ്യാഖ്യാനിക്കുക.

• സങ്കീർണ്ണമായ ഏജന്റിക് സിസ്റ്റങ്ങൾ നിർമ്മിക്കുമ്പോൾ ഓരോ പ്രോട്ടോകോളിന്റെയും വ്യത്യസ്ത പങ്കുകൾ ഗണ്യപ്പെടുത്തുക.

മോഡൽ കോൺടെക്സ്‌റ്റ് പ്രോട്ടോകോൾ

മോഡൽ കോൺടെക്സ്‌റ്റ് പ്രോട്ടോകോൾ (MCP) ഒരു തുറന്ന മാനദണ്ഡമാണ്, ആപ്ലിക്കേഷനുകൾ LLMകൾക്കായി കൂട്ടിയിണക്കൽ കൂടിയ ഓപ്പറേഷണുകളും ഉപകരണങ്ങളും നൽകുന്നത് സാധ്യമാക്കുന്നു. ഇത് AI ഏജന്റുകൾ സ്ഥിരതയുള്ള രീതിയിൽ വ്യത്യസ്ത ഡാറ്റാ സ്രോതസ്സുകളുമായി, ഉപകരണങ്ങളുമായി ബന്ധിപ്പിക്കാൻ ഒരു “സഹജ അഡാപ്റ്റർ” ആയി പ്രവർത്തിക്കുന്നു.

MCP യുടെ ഘടകങ്ങൾ, നേരിട്ടുള്ള API ഉപയോഗത്തെ അപേക്ഷിച്ച് ഇതിന്റെ ഗുണങ്ങൾ, AI ഏജന്റുകൾ MCP സെർവർ എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ഉദാഹരണവും കാണാം.

MCP മുഖ്യഘടകങ്ങൾ

MCP ഒരു ക്ലയന്റ്-സർവർ ഘടന ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നു, പ്രധാന ഘടകങ്ങൾ:

• ഹോസ്റ്റുകൾ LLM ആപ്ലിക്കേഷനുകളാണ് (ഉദാഹരണത്തിന്, VSCode പോലെയുള്ള കോഡ് എഡിറ്റർ) MCP സർവറുമായി ബന്ധം ആരംഭിക്കുന്നു.

• ക്ലയന്റുകൾ ഹോസ്റ്റ് ആപ്ലിക്കേഷനിലുളള ഘടകങ്ങളാണ്, ഓരോ ഒരു സർവറുമായി ഒറ്റത്തവണ ബന്ധം നിലനിർത്തുന്നു.

• സർവറുകൾ പ്രത്യേക ചുമതലകൾ പ്രകാശിപ്പിക്കുന്ന ലളിതമായ പ്രോഗ്രാമുകളാണ്.

MCP പ്രോട്ടോകോളിൽ ഉൾപ്പെടുത്തപ്പെട്ട മൂന്ന് മുഖ്യ പ്രിമിറ്റീവ് MCP സർവറിന്റെ കഴിവുകളാണ്:

• ഉപകരണങ്ങൾ: AI ഏജന്റ് ഒരു പ്രവർത്തനം ചെയ്തത് നിർവഹിക്കാൻ വിളിക്കുക സാധിക്കുന്ന നിർദിഷ്ട പ്രവർത്തനങ്ങൾ അല്ലെങ്കിൽ ഫംഗ്ഷനുകൾ. ഉദാഹരണത്തിന്, ഒരു കാലാവസ്ഥാ സേവനത്തിന്റെ “കാലാവസ്ഥ ലഭ്യമാക്കുക”, അല്ലെങ്കിൽ ഇ-കോമേഴ്‌സ് സെർവർ “ഉൽപ്പന്നം വാങ്ങുക” എന്ന ഉപകരണം പ്രചരിപ്പിക്കുന്നു. MCP സർവർ ഓരോ ഉപകരണത്തിന്റെ പേര്, വിവരണം, ഇൻപുട്ട്/ഔട്ട്പുട്ട് സ്‌കീമ എന്നിവയാണ് പരസ്യം ചെയ്യുന്നത്.

• വെളിപ്പെടുത്തലുകൾ: MCP സർവർ നൽകുന്ന വായന മാത്രം ഉള്ള ഡാറ്റാ ഇനങ്ങൾ അല്ലെങ്കിൽ രേഖകൾ, ക്ലയന്റുകൾ ആവശ്യാനുസരണം സ്വീകരിക്കും. ഉദാഹരണത്തിന് ഫയൽ ഉള്ളടക്കം, ഡാറ്റാബേസ് രേഖകൾ, ലോഗ് ഫയലുകൾ. വെളിപ്പെടുത്തലുകൾ പാഠമായിരിക്കും (കോഡ്, JSON) അല്ലെങ്കിൽ ബൈനറി (ചിത്രങ്ങൾ, PDF).

• പ്രോമ്പ്റ്റുകൾ: നിർവചിച്ചിട്ടുള്ള ഒരു വാചകരൂപം, കൂടുതൽ സങ്കീർണ്ണ പ്രവൃത്തി പ്രവാഹങ്ങൾക്ക് നിർദ്ദേശിക്കുന്ന പ്രോമ്പ്റ്റുകൾ നൽകുന്നു.

MCP ന്റെ ഗുണങ്ങൾ

MCP AI ഏജന്റുകൾക്ക് വലിയ ഗുണങ്ങളാണ് നൽകുന്നത്:

• പ്രവർത്തന ഉപകരണങ്ങൾ തിരിച്ചറിയൽ: ഏജന്റുകൾ സർവറിൽ നിന്നുള്ള ലഭ്യമായ ഉപകരണങ്ങളുടെ പട്ടിക സൗകര്യമോടെയുള്ള വിവരണത്തോടെ സ്വീകരിച്ചേക്കാം. സാധാരണ API-കൾ പൂർവനിശ്ചിത കോഡിംഗിനെ ആവശ്യപ്പെടുന്നത് MCP “ഒരിക്കൽ സംയോജിപ്പിക്കുക” സമീപനം കൊണ്ട് വലിയ കുടിയേറ്റശേഷി നൽകുന്നു.

• LLMകൾക്കിടയിലെ പരസ്പര പ്രവർത്തനക്ഷമത: MCP വിവിധ LLM-ലുകളിലും പ്രവർത്തിക്കുന്നതിനാൽ മെച്ചപ്പെട്ട പ്രകടനത്തിന് മോഡലുകൾ മാറാൻ സൗകര്യമുണ്ട്.

• സ്റ്റാൻഡേർഡൈസ്ഡ് സുരക്ഷിതത്വം: MCP ഒരു സാധാരണ പാസ്‌വേർഡ് പരിശോധന രീതി ഉൾക്കൊള്ളുന്നു, കൂടതല MCP സർവർകളുടെ ആക്‌സസ് കൃത്യവൽക്കരണത്തിൽ ഇത് സഹായിക്കുന്നു. വിവിധ API-കൾക്കുള്ള വ്യത്യസ്ത കീകളും ഓതന്റിക്കറ്റ് രീതികളും കൈകാര്യം ചെയ്യുന്നതിനേക്കാൾ ലളിതമാണ്.

MCP ഉദാഹരണം

ഒരു ഉപയോക്താവ് MCP ശക്തിയുള്ള AI സഹായിയെ ഉപയോഗിച്ച് ഒരു വിമാനം ബുക്ക് ചെയ്യാൻ ആഗ്രഹിക്കുന്നു എന്നു കരുതൂ.

1. ബന്ധം: AI സഹായി (MCP ക്ലയന്റ്) ഒരു എയർലൈൻ നൽകുന്ന MCP സർവറുമായി ബന്ധപ്പെടുന്നു.

2. ഉപകരണ തിരിച്ചറിയൽ: ക്ലയന്റ് എയർലൈൻ MCP സർവറിനോട് ചോദിക്കുന്നു, “നിങ്ങൾക്കു ലഭ്യമാകുന്ന ഉപകരണങ്ങൾ എന്തൊക്കെയാണ്?” സർവർ “ഫ്ലൈറ്റുകൾ തിരയുക” “ഫ്ലൈറ്റുകൾ ബുക്ക് ചെയ്യുക” തുടങ്ങിയ ഉപകരണങ്ങൾ നൽകുന്നു.

3. ഉപകരണ വിളിക്കൽ: ശേഷം നിങ്ങൾ AI സഹായി പറയൂ, “പോർട്ലാൻഡിൽ നിന്ന് ഹോണോളുലുവിലേക്ക് ഒരു വിമാനം തിരയൂ.” AI സഹായി അതിന്റെ LLM ഉപയോഗിച്ച് “flights search” ഉപകരണം വിളിക്കണം എന്ന് തിരിച്ചറിഞ്ഞ് MCP സർവറിന് അനുയോജ്യമായ പാരാമീറ്ററുകൾ നൽകുന്നു.

4. നടല്‍വാരിയും പ്രതികരണവും: MCP സർവർ എയർലൈൻ ബുക്കിംഗ് API യിൽ നിർദ്ധിഷ്ട വിളിപ്പ് നടത്തുന്നു. JSON ഡാറ്റ പോലുള്ള വിമാനം വിവരങ്ങൾ സ്വീകരിക്കുന്നതും AI സഹായിക്ക് അയച്ചുതരുന്നതും ഈ ഘട്ടത്തിൽ ആണ്.

5. ഇടപെടൽ തുടരുക: AI സഹായി വിമാന ഓപ്ഷനുകൾ കാണിക്കും. നിങ്ങൾ ഒരു വിമാന എടുക്കുമ്പോൾ, അദേ വാ MCP സർവറിൽ “ഫ്ലൈറ്റ് ബുക്ക് ചെയ്യുക” ഉപകരണം വിളിപ്പിച്ച് ബുക്ക് പൂർത്തിയാക്കാം.

ഏജന്റ്-ടു- ഏജന്റ് പ്രോട്ടോകോൾ (A2A)

MCP LLMകൾ ഉപകരണങ്ങളുമായി ബന്ധിപ്പിക്കാനാണ് ലക്ഷ്യം വെച്ചിരിക്കുന്നത് പക്ഷേ, A2A വിവിധ AI ഏജന്റുകൾ തമ്മിലുള്ള ആശയവിനിമയവും സം‌യോജനവും സാധ്യമാക്കുന്നു. വ്യത്യസ്ത സ്ഥാപനങ്ങളിലെ, പരിസരങ്ങളിലെയും ടെക്നോളജി സ്റ്റാക്കുകളിലെയും AI ഏജന്റുകൾ A2A-വഴി ബന്ധിപ്പിച്ച് ഒരു പങ്കിട്ട പ്രവർത്തനം പൂർത്തിയാക്കുന്നു.

A2A-യുടെ ഘടകങ്ങളും ഗുണങ്ങളും, അത് നമ്മുടെ ട്രാ‌വൽ ആപ്ലിക്കേഷനിൽ എങ്ങനെ പ്രയോഗിക്കാമെന്ന് ഒൗയക്കാം.

A2A മുഖ്യ ഘടകങ്ങൾ

A2A ഏജന്റുകൾ തമ്മിലുള്ള ആശയവിനിമയവും ഉപയോക്തൃയുടെ ഉപപ്രവൃത്തികൾ പൂർത്തിയാക്കുന്നതിനായുള്ള സഹകരണവും കൃത്യമാക്കുന്നു. പ്രോട്ടോകോളിൽ ഓരോ ഘടകവും ഇതിന് സംഭാവന നൽകുന്നു:

ഏജന്റ് കാര്‍ഡ്

MCP സെർവർ ഉപകരണങ്ങൾ പട്ടിക പോലെ, ഏജന്റ് കാർഡിന്:

• ഏജന്റിന്റെ പേര്.
• ആൺ പൂർത്തിയാക്കുന്ന പൊതുവായ പ്രവർത്തനങ്ങൾ വിവരിച്ചിരിക്കുന്നു.
• നിര്ദിഷ്ട കഴിവുകളുടെ പട്ടിക മറ്റു ഏജന്റുകൾക്കും (ഇമോ മനുഷ്യ ഉപയോക്താക്കൾക്കുമുള്ള) ഏജന്റ് വിളിക്കേണ്ട സമയവും കാരണം മനസിലാക്കാൻ സഹായിക്കുന്ന വിവരണങ്ങളോടുകൂടി.
• ഏജന്റിന്റെ നിലവിലെ എൻഡ്‌പോയിന്റ് URL
• ഏജന്റിന്റെ വർഷൻയും സാഖ്യങ്ങൾ (സ്റ്റ്രീമിങ് മറുപടികളും പുഷ് നോട്ടിഫിക്കേഷനുകളും പോലുള്ളവയും).

ഏജന്റ് എക്സിക്യൂട്ടർ

ഉപയോക്തൃ ചാറ്റിന്റെ കൊണ്ട് (context) റിമോട്ട് ഏജന്റിലേക്ക് കടത്തുന്നത് ഏജന്റ് എക്സിക്യൂട്ടർയുടെ ചുമതലയാണ്, പണി പൂർത്തിയാക്കാനാവശ്യമായതിനെ അതിനു മനസ്സിലാക്കാൻ സഹായം വേണം. A2A സെർവറിൽ, ഏജന്റ് സ്വന്തം LLM ഉപയോഗിച്ച് വരുന്ന അഭ്യർത്ഥനകൾ പാഴ്സുചെയ്‌തു ആഭ്യന്തര ഉപകരണങ്ങൾ ഉപയോഗിച്ച് പ്രവർത്തനങ്ങൾ നിർവഹിക്കുന്നു.

ആർട്ടിഫാക്റ്റ്

റിമോട്ട് ഏജന്റ് അഭ്യർത്ഥിച്ച പണി പൂർത്തിയാക്കിയശേഷം, അതിന്റെ പ്രവർത്തന ഉൽപ്പന്നം ആർട്ടിഫാക്റ്റായി സൃഷ്ടിക്കുന്നു. ആർട്ടിഫാക്റ്റ് ഏജന്‍റെ പ്രവർത്തന ഫലത്തിന്റെ ഒരു രേഖ ആണ്, പൂർത്തിയാക്കിയത് എന്താണെന്ന് വിശദീകരണം, പ്രോട്ടോകോൾ വഴിയുള്ള പകർപ്പടക്കം. ആർട്ടിഫാക്റ്റ് അയച്ച ശേഷം റിമോട്ട് ഏജന്റുമായി ബന്ധം അടച്ചു വിടുന്നു, ആവശ്യമുള്ളപ്പോഴേ വീണ്ടും ബന്ധപ്പെടും.

ഇവന്റ് ക്യൂ

അപ്‌ഡേറ്റുകളും സന്ദേശങ്ങളും കൈകാര്യംപ്പെടുത്താൻ ഈ ഘടകം ഉപയോഗിക്കുന്നു. പ്രൊഡക്ഷനിൽ, ഏജന്റുകൾ തമ്മിലുള്ള ബന്ധം ഒരു പ്രവർത്തി പൂർത്തിയാകുന്നതിനു മുന്നേ അടച്ചുപൂട്ടപ്പെടാതിരിക്കാനുള്ള പ്രധാന ഉപാധിയാണ്, പ്രത്യേകിച്ച് ടാസ്ക് പൂർത്തീകരണം കൂടുതല് സമയം എടുക്കുമ്പോൾ.

A2A ന്റെ ഗുണങ്ങൾ

• വളർന്ന കുടിയേറ്റ സഹകരണം: വ്യത്യസ്ത വാണിജ്യസ്ഥാപനങ്ങളുടെയും പ്ലാറ്റ്ഫോമുകളുടെയും ഏജന്റുകൾ ബന്ധിപ്പിച്ച് ആശയവിനിമയം, അവബോധം പങ്കുവെക്കൽ സജ്ജമാക്കി പരസ്പരം സഹകരിച്ച് പ്രവർത്തനം സാധ്യമാകുന്നു.

• മോഡൽ തിരഞ്ഞെടുപ്പ് രണ്ടു രീതികൾ: ഓരോ A2A ഏജന്റും തനതായ LLM തിരഞ്ഞെടുക്കാം, ഒറ്റ LLM ബന്ധത്തിനിടെ നിന്നുള്ള MCP സന്നിവേശങ്ങളിലെ നിന്ന് വ്യത്യസ്തമായി.

• നിർമ്മിത ഓതന്റിക്കേഷൻ: A2A പ്രോട്ടോകോൾത്തോടൊപ്പം നേരിട്ട് ഓതന്റിക്കേഷൻ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, ഏജന്റ് ഇടപാടുകൾക്കുള്ള ശക്തമായ സുരക്ഷാ ഘടന.

A2A ഉദാഹരണം

നമ്മുടെ യാത്ര ബുക്കിംഗ് സൂത്രവാക്യം നീട്ടാം, ഈ പ്രാവശ്യം A2A ഉപയോഗിച്ച്.

1. ഉപയോക്തൃ അഭ്യർത്ഥന മൾട്ടി-ഏജന്റിലേക്ക്: ഉപയോക്താവ് “ഹോണോളുലുവിലേക്ക് അടുത്ത ആഴ്‌ചയിലെ മുഴുവൻ യാത്ര ബുക്ക് ചെയ്യുക: വിമാനങ്ങൾ, ഹോട്ടൽ, വാടകകാർ” പോലുള്ള ഒരു അപേക്ഷ “ട്രാവൽ ഏജന്റ്” A2A ക്ലയന്റ്/ഏജന്റുമായി ഇടപെടുന്നു.

2. ട്രാവൽ ഏജന്റിന്റെ ഏകോപനം: ട്രാവൽ ഏജന്റ് ഈ സങ്കീർണ്ണ അഭ്യർത്ഥനം സ്വീകരിച്ചു. അതിന്റെ LLM ഉപയോഗിച്ച് ജോലി മനസ്സിലാക്കി മറ്റ് പ്രത്യേക ഏജന്റുകളുമായി ഇടപെടണം എന്ന് നിർണ്ണയിക്കുന്നു.

3. ഏജന്റ്-ഏജന്റ് ആശയവിനിമയം: ട്രാവൽ ഏജന്റ് A2A പ്രോട്ടോകോൾ ഉപയോഗിച്ച് “എയർലൈൻ ഏജന്റ്”, “ഹോട്ടൽ ഏജന്റ്”, “കാർ വാടക ഏജന്റ്” പോലുള്ള വ്യത്യസ്ത കമ്പിനികൾ സൃഷ്ടിച്ച താഴെ പൂർവ്വ ഏജന്റുകളിലേക്ക് ബന്ധപ്പെടുന്നു.

4. പ്രവൃത്തി നിർവഹണം ഏജന്റുകൾക്ക് വിട്ടു നൽകൽ: ട്രാവൽ ഏജന്റ് പ്രത്യേക ഏജന്റുകൾക്ക് സാഹചര്യ പ്രവർത്തനങ്ങൾ അയക്കുന്നു (ഉദാ: “ഹോണോളുലുവിലേക്ക് വിമാനങ്ങൾ കണ്ടെത്തുക”, “ഹോട്ടൽ ബുക്ക് ചെയ്യുക”, “കാർ വാടകയ്‌ക്കെടുക്കുക”). ഓരോ ഏജന്റും സ്വന്തം LLM ഉപയോഗിച്ച് തങ്ങള്‍ MCP സർവർ പോലെയുള്ള ഉപകരണങ്ങൾ ഉപയോഗിച്ച് പ്രവർത്തനം നിർവ്വഹിച്ചു.

5. സംയുക്ത പ്രതികരണം: എല്ലാ ഏജന്റുകളും തങ്ങളുടെ ജോലി പൂർത്തിയാക്കിയശേഷം, ട്രാവൽ ഏജന്റ് ഫ്ലൈറ്റ് വിശദാംശങ്ങൾ, ഹോട്ടൽ സ്ഥിരീകരണം, കാർ ബുക്കിംഗ് ഒരു സംയുക്ത ചാറ്റ് പരിച്ഛേദമായി ഉപയോക്താവിനു അയക്കുന്നു.

നാചുറൽ ലാംഗ്വേജ് വെബ് (NLWeb)

വെബ്‌സൈറ്റുകൾ എന്റർനെറ്റിലേയ്ക്ക് വിവരങ്ങൾ ലഭ്യമാക്കാനുള്ള മുഖ്യ മാർഗമാണ് ഏറെക്കാലമായി.

NLWeb ന്റെ വ്യത്യസ്ത ഘടകങ്ങൾ, ഗുണങ്ങൾ, നമ്മുടെ യാത്ര ആപ്ലിക്കേഷനിലൂടെ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് പരിഗണിക്കാം.

NLWeb ഘടകങ്ങൾ

• NLWeb ആപ്ലിക്കേഷൻ (കോർ സേവീസ് കോഡ്): പ്രകൃതി ഭാഷാ ചോദ്യങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്ന സംവിധാനം. വെബ്‌സൈറ്റിന്റെ നാചുറൽ ലാംഗ്വേജ് സവിശേഷതകൾ സാധ്യമാക്കുന്ന എഞ്ചിൻ ആയി ആലോചിക്കാവുന്നതാണ്.

• NLWeb പ്രോട്ടോകോൾ: വെബ്‌സൈറ്റുമായി നാചുറൽ ലാംഗ്വേജ് ആശയവിനിമയത്തിനുള്ള മൂലഭൂത നിയമങ്ങൾ. JSON ഫോർമാറ്റിൽ (Schema.org ഉപയോഗിച്ച്) മറുപടി നല്കുന്നു. ഈ ഉദ്ദേശം AI വെബിന്റെ അടിസ്ഥാനമെന്ന നിലയിൽ സിHTML ഡോക്യൂമെന്റുകൾ ഓൺലൈനിൽ പങ്കുവെച്ചത് പോലെ സ.implified് രൂപം സൃഷ്ടിക്കുകയാണ്.

• MCP സർവർ (മോഡൽ കോൺടെക്സ്‌റ്റ് പ്രോട്ടോകോൾ എൻഡ്‌പോയിന്റ്): ഓരോ NLWeb ഘടനയും MCP സർവറായി പ്രവർത്തിക്കുന്നു. ഇതിന്റെ വഴി മറ്റ് AI സിസ്റ്റങ്ങളുമായി ഉപകരണങ്ങൾ (“ask” മെത്തഡ് പോലുള്ള) ഡാറ്റ പങ്കുവെക്കാൻ സാധിക്കുന്നു. ഇതുവഴി വെബ്‌സൈറ്റിന്റെ ഉള്ളടക്കം AI ഏജന്റുകൾക്ക് ഉപയോഗയോഗ്യമാക്കുകയും സൈറ്റ് വലിയ ഏജന്റ് ഇക്കോസിസ്റ്റത്തിനൊപ്പം പ്രവർത്തിയ്ക്കുകയും ചെയ്യുന്നു.

• എംബെഡ്ഡിങ് മോഡലുകൾ: വെബ്‌സൈറ്റ് ഉള്ളടക്കം സംഖ്യാത്മക പ്രതിനിധാനങ്ങളായി (വെക്‌ടറുകൾ) മാറ്റേണ്ടതിന് ഈ മോഡലുകൾ ഉപയോഗിക്കുന്നു. കംപ്യൂട്ടറുകൾ താരതമ്യം തിരഞ്ഞെടുത്ത് സാധ്യമാക്കാൻ വേക്ടറുകൾ ആശയം ഉൾക്കൊള്ളുന്നു. ഇവ പ്രത്യേക ഡാറ്റാബേസുകളിൽ സൂക്ഷിക്കുന്നു, ഉപയോക്താക്കൾ ഇവയില്‍ നിന്നും ഒരേ പ്രവർത്തനമോ മോഡലോ തെരഞ്ഞെടുക്കാം.

• വെക്‌റ്റർ ഡാറ്റാബേസ് (തിരിച്ച് ലഭിക്കുന്ന മെക്കാനിസം): വെബ്‌സൈറ്റ് ഉള്ളടക്കത്തിന്‍റെ വെക്‌റ്റർ സൂക്ഷിക്കുന്ന ഡാറ്റാബേസ്. ആരെങ്കിലുമൊരു ചോദ്യം ചോദിക്കുമ്പോൾ NLWeb വെക്‌റ്റർ ഡേറ്റാബേസ് പരിശോധിച്ച് ഏറ്റവും համապատասխանമായ വിവരങ്ങൾ വേഗത്തിൽ കണ്ടെത്തുന്നു. ഓപ്ഷനുകൾ സമാനത അനുസരിച്ച് റാങ്ക് ചെയ്താണ് നൽകുക. NLWeb Qdrant, Snowflake, Milvus, Azure AI Search, Elasticsearch പോലുള്ള വിഭിന്ന വെക്‌റ്റർ സ്ടോറേജ് സംവിധാനങ്ങളുമായി പ്രവർത്തിക്കുന്നു.

NLWeb ഉദാഹരണത്തോടെ

നമ്മുടെ യാത്രാ ബുക്കിംഗ് വെബ്‌സൈറ്റ് വീണ്ടും പരിഗണിക്കാം, പക്ഷേ ഈ പ്രാവശ്യം NLWeb ശക്തിയോടെ.

1. ഡാറ്റ ഇൻജെക്ഷൻ: യാത്ര വെബ്‌സൈറ്റിന്റെ നിലവിലുള്ള ഉല്‍പ്പന്ന പട്ടികകൾ (ഉദാ., ഫ്ലൈറ്റ് ലിസ്റ്റിംഗ്, ഹോട്ടൽ വിവരണങ്ങൾ, ടൂർ പാക്കേജുകൾ) Schema.org ഉപയോഗിച്ച് ഫോർമാറ്റ് ചെയ്യപ്പെട്ടിരിക്കുന്നു അല്ലെങ്കിൽ RSS ഫീഡുകൾ വഴി ലോഡ് ചെയ്യപ്പെടുന്നു. NLWeb യുടെ ഉപകരണങ്ങൾ ഈ ഘടനയുള്ള ഡാറ്റ പിടിച്ച്, എംബെഡ്ഡിങ്ങുകൾ സൃഷ്ടിച്ച് ലേ…ല് അല്ലെങ്കിൽ ദൂരസ്ഥ വെക്‌റ്റർ ഡേറ്റാബേസിൽ സേവ് ചെയ്യുന്നു.

2. പ്രകൃതിദത്ത ഭാഷ ചോദ്യത്തിൽ (മനുഷ്യൻ): ഉപയോക്താവ് വെബ്‌സൈറ്റ് സന്ദർശിച്ച് മെനുകൾ തിരഞ്ഞടക്കാതെ, ഒരു ചാറ്റ് ഇന്റർഫേസിൽ ടൈപ്പ് ചെയ്യുന്നു: “ഞാൻ വീട്ടു സുഹൃത്തായ ഹോട്ടൽ ഹോണോളുലുവിൽ അടുത്ത ആഴ്‌ചക്ക് പൂള് ഉള്ളത് കണ്ടെത്തൂ”.

3. NLWeb പ്രോസസ്സിംഗ്: NLWeb ആപ്ലിക്കേഷൻ ഈ ചോദ്യം സ്വീകരിക്കുന്നു. ഒരു LLM-ൽ അത് മനസ്സിലാക്കി, ഒരേസമയം വെക്‌റ്റർ ഡാറ്റാബേസ് ഹോട്ടൽ ലിസ്റ്റിംഗുകൾക്കായി തിരയുന്നു.

4. സരിയായ ഫലങ്ങൾ: LLM ഡാറ്റാബേസിൽനിന്നുള്ള ഫലങ്ങൾ വ്യാഖ്യാനിച്ച് “വീട്ടുകാർക്കായി അനുയോജ്യം”, “പൂൾ”, “ഹോണോളു” പോലുള്ള ക്രൈറ്റീരിയകളിൽ മികച്ച പൊരുത്തങ്ങൾ കണ്ടെത്തി നാചുറൽ ലാംഗ്വേജ് മറുപടി തയ്യാറാക്കുന്നു. പ്രധാനമായും മറുപടി വെബ്‌സൈറ്റിന്റെ യഥാർത്ഥ ഹോട്ടലുകൾ പ്രമാണിക്കുന്നു, നിർമ്മിത വിവരങ്ങൾ ഒഴിവാക്കുന്നു.

5. AI ഏജന്റ് ഇടപെടൽ: NLWeb MCP സർവറായി പ്രവർത്തിക്കുന്നതിനാൽ, പുറം AI ട്രാവൽ ഏജന്റും ഈ വെബ്‌സൈറ്റ് ഒരു NLWeb ഘടനയായി ബന്ധിപ്പിക്കുകയും ask MCP മെത്തഡ് ഉപയോഗിച്ച് നേരിട്ടേ ചോദ്യങ്ങൾ ചോദ്യിക്കുകയും ചെയ്യാം: ask("ഹോട്ടൽ ശുപാർശ ചെയ്ത ഹോണോളു പ്രദേശത്തെ വേഗൻ സൗഹൃദ റസ്റ്റോറന്റുകൾ ഉണ്ടോ?"). NLWeb ഈ ചോദ്യങ്ങൾ പ്രോസസ്സ് ചെയ്ത് (ലോഡ് ചെയ്തിരുന്നെങ്കിൽ) അവയുടെ JSON രൂപത്തിലുള്ള മറുപടി നൽകും.

MCP/A2A/NLWeb-യെ കുറിച്ച് കൂടുതൽ ചോദ്യങ്ങളുണ്ടോ?

Microsoft Foundry Discord ൽ ചേരുക. മറ്റ് പഠിതാക്കളെ കണ്ടുമുട്ടുക, ഓഫീസ് മണിക്കൂറുകളിൽ പങ്കെടുത്ത് AI ഏജന്റുകൾ സംബന്ധിച്ച നിങ്ങളുടെ ചോദ്യങ്ങൾക്ക് ഉത്തരങ്ങൾ നേടുക.

വിഭവങ്ങൾ

• MCP for Beginners
• MCP Documentation
• NLWeb Repo
• Microsoft Agent Framework

മുൻപത്തെ പാഠം

ഉത്പാദനത്തിലെ AI ഏജന്റുകൾ

അടുത്ത പാഠം

AI ഏജന്റുകൾക്കുള്ള കോൺടെക്സ്‌റ്റ് എൻജിനീയറിംഗ്

---

അറിയിപ്പ്: ഈ രേഖ AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.

This site is open source. Improve this page.