ai-agents-for-beginners
AI ഏജന്റുകൾക്കുള്ള ജന്മസ്മൃതി
AI ഏജന്റുകൾ സൃഷ്ടിക്കുന്നതിന്റെ പ്രത്യേക ഗുണങ്ങൾ ചര്ച്ച ചെയ്യുമ്പോൾ, പ്രധാനമായും രണ്ട് കാര്യങ്ങൾ ചർച്ച ചെയ്യപ്പെടുന്നു: ജോലികൾ പൂർത്തിയാക്കാൻ ടൂളുകൾ വിളിക്കാനുള്ള കഴിവും സമയം കഴിഞ്ഞ് മെച്ചപ്പെടാനുള്ള കഴിവും. മെമ്മറി (സ്മൃതി) എന്നത് സ്വയം മെച്ചപ്പെടുന്ന ഏജന്റുകൾ രൂപപ്പെടുത്തുന്നതിനും നമ്മുടെ ഉപയോക്താക്കൾക്ക് മികച്ച അനുഭവങ്ങൾ സൃഷ്ടിക്കുന്നതിനുമായി അടിസ്ഥാനം ആണ്.
ഈ പാഠത്തിൽ, AI ഏജന്റുകൾക്ക് മെമ്മറി എന്താണ് എന്നതും എങ്ങനെ അത് ആപ്ലിക്കേഷനുകൾക്ക് ഉപയോഗപ്രദമായി രൂപകൽപ്പന ചെയ്ത് നിയന്ത്രിക്കാമെന്നും നാം കാണും.
പരിചയം
ഈ പാഠം ഉൾപ്പെടുന്നു:
• AI ഏജന്റ് മെമ്മറി ബോധ്യപ്പെടുത്തൽ: മെമ്മറി എന്താണെന്നും ഏജന്റുകൾക്കു അതിന്റെ ആവശ്യകതയും.
• മെമ്മറി നടപ്പിലാക്കൽ, സംഭരണം: നിങ്ങളുടെ AI ഏജന്റുകള്ക്ക് മെമ്മറി ശേഷികളെ കൂട്ടാനുള്ള പ്രായോഗിക മാർഗങ്ങൾ, പ്രത്യേകിച്ചും ചെറുകാലവും ദീർഘകാലവും ഉള്ള മെമ്മറി.
• AI ഏജന്റുകൾ സ്വയം മെച്ചപ്പെടുത്തൽ: പഴയ ഇടപെടലുകളിൽ നിന്നു പഠിച്ചു മെച്ചപ്പെടാനും മെമ്മറി എങ്ങനെ സഹായിക്കുന്നു എന്നതും.
ലഭ്യമായ നടപ്പിലാക്കലുകൾ
ഈ പാഠത്തിൽ രണ്ട് സമ്പൂർണമായ നോട്ട്ബുക്ക് ട്യൂട്ടോറിയലുകൾ ഉൾപ്പെടുത്തുന്നു:
• 13-agent-memory.ipynb: Mem0, Azure AI Search ഉപയോഗിച്ച് സ്ഭ്സിഖിത AI ഏജന്റ് ഫ്രെയിംവർക്കിൽ മെമ്മറി നടപ്പിലാക്കൽ
• 13-agent-memory-cognee.ipynb: Cognee ഉപയോഗിച്ച് ഘടനാപരമായ മെമ്മറി നടപ്പിലാക്കൽ, embeddings നിന്നുള്ള അറിവു ഗ്രാഫ് സ്വയം നിർമ്മിച്ച്, ഗ്രാഫ് ദൃശ്യീകരണം, ബുദ്ധിമാനും ഉയർന്ന തിരച്ചിൽ
പഠന ലക്ഷ്യങ്ങൾ
ഈ പാഠം പൂർത്തിയാക്കിയ ശേഷം നിങ്ങൾക്ക് അറിയാം:
• വിവിധ AI ഏജന്റ് മെമ്മറി തരം തിരിച്ചറിയൽ, പ്രവർത്തനശേഷി മെമ്മറി, ചെറുകാല, ദീർഘകാല മെമ്മറി, വ്യക്തിത്വ (persona) മന്ദിരം, എപ്പിസോഡിക് മെമ്മറി തുടങ്ങിയ പ്രത്യേക രൂപങ്ങൾ ഉൾപ്പെടെ.
• Microsoft Agent Framework ഉപയോഗിച്ച് ചെറുകാല, ദീർഘകാല മെമ്മറി നടപ്പിലാക്കി നിയന്ത്രിക്കുക, Mem0, Cognee, വൈറ്റ്ബോർഡ് മെമ്മറി എന്നിവ ഉപയോഗിച്ച് Azure AI Search വഴി സംയോജിപ്പിക്കൽ.
• സ്വയം മെച്ചമാക്കുന്ന AI ഏജന്റുകൾ പിന്നിലെ സിദ്ധാന്തങ്ങൾ നിർവചിക്കുക; ശക്തമായ മെമ്മറി മാനേജ്മെന്റ് സ്ഥിരമായ പഠനത്തിനും അന്വയംശേഷിക്കുമുള്ള സംഭാവന.
AI ഏജന്റ് മെമ്മറിയെ അർത്ഥമാക്കൽ
പ്രധാനമായും, AI ഏജന്റുകൾക്കുള്ള മെമ്മറി അവയ്ക്ക് വിവരങ്ങൾ നിലനിർത്താനും ഓർമ്മിക്കാനും സഹായിക്കുന്ന യಂತ್ರാങ്കണങ്ങളാണ്. ഇതിൽ സംഭാഷണ വിവരങ്ങൾ, ഉപയോക്തൃ ഇഷ്ടങ്ങൾ, മുൻ പ്രവർത്തനങ്ങൾ, പഠിച്ച മാതൃകകൾ എന്നിവ ഉൾപ്പെടാം.
മെമ്മറി ഇല്ലാത്തത്, AI ആപ്പുകൾ സാധാരണയായി സ്റ്റേറ്റ്ലസ്സാണ്, അർഥം ഓരോ ഇടപെടലും ആരംഭം നിന്നാണ് തുടങ്ങുക. ഇതു ഇടപഴകിയത് ആവർത്തിക്കപ്പെട്ടും വിഷമജനകവുമായ അനുഭവത്തിലേക്ക് നയിക്കുന്നു, ഏജന്റ് മുൻ പ്രസക്തമായ പരിസ്ഥിതിയേയും ഇഷ്ടങ്ങളേയും “മറന്നു ചോരുന്നു”.
മെമ്മറി പ്രധാനമാകാൻ കാരണം?
ഒരു ഏജന്റിന്റെ ബുദ്ധിമत्ता പഴയ വിവരങ്ങൾ ഓർക്കുകയും ഉപയോഗിക്കാമെന്ന കഴിവിൽ ആഴത്തിൽ ബന്ധപ്പെടുന്നു. മെമ്മറി ഏജന്റുകൾക്ക് അനുവദിക്കുന്നു:
• പ്രതിബിംബിക്കുന്നു: മുമ്പത്തെ പ്രവർത്തനത്തിലും ഫലത്തിലും നിന്ന് പാഠം പഠിക്കൽ.
• ഇടപെടുന്നു: ഇപ്പോഴത്തെ സംവാദത്തിനിടെ ഘടകങ്ങൾ നിലനിർത്തൽ.
• പ്രവർത്തന സജ്ജവും പ്രതികരണക്ഷമവുമാണ്: ചരിത്ര ഡാറ്റ അടിസ്ഥാനമാക്കി വേണ്ടതിനു മുൻകൂർ കണക്കുകൂട്ടലും ഉചിതമായ പ്രതികരണവുമുള്ളത്.
• സ്വതന്ത്രത: സംഭരിച്ച അറിവാവലിയെ ആശ്രയിച്ച് കൂടുതൽ സ്വതന്ത്രമായി പ്രവർത്തിക്കൽ.
മെമ്മറി നടപ്പാക്കലിന്റെ ലക്ഷ്യം ഏജന്റുകളെ കൂടുതൽ നിര്ദോഷവും കഴിവുള്ളവയും ആക്കുകയാണ്.
മെമ്മറി തരങ്ങൾ
പ്രവർത്തനശേഷി മെമ്മറി (Working Memory)
ഒരു ഏജന്റ് ഏകദേശം ഒരൊറ്റ, തുടർച്ചയായ ജോലികുറിപ്പായി ഉപയോഗിക്കുന്ന ശില്യാകാഗ്രഹം പോലെ ഇതിനെ കണക്കാക്കാം. അടുത്ത ഘട്ടം കണക്കാക്കാൻ ഉടനடி ആവശ്യമായ വിവരങ്ങൾ ഇതിൽ സൂക്ഷിച്ചിരിക്കും.
AI ഏജന്റുകൾക്ക്, പ്രവർത്തനശേഷി മെമ്മറി സാധാരണയായി സംഭാഷണത്തിൽ നിന്ന് സാരവസ്തുക്കൾ പിടിച്ച് വയ്ക്കുന്നു, എല്ലാവിധ സംഭാഷണചരിത്രം നീളവുമെങ്കിൽ പോലും. ഇത് ആവശ്യങ്ങൾ, നിർദേശങ്ങൾ, തീരുമാനം, പ്രവർത്തനങ്ങൾ തുടങ്ങിയ പ്രധാന ഘടകങ്ങൾ പിടിച്ചെടുക്കാനും ശ്രദ്ധിക്കുന്നു.
പ്രവർത്തനശേഷി മെമ്മറി ഉദാഹരണം
ഒരു യാത്ര بکിംഗ് ഏജന്റിൽ, പ്രവർത്തനശേഷി മെമ്മറി ഉപയോക്താവിന്റെ ഇപ്പോഴത്തെ അഭ്യർത്ഥനപോലെ “എനിക്ക് പാരീസിലേക്ക് യാത്ര ബുക്ക് ചെയ്യണം” എന്നിവ വിരമിക്കാതെ നിറഞ്ഞ് എന്നും സൂക്ഷിക്കും, ഇപ്പോഴത്തെ സംവാദത്തിന് മാർഗ്ഗനിർദ്ദേശം നൽകാൻ.
ചെറുകാല മെമ്മറി (Short Term Memory)
ഒരു സംഭാഷണത്തിലോ സെഷനിലോ ആയുള്ള കാലയളവിൽ വിവരങ്ങൾ നിലനിർത്തുന്ന ഈ മെമ്മറി. ഇപ്പോഴത്തെ ചാറ്റിന്റെ പരിസരമായിരുന്നു, ഇതിനാൽ ഏജന്റ് സംഭാഷണത്തിലെ മുൻ തവണകളിലേയ്ക്ക് തിരിച്ചു പോകാൻ കഴിയും.
ചെറുകാല മെമ്മറി ഉദാഹരണം
ഉപയോക്താവ് ചോദിച്ചാൽ, “പാരീസിലേക്ക് ഫ്ലൈറ്റ് എത്ര ചെലവാകും?” ശേഷം “അവിടെ താമസം എങ്ങിനെ?” ഇനി ഈ രണ്ടാമത്തെ ചോദ്യം ഉള്ളപ്പോൾ ചേർക്കുന്നത് “അവിടെ” എന്നത് “പാരീസ്” തന്നെയാണ് എന്ന് ഈ ചെറിയകാല മെമ്മറി അറിയിക്കും.
ദീർഘകാല മെമ്മറി (Long Term Memory)
ഒരുകൂടി പല സംഭാഷണങ്ങളിലൂടെയും സെഷനുകളിലൂടെയും നിലനിന്നുവരുന്ന വിവരങ്ങളാണ് ഇത്. ഉപയോക്തൃ ഇഷ്ടങ്ങൾ, മുൻ ഇടപെടലുകൾ, പൊതുവായ അറിവ് എന്നിവ ഓർക്കാൻ ഇതു സഹായിക്കുന്നു. വ്യക്തിഗതവല്ക്കരണത്തിന് അത്യന്തം പ്രാധാന്യം ഉള്ളതു.
ദീർഘകാല മെമ്മറി ഉദാഹരണം
ഒരു ദീർഘകാല മെമ്മറി സൂക്ഷിക്കുന്നത് “ബെന് സ്കീയിംഗ്, വെളിച്ചം മലനിരകളിൽ കാപ്പി ഇഷ്ടപ്പെടുന്നവനാണ്, ഒരു മുൻ പരിക്ക് കാരണം കാലികമായി കഠിനമായ സ്കീ തട്ടുകൾ ഒഴിവാക്കാൻ ആഗ്രഹിക്കുന്നു” എന്ന വിവരങ്ങൾ. മുമ്പത്തെ ഇടപെടലുകളിൽ നിന്നുള്ള പഠനമാണ് ഇത്, യാതൊരു യാത്രാ പദ്ധതിയിലും വ്യക്തിഗത നിർദ്ദേശങ്ങളിൽ സ്വാധീനിക്കുന്നു.
വ്യക്തിത്വ മെമ്മറി (Persona Memory)
ഈ പ്രത്യേക മെമ്മറി ഏജന്റെ ഒരു സ്ഥിരമായ “സ്വഭാവ” അല്ലെങ്കിൽ “പേഴ്സോണ” വികസിപ്പിക്കാൻ സഹായിക്കുന്നു. ഏജന്റിന് താനെയാണ് അല്ലെങ്കിൽ നൽകിയതായിട്ടുള്ള ചേരുവകൾ ഓർമ്മിക്കാൻ, അടങ്ങുന്ന ഇടപെടലുകൾ കൂടുതൽ നിശ്ചിതവും സ്വാഭാവികവുമാക്കാൻ.
വ്യക്തിത്വ മെമ്മറി ഉദാഹരണം
യാത്രാ ഏജന്റ് “വിദഗ്ധ സ്കീ പ്ലാനർ” എന്ന നിലയിൽ രൂപപ്പെടുത്തിയിട്ടുണ്ടെങ്കിൽ, വ്യക്തിത്വ മെമ്മറി ഈ വേഷം ഊഷ്മളമാക്കുകയും കാര്യരായി ഉത്തരം നൽകുന്നതിന് സഹായിക്കുകയും ചെയ്യും.
പ്രവൃത്തി നിഘണ്ടു/എപ്പിസോഡിക് മെമ്മറി (Workflow/Episodic Memory)
ഒരു ബുദ്ധിമുട്ടായ ജോലിയിൽ ഏജന്റ് സ്വീകരിച്ച ഘട്ടങ്ങൾ, വിജയങ്ങളും പരാജയങ്ങളും ഓർക്കുന്ന മെമ്മറി. ഇതു പ്രായോഗികമായ “എപ്പിസോഡുകൾ” ഓർക്കുന്നത് പോലെയാണ്, അവയിൽ നിന്നു പഠിക്കാൻ.
എപ്പിസോഡിക് മെമ്മറി ഉദാഹരണം
ഏജന്റ് ഒരു പ്രത്യേക ക്ലൈറ്റിന്റെ ഫ്ലൈറ്റ് ബുക്കിംഗ് ശ്രമിച്ചെങ്കിലും അത് ലഭ്യമല്ലാത്തത് കൊണ്ട് പരാജയപ്പെട്ടു എങ്കിൽ, ഈ പരാജയം വീണ്ടും പരീക്ഷണത്തിൽ സഹായിച്ച് മറ്റൊരു ഫ്ലൈറ്റ് മുൻകൂട്ടി പരിശോധിക്കാൻ ഈ മെമ്മറി ഉപയോഗിക്കും.
ഘടകം മെമ്മറി (Entity Memory)
സംഭാഷണത്തിൽ നിന്നുള്ള വ്യക്തമായ ഘടകങ്ങൾ (ജനങ്ങൾ, സ്ഥലങ്ങൾ, വസ്തുക്കൾ) എടുക്കുകയും ഓർമ്മിക്കുകയും ചെയ്യുന്നത്. പ്രധാന ഘടകങ്ങളുടെ ഘടനാപരമായ അവബോധം അനുഭവപ്പെടാൻ കഴിയും.
ഘടകം മെമ്മറി ഉദാഹരണം
മുൻ യാത്ര കുറിച്ച് ഒരു സംഭാഷണത്തിൽ നിന്നും ഏജന്റ് “പാരീസ്”, “ഐഫൽ ടവർ”, “Le Chat Noir റസ്റ്റോറന്റ് ഡിന്നർ” എന്നിങ്ങനെ ഘടകങ്ങൾ എടുക്കുകയും ചെയ്യാം. ഭാവിയിലെ ഇടപെടലിൽ, “Le Chat Noir” ഓർക്കുകയും അവിടെ റിസർവേഷൻ ചെയ്യാൻ സഹായിക്കുകയും ചെയ്യും.
ഘടനാപരമായ RAG (Retrieval Augmented Generation)
RAG ഒരു വ്യാപക സാങ്കേതിക വിദ്യയായിരുന്നാൽ, “ഘടനാപരമായ RAG” ഒരു ശക്തമായ മെമ്മറി സാങ്കേതികതയായി അധിക കൊതി നേടുന്നു. ഇത് സംഭാഷണങ്ങൾ, ഇമെയിലുകൾ, ചിത്രങ്ങൾ എന്നിവയിൽ നിന്നുളള സാന്ദ്രവും ഘടനാപരവുമായ വിവരങ്ങൾ എടുക്കുകയും മറുപടികളിൽ കൃത്യതയും ഓർമ്മയും വേഗതയും കൂട്ടുന്നതിനായി ഉപയോഗിക്കുന്നു. സാധാരണ RAG-യോട് തുല്യമായ വാക്കിന്റെ സാദൃശ്യം മാത്രം ആശ്രയിക്കാതെ, ഘടനാപരമായി പ്രവർത്തിക്കുന്നു.
ഘടനാപരമായ RAG ഉദാഹരണം
മാത്രം പദങ്ങൾ കലർന്നാൽ മതിയാകും എന്നില്ല, ഒരു ഇമെയിലിൽ നിന്ന് ഫ്ലൈറ്റ് വിശദാംശങ്ങൾ (സ്ഥലം, തീയതി, സമയം, എയർലൈൻ) എടുക്കുകയും ഘടനാപരമായി സൂക്ഷിക്കുകയും ചെയ്യും. അതുവഴി “ഞാൻ ചൊവ്വാഴ്ച പാരീസിലേക്കു എത്രമാത്രം ഫ്ലൈറ്റ് ബുക്ക് ചെയ്തു?” പോലെയുള്ള ക്വെറിയുകൾ കൃത്യമായി ഉത്തരം പറയാനാകും.
മെമ്മറി നടപ്പിലാക്കലും സംഭരണവും
AI ഏജന്റുകൾക്ക് മെമ്മറി നടപ്പിലാക്കുന്നത് മെമ്മറി മാനേജ്മെന്റ് എന്ന പ്രക്രിയയിലൂടെ ആണ്; ഇത് സൃഷ്ടിക്കൽ, സംഭരണം, തിരിച്ചു കിട്ടൽ, സംയോജനം, അപ്ഡേറ്റ്, മറക്കൽ (അഥവാ നീക്കം) ഉൾപ്പെടുന്നു. തിരിച്ചു കിട്ടൽ വളരെ പ്രധാനമാണ്.
പ്രത്യേക മെമ്മറി ഉപകരണങ്ങൾ
Mem0
ഏജന്റ് മെമ്മറി സംഭരിക്കാൻ Mem0 പോലുള്ള പ്രത്യേക ഉപകരണങ്ങൾ ഒരു മാർഗമാണ്. Mem0 സ്ഥിരമായ മെമ്മറി പാതയെന്ന നിലയിൽ പ്രവർത്തിച്ച്, ഏജന്റുകൾക്ക് ബന്ധപ്പെട്ട ഇടപെടലുകൾ ഓർമ്മിച്ച്, ഉപയോക്തൃ ഇഷ്ടങ്ങൾ, സത്യസന്ധ സാഹചര്യങ്ങൾ സംഗ്രഹിച്ചു വിജയങ്ങളിലൂടെയുമുള്ള പാഠങ്ങൾ കൽപ്പിക്കും. സ്റ്റേറ്റ്ലസ്സ് ഏജന്റുകൾ സ്റ്റേറ്റ്ഫുളായി മാറുകയാണ് ഈ ആശയം.
ഇത് രണ്ടഘട്ട മെമ്മറി പൈപ്പ്ലൈൻ: എക്സ്ട്രാക്ഷൻ, അപ്ഡേറ്റ് വഴി പ്രവർത്തിക്കുന്നു. ആദ്യം ഏജന്റിന്റെ സന്ദേശങ്ങൾ Mem0 സർവീസിലേക്ക് അയക്കുന്നു, അവിടെ വലിയ ഭാഷ മോഡൽ (LLM) സംഭാഷണ ചരിത്രം സംഗ്രഹിക്കുകയും പുതിയ മെമ്മറികൾ എടുക്കുകയും ചെയ്യും. പിന്നീട് LLM-ൽ അധിഷ്ഠിത അപ്ഡേറ്റ് ഘട്ടം ഈ മെമ്മറികൾ ചേർക്കണം, മാറ്റണം, ഇല്ലാതാക്കണം എന്ന തീരുമാനമെടുക്കും. മെമ്മറികൾ വെക്റ്റർ, ഗ്രാഫ്, കീ-വാല്യു ഡാറ്റാബേസുകൾ ഉൾപ്പെടുന്ന ഹൈബ്രിഡ് ഡാറ്റസ്റ്റോറിൽ സൂക്ഷിക്കുന്നു. ഇത് വ്യത്യസ്ത മെമ്മറി തരങ്ങളും ഘടകങ്ങളുടെ ബന്ധം കൈകാര്യം ചെയ്യുന്ന ഗ്രാഫ് മെമ്മറി അടങ്ങിയിരിക്കും.
Cognee
Cognee, മറ്റൊരു ശക്തമായ മാർഗം, സൌജന്യമായ സിമാന്റിക് മെമ്മറിയാണ് AI ഏജന്റുകൾക്കായി, ഘടനാപരവും ഘടനരഹിതവുമായ ഡാറ്റ കൈവരുത്തി എമ്പഡ്ഡിങ്ങുകൾ പിന്തുണയ്ക്കുന്ന അറിവു ഗ്രാഫുകളായി മാറ്റുന്നു. Cognee ഡ്യൂവൽ-സ്റ്റോർ ആർക്കിടെക്ചർ ഉപയോഗിച്ച് വെക്റ്റർ സാദൃശ്യ തെരച്ചിൽ, ഗ്രാഫ് ബന്ധങ്ങൾ എന്നിവ സംയോജിപ്പിക്കുന്നു, ഏജന്റുകൾക്ക് വിവരങ്ങളുടെ അർത്ഥം മാത്രമല്ല, ആശയങ്ങൾ എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നു എന്നും മനസ്സിലാക്കാൻ കഴിയും.
ഇത് ഹൈബ്രിഡ് റിട്രിവൽ-ൽ മികച്ചതാണ്, വെക്റ്റർ സാദൃശ്യം, ഗ്രാഫ് ഘടന, LLM തർക്കം ഏകോപിപ്പിക്കുകയാണ് - കച്ച തുള്ളൽ കണ്ടെത്തുന്നതിൽ നിന്നും ഗ്രാഫ് ജ്ഞാനമറിഞ്ഞ ചോദ്യോത്തരത്തിലേക്ക്. സിസ്റ്റം ജീവിച്ചിരിക്കുന്ന മെമ്മറി നിലനിർത്തുന്നു, ഇത് വളർന്നും വളർന്നും ഒരു ബന്ധമുള്ള ഗ്രാഫായി നിലനിർത്തപ്പെടുന്നു; ചെറുകാല സെഷനുള്ള ഉൽപ്പന്നവും ദീർഘകാല സ്ഥിരതയുള്ള മെമ്മറിയും സഹായിക്കുന്നു.
Cognee നോട്ട്ബുക്ക് ട്യൂട്ടോറിയൽ (13-agent-memory-cognee.ipynb) വിവിധ ഡാറ്റാ സ്രോതസ്സുകൾ ഉൾപ്പെടുത്തൽ, അറിവു ഗ്രാഫ് ദൃശ്യമാക്കൽ, വ്യത്യസ്ത തിരച്ചിൽ തന്ത്രങ്ങൾ ഉപയോഗിച്ച് ചോദ്യങ്ങൾക്ക് മറുപടി നൽകൽ എന്നിവ പ്രായോഗിക ഉദാഹരണങ്ങളോടുകൂടി കാണിക്കുന്നു.
RAG ഉപയോഗിച്ച് മെമ്മറി സംഭരിക്കൽ
Mem0 പോലുള്ള പ്രത്യേക മെമ്മറി ഉപകരണങ്ങൾക്കുപുറമേ, Azure AI Search പോലുള്ള ശക്തമായ തിരച്ചിൽ സേവനങ്ങൾ മെമ്മറികൾ സംഭരിച്ച് തിരിച്ചു പോകാൻ ബാക്ക്എൻഡായി ഉപയോഗിക്കാം, പ്രത്യേകിച്ച് ഘടനാപരമായ RAG-ക്കായി.
ഇതിലൂടെ ഏജന്റിന്റെ മറുപടികൾ നിങ്ങളുടെ സ്വന്തം ഡാറ്റയുമായി സംവേദ്യവും കൃത്യവുമായവാവും. Azure AI Search ഉപയോക്തൃ സഞ്ചാര മെമ്മറികൾ, ഉൽപ്പന്ന കാറ്റലോഗുകൾ, മറ്റ് ഒരു മേഖലയിലെ അറിവുകൾ എന്നിവ സംഭരിക്കുന്നതിനും ഉപയോഗിക്കാം.
Azure AI Search ഘടനാപരമായ RAG പിന്തുണയ്ക്കുന്നു, വലിയ ഡാറ്റ സെടുകളിൽ നിന്നും സംഭാഷണങ്ങൾ, ഇമെയിലുകൾ, ചിത്രങ്ങൾ എന്നിവയിൽ നിന്നുള്ള സാന്ദ്രവും ഘടനാപരവുമായ വിവരങ്ങൾ എടുക്കുകയും തിരികെ കണ്ടെത്തുകയും ചെയ്യുന്നതിൽ നൂതനമാണ്. ഇത് പരമ്പരാഗത വാചകം ചങ്കിംഗ് ൽ നിന്നും കൂടുതൽ കേന്ദ്രീകൃതവും കൃത്യവുമായ “മനുഷ്യനെക്കാൾ മികച്ച കൃത്യതയും ഓർമ്മവുമാണ്”.
AI ഏജന്റുകൾ സ്വയം മെച്ചപ്പെടുത്തുക
സ്വയം മെച്ചപ്പെടുന്ന ഏജന്റുകൾക്കുള്ള ഒരു സാധാരണ മാതൃക “അറിവ് ഏജന്റ്” അവതരിപ്പിക്കുകയാണ്. ഈ വേർപാടായ ഏജന്റ് ഉപയോക്താവും പ്രധാന ഏജന്റും തമ്മിലുള്ള സംഭാഷണം നിരീക്ഷിക്കുന്നു. അതിന്റെ പങ്ക്:
-
പ്രധാനമായ വിവരം കണ്ടെത്തുക: സംഭാഷണത്തിന്റെ ഏത് ഭാഗവും പൊതുവായ അറിവോ ഉപയോക്തൃ ഇഷ്ടമോ ആയി സംരക്ഷിക്കുന്നതിനുള്ളതോയെന്ന് നിർണ്ണയിക്കുക.
-
കുറിപ്പെടുക്കുകയും സംഗ്രഹിക്കാനും: സംഭാഷണത്തിൽ നിന്ന് പ്രധാന പഠനമോ ഇഷ്ടമോ കൽകുഞ്ഞുക.
-
അറിവു താളിൽ സംഭരിക്കുക: സാധാരിക്കാൻ സാധിക്കുന്ന പുതിയ അറിവ്, സാധാരണ വെക്റ്റർ ഡാറ്റാബേസിൽ, പിന്നീട് തിരിച്ചെടുക്കാനായി.
-
ഭാവിയിലെ ചോദ്യങ്ങളിൽ കൂട്ടിച്ചേർക്കുക: ഉപയോക്താവ് പുതിയ ചോദ്യമുയർത്തുമ്പോൾ അറിവ് ഏജന്റ് ബന്ധപ്പെട്ട വിവരങ്ങൾ തിരിച്ചു കൊണ്ടുവന്ന് പ്രൈമറി ഏജന്റിന്റെ പ്രോംപ്റ്റിനൊപ്പം ചേർക്കുന്നു (RAG ലെപോലെ).
മെമ്മറിയിന്റെ ഓപ്റ്റിമൈസേഷനുകൾ
• ലേറ്റൻസി മാനേജ്മെന്റ്: ഉപയോക്തൃ ഇടപെടൽ മന്ദഗതിയാകാതിരിക്കാൻ ആദ്യം ചില വേഗത്തിലുള്ള, കുറഞ്ഞ ചെലവുള്ള മോഡൽ kullanarak വിലയിരുത്താം വിവരങ്ങൾ സംഭരണത്തിനോ തിരികെ കണ്ടെത്തലിനോ സാന്ദ്യവതാണോ എന്ന്. ആവശ്യമുണ്ടെങ്കിൽ മാത്രമേ കൂടുതൽ സങ്കീർണ്ണമായ എക്സ്ട്രാക്ഷൻ/റിട്രീവൽ പ്രക്രിയ വിളിക്കാറുള്ളു.
• അറിവു താൾ പരിപാലനം: വലിയ അറിവു താൾ വളരുമ്പോൾ കുറച്ച് ഉപയോഗിക്കുന്ന വിവരങ്ങൾ ചെലവ് കുറക്കാൻ “കൂൾ സ്റ്റോറേജ്” ആയി മാറ്റാം.
ഏജന്റ് മെമ്മറിയിൽ കൂടുതൽ ചോദ്യങ്ങളുണ്ടോ?
മറ്റു പഠിതൃങ്ങളുമായി കാണാനും, ഓഫീസ് മണിക്കൂറുകളിൽ പങ്കെടുക്കാനും, നിങ്ങളുടെ AI ഏജന്റ് ചോദ്യങ്ങൾ ഉത്തരം ലഭിക്കാനും Microsoft Foundry Discord ൽ ചേരൂ.
അസൂയാമൊഴി:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം സമാധാനസഥിതിക്ക് ശ്രമിക്കുന്നുവെങ്കിലും, യാന്ത്രിക വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ അശുദ്ധികൾ ഉണ്ടാകാമെന്ന് ദയവായി മനസ്സിലാക്കുക. അതിന്റെ അവകാശപ്പെടുന്ന അതോറിറ്റേറ്റീവ് ഉറവിടമായി ഉള്ള ദേശിയ ഭാഷയിലെ അസൽ രേഖയെ കണക്കാക്കേണ്ടതാണ്. നിർണായകവിവരങ്ങൾക്കായി പ്രൊഫഷണൽ മാനവ വിവർത്തനം പരിഗണിക്കുന്നത് ഉചിതമാണ്. ഈ വിവർത്തനം ഉപയോഗിച്ചിലും അനുഭവപ്പെടുന്ന തെറ്റിദ്ധാരണകൾക്കോ വ്യാഖ്യാനക്കുറവുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.