ai-agents-for-beginners
AI ഏജന്റുകൾക്കുള്ള മെമ്മറി
AI ഏജന്റുകൾ സൃഷ്ടിക്കുന്നതിന്റെ പ്രത്യേകഗുണങ്ങൾ ചർച്ചചെയ്യുമ്പോൾ, പ്രധാനമായി രണ്ടു കാര്യങ്ങൾ ചർച്ച ചെയ്യുന്നുണ്ട്: ജോലികൾ പൂർത്തിയാക്കാൻ ടൂളുകൾ വിളിക്കുന്ന ശേഷിയും കാലക്രമേണ മെച്ചപ്പെടുത്താനുള്ള ശേഷിയും. മെമ്മറിയാണ് സ്വയം മെച്ചപ്പെടുത്തുന്ന ഏജന്റ് സൃഷ്ടിക്കുന്നതിന് അടിസ്ഥാനമായത്, ഇത് നമ്മുടെ ഉപയോക്താക്കൾക്കായി മികച്ച അനുഭവങ്ങൾ സൃഷ്ടിക്കാൻ സഹായിക്കുന്നതാണ്.
ഈ പാഠത്തിൽ, AI ഏജന്റുകൾക്കുള്ള മെമ്മറി എന്താണെന്നും അതിനെ എങ്ങനെ നിയന്ത്രിക്കാമെന്നും, നമ്മുടെ ആപ്ലിക്കേഷനുകൾക്ക് ഉപകാരപ്രദമാക്കാൻ എങ്ങനെ ഉപയോഗിക്കാമെന്നും നാം പരിശോധിക്കും.
പരിചയം
ഈ പാഠത്തിൽ ഉൾപ്പെടുന്നതൊക്കെയാണ്:
• AI ഏജന്റ് മെമ്മറി മനസ്കരിക്കൽ: മെമ്മറി എന്താണെന്നും ഏജന്റുകൾക്കുവേണ്ടി ഇത് എന്തുകൊണ്ട് നിർണായകമാണെന്നും.
• മെമ്മറി നടപ്പിലാക്കൽ மற்றும் സൂക്ഷിക്കൽ: ഹൃസ്വകാലവും ദൈർഘ്യമേക്കും ഉള്ള മെമ്മറി ശേഷികളെ AI ഏജന്റുകളിൽ ചേർക്കാനുള്ള പ്രായോഗിക മാർഗ്ഗങ്ങൾ.
• AI ഏജന്റുകൾക്ക് സ്വയം മെച്ചപ്പെടാനുള്ള കഴിവ് നൽകൽ: മെമ്മറി എങ്ങനെ മുൻകാല സംവാദങ്ങളിൽ നിന്ന് പഠിക്കുകയും കാലക്രമേണ മെച്ചപ്പെടുകയും ചെയ്യുന്നതിൽ സഹായിക്കുന്നു.
ലഭ്യമായ നടപ്പാക്കലുകൾ
ഈ പാഠത്തിൽ രണ്ട് സമഗ്രമായ നോട്ട്ബുക്ക് ട്യൂട്ടോറിയലുകൾ ഉൾപ്പെടുന്നു:
• 13-agent-memory.ipynb: Mem0യും Azure AI Searchയും Semantic Kernel ഫ്രെയിംവർക്ക് ഉപയോഗിച്ച് മെമ്മറി നടപ്പാക്കുന്നു
• 13-agent-memory-cognee.ipynb: Cognee ഉപയോഗിച്ച് ഘടനാപരമായ മെമ്മറി നടപ്പാക്കുന്നു, ഏംബഡിംഗ്സ് പിന്തുണയുള്ള നോളജ് ഗ്രാഫ് സ്വയം നിർമ്മിച്ച്, ഗ്രാഫ് വിസ്വലൈസേഷൻ നടത്തുകയും, ബുദ്ധിമാനായ തിരയുകയും ചെയ്യുന്നു
പഠനലക്ഷ്യങ്ങൾ
ഈ പാഠം പൂർത്തിയാക്കിയശേഷം, നിങ്ങൾ എങ്ങനെ ചെയ്യാമെന്ന് അറിയാം:
• വിവിധ തരത്തിലുള്ള AI ഏജന്റ് മെമ്മറികളിൽ വ്യത്യാസം മനസ്സിലാക്കുക, അതായത് പ്രവർത്തന, ഹൃസ്വകാല, ദൈർഘ്യകാല മെമ്മറി എന്നിവയും സ്പെഷ്യലൈസ്ഡ് രൂപങ്ങൾ പോലുള്ള പേഴ്സോണ ഉം എപിസോഡിക് മെമ്മറിയും ഉൾപ്പെടുന്നു.
• Semantic Kernel ഫ്രെയിംവർക്ക് ഉപയോഗിച്ച് AI ഏജന്റുകൾക്കായി ഹൃസ്വകാലവും ദൈർഘ്യകാലവും ഉള്ള മെമ്മറി നടപ്പിലാക്കുകയും നിയന്ത്രിക്കുകയും ചെയ്യുക, Mem0, Cognee, Whiteboard മെമ്മറി പോലുള്ള ഉപകരണങ്ങൾ പ്രയോജനപ്പെടുത്തിയും Azure AI Search എങ്ങനെ ഇന്റഗ്രേറ്റ് ചെയ്യാമോ അതർശപ്രയോഗിക്കുകയും ചെയ്യുക.
• സ്വയം മെച്ചപ്പെടുന്ന AI ഏജന്റുകളുടെ സിദ്ധാന്തങ്ങൾ മനസ്സിലാക്കുക; ശക്തമായ മെമ്മറി മാനേജ്മെന്റ് സംവിധാനം തുടർച്ചയായ പഠനത്തിനും ഉപയോഗത്തെ മെച്ചപ്പെടുത്തുന്നതിനും എങ്ങനെ സഹായിക്കുന്നു എന്നതു.
AI ഏജന്റ് മെമ്മറി മനസ്സിലാക്കൽ
അടിസ്ഥാനത്തിൽ, AI ഏജന്റുകൾക്കുള്ള മെമ്മറി അവരെ വിവരങ്ങൾ സൂക്ഷിക്കുകയും ഓർമ്മിപ്പിക്കുകയും ചെയ്യാനുള്ള സംവിധാനങ്ങൾ ആണ്. ഈ വിവരങ്ങൾ സംവാദത്തിലെ പ്രത്യേക വിശദാംശങ്ങളായിരിക്കാം, ഉപയോക്തൃ മുൻഗണനകൾ, മുൻനിര പ്രവർത്തനങ്ങൾ, അല്ലെങ്കിൽ പഠിച്ച നമൂനകളും.
മെമ്മറി ഇല്ലാതെ, AI അപ്ലിക്കേഷനുകൾ സാധാരണയായി സ്റ്റേറ്റ്ലെസ്സ് ആണ്, അതായത് ഓരോ സംവാദവും തൊട്ടുമുതൽ തുടങ്ങുന്നു. ഇത് ആവർത്തിക്കുന്നതും നിരാശജനകവുമായ ഉപയോക്തൃ അനുഭവത്തിലേക്ക് നയിച്ചേക്കാം, ഏജന്റ് മുമ്പത്തെ സാഹചര്യവും മുൻഗണനകളും “ മറക്കുന്ന” സാഹചര്യം.
മെമ്മറി എന്തുകൊണ്ട് നിർണായകമാണ്?
ഒരു ഏജന്റിന്റെ ബുദ്ധി അതിന്റെ മുൻവിവരങ്ങൾ ഓർമ്മിക്കുകയും ഉപയോഗിക്കുകയും ചെയ്യാനുള്ള ശേഷിയോടു ചേർന്നിരിക്കുന്നു. മെമ്മറി ഏജന്റുകൾക്ക് നൽകുന്നത്:
• അന്വയം: മുൻ പ്രവർത്തനങ്ങളും ഫലങ്ങളും നിന്ന് പഠിക്കുക.
• ഇന്ററാക്ടീവ്: സമ്പ്രേഷണത്തിന്റെ സാഹചര്യത്തെ നിലനിർത്തുക.
• പ്രവർത്തനാത്മകവും പ്രതികരണാത്മകവും: ആവശ്യങ്ങൾ മുൻകൂട്ടി കാണുക അല്ലെങ്കിൽ ചരിത്രപരമായ ഡാറ്റയുടെ അടിസ്ഥാനത്തിൽ ആവശ്യമായ പ്രതികരണം നൽകുക.
• സ്വയംക്രിയാത്മകത: സൂക്ഷിച്ചിട്ടുള്ള അറിവിൽ തനിച്ചായി പ്രവർത്തിക്കുക.
മെമ്മറി നടപ്പാക്കാനുള്ള ലക്ഷ്യം ഏജന്റുകളെ കൂടുതൽ നിർഭരവും സന്നദ്ധവുമാക്കുക എന്നതാണ്.
മെമ്മറിയുടെ തരംകൾ
പ്രവർത്തന മെമ്മറി
ഒരു ഏജന്റ് ഒരൊറ്റ തുടർച്ചയായ ജോലിയിലോ ചിന്താവൃത്താരോപത്തിലോ ഉപയോഗിക്കാൻ ഉള്ള താൽക്കാലിക കുറിപ്പ് പേപ്പറായി ഇതിനെ പരിഗണിക്കുക. അടുത്ത ഘട്ടം കണക്കാക്കാൻ ആവശ്യമുള്ള ഉടൻ ഉള്ള വിവരങ്ങൾ ഇതിൽ സൂക്ഷിക്കുന്നു.
AI ഏജന്റുകൾക്കുള്ള പ്രവർത്തന മെമ്മറി സാധാരണയായി ഒരു സംവാദത്തിലെ ഏറ്റവും പ്രസക്തമായ വിവരങ്ങൾ പകർന്നു നൽകുന്നു, ചാറ്റ് ചരിത്രം ദൈർഘ്യമേറിയതാണ് എങ്കിലും. ഇത് ആവശ്യകതകൾ, നിർദ്ദേശങ്ങൾ, തീരുമാനങ്ങൾ, പ്രവർത്തനങ്ങൾ പോലുള്ള പ്രധാന ഘടകങ്ങൾ എടുക്കുന്നതിൽ കേന്ദ്രീകരിക്കുന്നു.
പ്രവർത്തന മെമ്മറി ഉദാഹരണം
ഒരു യാത്ര ബുക്കിങ് ഏജന്റിൽ, പ്രവർത്തന മെമ്മറി ഉപയോക്താവിന്റെ നിലവിലെ അഭ്യർത്ഥന പിടിച്ചുപറി ചെയ്യും, ഉദാഹരണത്തിന് “നാൻ പാരിസിലേക്ക് ഒരു യാത്ര ബുക്ക് ചെയ്യാൻ ആഗ്രഹിക്കുന്നു”. ഈ നിർദ്ദിഷ്ട ആവശ്യകത ഏജന്റിന്റെ ഉടൻ ഉള്ള സാഹചര്യത്തിൽ സൂക്ഷിച്ച് നിലവിലുള്ള സംവാദം മാർഗനിർദ്ദേശിക്കാൻ സഹായിക്കും.
ഹൃസ്വകാല മെമ്മറി
ഈ മെമ്മറി ഏക സംവാദത്തിന്റെ അല്ലെങ്കിൽ സെഷന്റെ സമയപരിധിക്കുള്ളിൽ വിവരങ്ങൾ സൂക്ഷിക്കുന്നു. അത് നിലവിലെ ചാറ്റിന്റെ സാഹചര്യമാണ്, ഏജന്റിന് ചട്ടത്തിലുള്ള മുമ്പത്തെ തിരുക്കാനുവദിക്കുന്നു.
ഹൃസ്വകാല മെമ്മറി ഉദാഹരണം
ഒരു ഉപയോക്താവ് “പാരിസിലേക്ക് ഒരു ഫ്ലൈറ്റ് എത്രക്കും ചെലവാകും?” എന്ന് ചോദിച്ചതിനുശേഷം, “അവിടെ താമസസൗകര്യം എങ്ങനെ?” എന്ന് ചോദിച്ചാൽ, ഹൃസ്വകാല മെമ്മറി “അവിടെ” എന്ന വാക്ക് “പാരിസ്” എന്നതു തന്നെ എന്ന് ഏജന്റ് മനസ്സിലാക്കും.
ദൈർഘ്യകാല മെമ്മറി
ചേർന്നുള്ള നിരവധി സംവാദങ്ങളിലൂടെയും സെഷനുകളിലൂടെയും നിലനിൽക്കുന്ന വിവരങ്ങളാണ് ഇത്. ഇത് ഉപയോക്തൃ മുൻഗണനകൾ, ചരിത്രം, അല്ലെങ്കിൽ പൊതുവായ അറിവ് ഓർക്കാൻ സഹായിക്കുന്നു. വ്യക്തിഗതമാക്കലിന് ഇതിന് മഹത്തരം.
ദൈർഘ്യകാല മെമ്മറി ഉദാഹരണം
ദൈർഘ്യകാല മെമ്മറി “ബെൻ സ്കീയിങ്ങിനെയും ഔട്ഡോർ പ്രവർത്തനങ്ങളെയും ഇഷ്ടപ്പെടുന്നു, മountain കாட்சி കൂടിയ കോഫി ഇഷ്ടപ്പെടുന്നു, മുൻകാലം ഉണ്ടായ പരിക്ക് മൂലം ആധുനിക സ്കി സ്ലോപുകൾ ഒഴിവാക്കാൻ ആഗ്രഹിക്കുന്നു” എന്ന് സൂക്ഷിക്കാം. ഇവ മുമ്പത്തെ സംവാദങ്ങളിൽ നിന്നും ശേഖരിച്ച അറിവ് ആയതിനാൽ, ഭാവിയിൽ യാത്രാ പദ്ധതികളിൽ highly personalizedമായ ശിപാരിസുകൾ നൽകാനാകും.
പേഴ്സോണ മെമ്മറി
ഈ സ്പെഷ്യലൈസ്ഡ് മെമ്മറി തരം ഏജന്റിന് സ്ഥിരമായി ഒരു “പേഴ്സണാലിറ്റി” അല്ലെങ്കിൽ “പേഴ്സോണ” വികസിപ്പിക്കാനുപകരിക്കുന്നു. ഇത് ഏജന്റിന് തങ്ങളുടെ സ്വഭാവങ്ങളെക്കുറിച്ചോ അതിന്റെ നിർദ്ദേശിച്ച പങ്ക് കുറിച്ചോ വിവരങ്ങൾ ഓർക്കാൻ അനുവദിക്കുന്നു, പ്രതിസന്ധികൾ കൂടുതൽ നയമുള്ളതും സുതാര്യമാകുകയും ചെയ്യുന്നു.
പേഴ്സോണ മെമ്മറി ഉദാഹരണം
യാത്രാ ഏജന്റ് “നിപുണ സ്കി പ്ലാനറായ” രൂപത്തിൽ രൂപകൽപ്പന ചെയ്തിട്ടുണ്ടെങ്കിൽ, ഈ പേഴ്സോണ മെമ്മറി അതിന്റെ ഉത്തരങ്ങളോട് ഒരു വിദഗ്ധൻ ഉള്ള ശൈലിയും അറിവും ഉൾപ്പെടുത്തി പ്രതികരിക്കാൻ സഹായിക്കും.
വർക്ക്ഫ്ലോ/എപിസോഡിക് മെമ്മറി
ഒരു സങ്കീർണ്ണമായ ജോലിയിലെ ഏജന്റ് സ്വീകരിക്കുന്ന ക്രമമായ ഘട്ടങ്ങളെ, വിജയങ്ങളെയും പരാജയങ്ങളെയും കൂടി ഇത് സൂക്ഷിക്കുന്നു. മുൻകാലം ഉണ്ടായ “എപിസോഡുകൾ” പോലെ ഓർമ്മിക്കാൻ ഇത് സഹായിക്കുന്നു.
എപിസോഡിക് മെമ്മറി ഉദാഹരണം
ഏജന്റ് ഒരു പ്രത്യേക ഫ്ലൈറ്റ് ബുക്ക് ചെയ്യാൻ ശ്രമിച്ചെങ്കിലും ലഭ്യതക്കുറവിനെത്തുടർന്ന് പരാജയപ്പെട്ടു എങ്കിൽ, എപിസോഡിക് മെമ്മറി ഈ പരാജയം രേഖപ്പെടുത്തും, പിന്നീട് സ്വകാര്യമായി പകരം ഫ്ലൈറ്റുകൾ കണ്ടെത്താൻ ശ്രമിക്കാനും ഉപയോക്താവിനെ കൂടുതൽ യോഗ്യമായ വിവരങ്ങളോടെ അറിയിക്കാനും ഇത് സഹായിക്കും.
Entity മെമ്മറി
സംവാദങ്ങളിൽ നിന്നുള്ള വ്യക്തമായ ഘടകങ്ങൾ (ഉദാഹരണത്തിന് ആളുകൾ, സ്ഥലങ്ങൾ, വസ്തുക്കൾ) ഉം സംഭവങ്ങളുമുള്ള വിവരമെടുത്തും ഓർക്കുന്നതിനുമുള്ള സംവിധാനം. ഇത് പ്രാധാന്യമുള്ള ഭാഗങ്ങളിൽ ഘടനാപരമായി മനസ്സിലാക്കാൻ സഹായിക്കുന്നു.
Entity മെമ്മറി ഉദാഹരണം
മുമ്പത്തെ യാത്രയെ കുറിച്ചുള്ള സംവാദത്തിൽ, ഏജന്റ് “പാരിസ്,” “ഏഫിൽ ടവർ,” “Le Chat Noir റസ്റ്റോറന്റിൽ ഡിന്നർ” എന്നിങ്ങനെ ഘടകങ്ങൾ കണ്ടെത്താം. ഭാവി സംവാദത്തിൽ “Le Chat Noir” ഓർമ്മിച്ച് സുതാര്യമായി പുതിയ ബുക്കിങ് ആവശ്യം നിർവഹിക്കാൻ സഹായിക്കും.
ഘടനാപരമായ RAG (Retrieval Augmented Generation)
RAG ഒരു വിപുലമായ സാങ്കേതിക വിദ്യയായെങ്കിലും, “ഘടനാപരമായ RAG” ശക്തമായ മെമ്മറി സാങ്കേതികവിദ്യ എന്നാണ്. ഇത് വിവിധ ഉറവിടങ്ങളിൽ നിന്നുള്ള സാരമായ, ഘടനാപരമായ വിവരങ്ങൾ (സംവാദങ്ങൾ, ഇമെയിലുകൾ, ചിത്രങ്ങൾ) പിശെച്ച് പ്രതികരണത്തിലെത Genauigkeit, recall, speed എന്നിവ മെച്ചപ്പെടുത്താൻ ഉപയോഗിക്കുന്നു. പരമ്പരാഗത അന്തരസാദൃശ്യ RAG-ലേക്കാൾ വ്യത്യസ്തമായി, ഘടനാപരമായ RAG രചനയിലുള്ള ഘടന ഉപയോഗിക്കുന്നു.
ഘടനാപരമായ RAG ഉദാഹരണം
പഴയ രീതിയിൽ കീവേഡുകൾ മാത്രം പൊരുത്തപ്പെടുത്താനുള്ള പകരം, ഘടനാപരമായ RAG ഒരു ഇമെയിൽ നിന്ന് (ഗതാഗത സ്ഥലം, തീയതി, സമയം, എയർലൈൻ) വിവരങ്ങൾ പാര്സ് ചെയ്ത് ഘടനാപരമായി സൂക്ഷിക്കും. ഇതുകൊണ്ട് “ഞാൻ ചൊവ്വാഴ്ച പാരിസിലേക്ക് ഏത് ഫ്ലൈറ്റ് ബുക്ക് ചെയ്തു?” പോലുള്ള കൃത്യമായ ചോദ്യം നൽകാൻ കഴിയും.
മെമ്മറി നടപ്പാക്കൽയും സൂക്ഷിക്കലും
AI ഏജന്റുകൾക്കുള്ള മെമ്മറി നടപ്പാക്കൽ ഒരു വ്യവസ്ഥാപിതമായ പ്രക്രിയയാണെന്നു പറഞ്ഞാൽ മെമ്മറി മാനേജ്മെന്റ് എന്നാണ് പറയുന്നത്, ഇതിൽ സൃഷ്ടിക്കൽ, സൂക്ഷിക്കൽ, പിൻവലിക്കൽ, സംയോജനം, അപ്ഡേറ്റ്, മറക്കൽ (അഥവാ ഇല്ലാതാക്കുക) എന്നിവ ഉൾപ്പെടുന്നു. പ്രത്യേകിച്ച് പിൻവലിക്കൽ വളരെ പ്രധാനമാണ്.
പ്രത്യേക മേധാവിത്വമുള്ള മെമ്മറി ഉപകരണങ്ങൾ
Mem0
ഏജന്റ് മെമ്മറി സൂക്ഷിക്കാനും നിയന്ത്രിക്കാനുമുള്ള ഒരു മാർഗ്ഗമാണ് Mem0 പോലുള്ള പ്രത്യേക ഉപകരണങ്ങൾ ഉപയോഗിക്കുക. Mem0 സ്ഥിരതയുള്ള മെമ്മറി ലെയർ ആയി പ്രവർത്തിച്ച്, ഏജന്റുകൾക്ക് പ്രസക്തമായ സംവാദങ്ങൾ ഓർമിക്കാനും ഉപയോക്തൃ മുൻഗണനകളും ശാസ്ത്രീയ സാഹചര്യവും സൂക്ഷിക്കാനും വിജയങ്ങളും പരാജയങ്ങളും വഴികാട്ടി പഠിക്കാനും സാധിക്കും. ഇതിന്റെ ആശയം സ്റ്റേറ്റ്ലെസ് ഏജന്റുകളെ സ്റ്റേറ്റ്ഫുൾ ആക്കുക എന്നതാണ്.
ഇത് രണ്ട് ഘട്ടത്തിൽ പ്രവര്ത്തിക്കുന്ന മെമ്മറി പൈപ്പ്ലൈൻ: പാരിസ്ഥിതി എടുക്കലും അപ്ഡേറ്റും ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നു. ആദ്യം, ഏജന്റിന്റെ സന്ദേശങ്ങൾ Mem0 സേവനത്തിലേക്ക് അയയ്ക്കുന്നു, ഇവിടെ ഒരു വലിയ ഭാഷാ മോഡൽ (LLM) സംവാദ ചരിത്രം സംക്ഷിപ്തമാക്കി പുതിയ മെമ്മറികൾ എടുത്തെടുക്കും. തുടർന്ന്, LLM പ്രവർത്തനത്തിൽ കുറവുകളും മാറ്റങ്ങളും പരിശോധിച്ച് അവ മെമ്മറികളിൽ ചേർക്കാമോ, മാറ്റിക്കാമോ, ഇല്ലാതാക്കാമോ എന്ന് തീരുമാനിക്കും, പിന്നീട് ഇതെല്ലാം വെക്ടർ, ഗ്രാഫ്, കീ-വാല്യു ഡാറ്റാബേസ് എന്നിവ ചേർന്ന ഹൈബ്രിഡ് ഡാറ്റാ സ്റ്റോറിൽ സൂക്ഷിക്കും. ഈ സംവിധാനം വിവിധ മെമ്മറി തരംകളും പിന്തുണയ്ക്കുന്നു കൂടാതെ ഘടകങ്ങൾ തമ്മിലുള്ള ബന്ധങ്ങൾ നിയന്ത്രിക്കാൻ ഗ്രാഫ് മെമ്മറിയും ഉൾപ്പെടുത്താം.
Cognee
മറ്റൊരു ശക്തമായ സമീപനം Cognee ആണ്, ഇത് AI ഏജന്റുകൾക്കുള്ള ഓപ്പൺ സോഴ്സ് സെമാന്റിക് മെമ്മറി ആണ്. ഇത് ഘടനാപരവും ഘടനയില്ലാത്തവുമായ ഡാറ്റ പെർഫെക്റ്റ് വേ വഴി നോളജ് ഗ്രാഫുകളായി മാറ്റുന്നു, ഏംബഡിംഗ്സിനോടൊപ്പം പിന്തുണയ്ക്കുന്നു. Cognee ഒരു ഡ്യുവൽ സ്റ്റോർ ആർക്കിടെക്ചർ നൽകുന്നു, ഡാറ്റയിലെ വെക്ടർ സെമാന്റിക് സാമ്യതയും ഗ്രാഫ് ബന്ധങ്ങളും ചേർത്ത്, ഏജന്റുകൾക്ക് വിവരങ്ങൾ തമ്മിലുള്ള സാമ്യത മാത്രമല്ല, ആശയങ്ങൾ തമ്മിലുള്ള ബന്ധം മനസ്സിലാക്കാനും സഹായിക്കുന്നു.
അത് ഹൈബ്രിഡ് റീറ്റ്രീവൽ ഒന്നിനെ പ്രധാനം ചെയ്യുന്നു, വെക്ടർ സാമ്യത, ഗ്രാഫ് ഘടന, LLM യുക്തിവാദം എന്നിവ ചേർത്ത് - റോ ചങ്ക് തിരയൽ മുതൽ ഗ്രാഫ് അറിയപ്പെട്ട ചോദ്യോത്തരത്തിലേക്ക്. സിസ്റ്റം ജീവിച്ചിരിക്കുന്ന മെമ്മറി നിലനിർത്തുന്നു, ഇതു വളരുകയും വളരുകയും ചെയ്യുന്നു, കൂടാതെ ചോദിക്കാവുന്നതുമായ, ഒറ്റ ഗ്രാഫായി ബന്ധിപ്പിക്കുകയും, ഹൃസ്വകാല സെഷൻ സാഹചര്യം കൂടാതെ ദൈർഘ്യമേറിയ സ്ഥിരതയുള്ള മെമ്മറിയും പിന്തുണയ്ക്കുന്നു.
Cognee നോട്ട്ബുക്ക് ട്യൂട്ടോറിയൽ (13-agent-memory-cognee.ipynb) ഈ ഐക്യപ്പെട്ട മെമ്മറി ലെയർ സംബന്ധിച്ച് കാണിക്കുന്നു, വിവിധ ഡാറ്റ ഉറവിടങ്ങൾ ഉൾപ്പെടുത്തലും ഗ്രാഫ് വിസ്വലൈസേഷനും ഏജന്റിന്റെ ആവശ്യങ്ങൾക്കനുസരിച്ച് വിവിധ തിരയൽ തന്ത്രങ്ങളോടെ ചോദ്യം ചെയ്യലും പ്രായോഗിക ഉദാഹരണങ്ങളിലാണ്.
RAG ഉപയോഗിച്ച് മെമ്മറി സൂക്ഷിക്കൽ
Mem0 പോലുള്ള പ്രത്യേക മെമ്മറി ഉപകരണങ്ങൾക്ക് പുറമുപയോഗിച്ച്, ട്രൂസ്റ്റ്വർത്തമായ തിരയൽ സേവനങ്ങളായ Azure AI Search നെ മെമ്മറികൾക്ക് സൂക്ഷിക്കാനും തിരയാനും ഉപയോഗിക്കാവുന്നതാണ്, പ്രത്യേകിച്ച് ഘടനാപരമായ RAG-ക്കായി.
ഇത് നിങ്ങളുടെ ഏജന്റിന്റെ പ്രതികരണങ്ങളെ നിങ്ങളുടെ സ്വന്തം ഡാറ്റയുമായി അടിസ്ഥാപിക്കുന്നതിനെ സഹായിക്കുകയും, കൂടുതൽ പ്രസക്തവും കൃത്യവുമായ ഉത്തരങ്ങൾ ഉറപ്പാക്കുകയും ചെയ്യുന്നു. Azure AI Search ഉപയോക്തൃ-നിഷ്ഠ യാത്രാ മെമ്മറികൾ, ഉൽപ്പന്ന കാറ്റലോഗുകൾ, അഥവാ മറ്റ് പ്രത്യേക മേഖലയിലെ അറിവ് സൂക്ഷിക്കാൻ ഉപയോഗിക്കാവുന്നതാണ്.
Azure AI Search ഘടനാപരമായ RAG പിന്തുണയ്ക്കുന്നു, ഇത് സംവാദ ചരിത്രങ്ങൾ, ഇമെയിലുകൾ, ചിത്രങ്ങൾ പോലെയുള്ള വമ്പിച്ച ഡാറ്റാസെറ്റുകളിൽ നിന്ന് സാരമായ, ഘടനാപരമായ വിവരങ്ങൾ എടുക്കുകയും തിരയുകയും ചെയ്യുന്നതിൽ സവിശേഷത കാണിക്കുന്നു. ഇത് പാരമ്പര്യ ടെക്സ്റ്റ് ചങ്കിംഗ്, എംബഡിംഗ് ആധാരമായ സമീപനങ്ങളെക്കാൾ “മനുഷ്യമേൽപുള്ള കൃത്യതയും ഓർക്കലും” നൽകുന്നു.
AI ഏജന്റുകൾ സ്വയം മെച്ചപ്പെടുത്തുന്നത്
സ്വയം മെച്ചപ്പെടുന്ന ഏജന്റുകൾക്കുള്ള സാധാരണ മാതൃകയിൽ “നോളജ് ഏജന്റ്” എന്നതാണ് പരിചയപ്പെടുത്തുന്നത്. ഇത് വ്യത്യസ്തമായ ഒരു ഏജന്റാണ്, ഉപയോക്താവും പ്രാഥമിക ഏജന്റുമായുള്ള പ്രധാന സംവാദം നിരീക്ഷിക്കുന്നത്. ഇതിന്റെ പകർ:
-
മൂല്യവത്വമുള്ള വിവരം കണ്ടുപിടിക്കുക: സംവാദത്തിൽ നിന്ന് പൊതുവായ അറിവോ പ്രത്യേക ഉപയോക്തൃ മുൻഗണനയോ സൂക്ഷിക്കേണ്ടതാണോ എന്നതു തീരുമാനിക്കുക.
-
അടുക്കുകയും സംക്ഷേപിക്കുകയും ചെയ്യുക: സംവാദത്തിൽ നിന്നുള്ള പ്രധാന പഠനവും മുൻഗണനയും പാരിശുദ്ധമാക്കുക.
-
അറിവ് ബേസിൽ സൂക്ഷിക്കുക: പലപ്പോഴും വെക്ടർ ഡാറ്റാബേസ് ഉപയോഗിച്ച് ഈ അറിവ് നിലനിർത്തുക, പിന്നീട് തിരയ്ക്കാൻ.
-
ഭാവിയിലെ ചോദ്യങ്ങൾ വിപുലീകരിക്കുക: ഉപയോക്താവ് പുതിയ ചോദ്യമുയർത്തുമ്പോൾ, നോളജ് ഏജന്റ് പ്രസക്തമായ വിവരങ്ങൾ തിരിച്ച് പ്രൈമറി ഏജന്റിന്റെ പ്രോംപ്റ്റിൽ ചേർക്കും, പ്രധാന സന്ദർഭം നൽകും (RAG പോലെയാണ്).
മെമ്മറിക്ക് വേണ്ടിയുള്ള മെച്ചപ്പെടുത്തലുകൾ
• ലേറ്റൻസി മാനേജ്മെന്റ്: ഉപയോക്തൃ സംവാദങ്ങൾ മന്ദഗതിയാക്കാതിരിക്കാൻ, ആദ്യം ചെലവുകുറഞ്ഞ, വേഗത്തിലുള്ള മോഡൽ ഉപയോഗിച്ച് വിവരങ്ങൾ സൂക്ഷിക്കാൻ ഉചിതമാണോ എന്ന് പരിശോധിച്ച്, ആവശ്യമുള്ളപ്പോൾ മാത്രമേ കൂടുതൽ സങ്കീർണ്ണമായ പാരിസ്ഥിതി/തിരയൽ പ്രക്രിയകൾ പ്രവർത്തിക്കുകയുള്ളൂ.
• അറിവ് ബേസ് പരിപാലനം: വളരുന്ന അറിവ് ബേസ് ദൈർഘ്യമേറിയത് ആക്കുന്നതിന് കുറച്ച് കുറച്ച് ഉപയോഗിക്കുന്ന വിവരങ്ങൾ “തണുത്ത സംഭരണം” എന്നിലേക്കു മാറ്റുക, ചെലവുകൾ നിയന്ത്രിക്കാനായി.
ഏജന്റ് മെമ്മറി സംബന്ധിച്ച് കൂടുതൽ താല്പര്യമുണ്ടോ?
മറ്റു പഠിതാക്കളുമായി ചേരാൻ, ഓഫീസ് പധവികൾ ഹാജരാകാനും നിങ്ങളുടെ AI ഏജന്റ് സംബന്ധിച്ച ചോദ്യങ്ങൾക്ക് മറുപടി തേടാനും Azure AI Foundry Discord സന്ദർശിക്കുക.
തെളിവുസൂചനം:
ഈ പ്രമാണം AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷ ചെയ്തതാണ്. നാം സത്യസന്ധതയ്ക്കായി ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന പരിഭാഷകളിൽ പിശകുകളും ദോഷങ്ങളും ഉണ്ടായിരിക്കാമെന്നും ദയവായി ശ്രദ്ധിക്കുക. പ്രമാണത്തിന്റെ അസൽ ഭാഷയിൽ ഉള്ള അടിത്തറയായ പ്രമാണം മാത്രമേ ഔദ്യോഗിക ഉറവിടമായിരിക്കൂ. നിർണായകമായ വിവരങ്ങൾക്ക് പ്രഫഷണൽ മനുഷ്യപരിഭാഷ ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ പരിഭാഷയുടെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾക്കും പാഠഭ്രംശങ്ങൾക്കും ഞങ്ങൾ ഉത്തരവാദികളല്ല.