ai-agents-for-beginners
AI ഏജൻറുകളുടെ മെമ്മറി
AI ഏജൻറുകൾ സൃഷ്ടിക്കുന്നതിന് ഉള്ള പ്രത്യേക ഗുണങ്ങൾ ചർച്ച ചെയ്യുമ്പോൾ, രണ്ട് കാര്യങ്ങളാണ് മുഖ്യമായും ചര്ച ചെയ്യുന്നത്: ടാസ്കുകൾ പൂർത്തിയാക്കാൻ ടൂളുകൾ വിളിക്കുന്ന കഴിവും സമയത്തിന്റെ കൂടെ മെച്ചപ്പെടുത്താനുള്ള കഴിവും. മെമ്മറി അതാണ് സ്വയം മെച്ചപ്പെടുന്ന ഏജന്റ് സൃഷ്ടിക്കുന്നതിന്റെ അടിസ്ഥാനം, അത് നമ്മുടെ ഉപയോക്താക്കൾക്ക് മികച്ച അനുഭവങ്ങൾ സൃഷ്ടിക്കാൻ സഹായിക്കുന്നു.
ഈ പാഠത്തിൽ, AI ഏജൻറുകൾക്കുള്ള മെമ്മറിയെ എന്താണെന്ന്, എങ്ങനെ അത് നിയന്ത്രിക്കാം, നമ്മുടെ അപ്ലിക്കേഷനുകളുടെ ഗുണത്തിനായി എങ്ങനെ ഉപയോഗിക്കാമെന്നും നോക്കാം.
പരിചയം
ഈ പാഠത്തിൽ ഉൾപ്പെടുന്നത്:
• AI ഏജന്റ് മെമ്മറി മനസ്സിലാക്കൽ: മെമ്മറി എന്താണും ഏജന്റിന് അതിന്റെ പ്രാധാന്യമെന്നും.
• മെമ്മറി നടപ്പിലാക്കലും സൂക്ഷിക്കലും: സംക്ഷിപ്തവും ദീർഘകാല മെമ്മറിയുമായുള്ള AI ഏജന്റുകളിൽ മെമ്മറി ശേഷി ചേർക്കുന്നതിനുള്ള പ്രായോഗിക മാർഗങ്ങൾ.
• സ്വയം മെച്ചപ്പെടുന്ന AI ഏജന്റുകൾ സൃഷ്ടിക്കൽ: മെമ്മറി എങ്ങനെ മുൻകൂട്ടി എത്തിയ ഇടപെടലുകളിൽ നിന്നും പഠിക്കാൻ സഹായിക്കുകയും, സമയം കൂടുമ്പോൾ മെച്ചപ്പെടാൻ സഹായിക്കുകയും ചെയ്യുന്നു.
ലഭ്യമായ നടപ്പിലാക്കലുകൾ
ഈ പാഠം രണ്ട് സമഗ്ര നോട്ട്ബുക്ക് ട്യൂട്ടോറിയലുകൾ ഉൾക്കൊള്ളുന്നു:
• 13-agent-memory.ipynb: Microsoft Agent Framework ഉപയോഗിച്ച് Mem0, Azure AI Search ഉപയോഗിച്ചുണ്ടാക്കുന്ന മെമ്മറി നടപ്പിലാക്കൽ
• 13-agent-memory-cognee.ipynb: Cognee ഉപയോഗിച്ച് നിർമിത മെമ്മറി നടപ്പിലാക്കൽ, എമ്പഡിങ്സിനായി പിന്തുണയുള്ള ജ്ഞാന ഗ്രാഫ് സ്വയം നിർമ്മിക്കൽ, ഗ്രാഫ് ദൃശ്യീകരണം, ബുദ്ധിമുട്ടുള്ള റീട്രീവൽ
പഠന ലക്ഷ്യങ്ങൾ
ഈ പാഠം പൂർത്തിയാക്കിയതിനു ശേഷം, നിങ്ങൾ അറിയാൻ കഴിയും:
• AI ഏജന്റ് മെമ്മറിയിലെ വിവിധ തരങ്ങൾ തിരിച്ചറിയാൻ: വർകിംഗ്, സംക്ഷിപ്തകാല, ദീർഘകാല മെമ്മറികളോടൊപ്പം, വ്യക്തിഗതവും ഇപ്പോസോഡിക് സ്മരണ പോലുള്ള പ്രത്യേക തരം മെമ്മറികൾ.
• Microsoft Agent Framework ഉപയോഗിച്ച് AI ഏജന്റുകൾക്ക് സംക്ഷിപ്തകാലവും ദീർഘകാലവും മെമ്മറി നടപ്പിലാക്കാനും പരിപാലിക്കാനും: Mem0, Cognee, Whiteboard മെമ്മറി പോലുള്ള ടൂളുകൾ ഉപയോഗിച്ച്, Azure AI Search ഇന്റഗ്രേഷൻ ഉൾപ്പെടെ.
• സ്വയം മെച്ചപ്പെടുന്ന AI ഏജന്റുകൾക്ക് പിന്നിലുള്ള സിദ്ധാന്തങ്ങൾ മനസ്സിലാക്കാൻ: തുടർച്ചയായ പഠനത്തിനും ഇണങ്ങിയിട്ടുള്ള മെമ്മറി മാനേജ്മെന്റ് സംവിധാനങ്ങൾ എങ്ങനെ സഹായിക്കുന്നു.
AI ഏജന്റ് മെമ്മറിയെ മനസ്സിലാക്കുക
ആകെ പറയുമ്പോൾ, AI ഏജന്റുകൾക്ക് മെമ്മറി എന്നത് അവർക്ക് വിവരങ്ങൾ സൂക്ഷിക്കുകയും ഓർമ്മിക്കാനും അനുവദിക്കുന്ന ക്രമീകരണങ്ങൾ ആണ്. ഈ വിവരം സംഭാഷണത്തെ കുറിച്ചുള്ള പ്രത്യേക വിശദാംശങ്ങളും, ഉപയോക്തൃ മുൻഗണനകളും, മുമ്പ് എടുത്ത നടപടി ക്രമങ്ങളും, പഠിച്ച മാതൃകകളും ആകാം.
മെമ്മറി ഇല്ലാതെ, AI അപ്ലിക്കേഷനുകൾ സാധാരണയായി സ്റ്റേറ്റ്ലെസ്സ് ആയിരിക്കാം, അത് ഓരോ ഇടപെടലും തുടക്കം മുതൽ ആരംഭിക്കുന്നു എന്ന് അർത്ഥം. ഇതു പുനരാവൃതവും നിരാശപ്പെടുത്തുന്ന ഉപയോക്തൃ അനുഭവത്തിന് ഇടയാക്കുന്നു, ഏജന്റ് മുമ്പത്തെ പശ്ചാത്തലവും മുൻഗണനകളും “മറന്നു പോകുന്നു”.
മെമ്മറി എന്തിന് പ്രാധാന്യമുണ്ടാകുന്നു?
ഏജന്റിന്റെ ബുദ്ധിമുട്ട് അതിന്റെ പഴയ വിവരങ്ങൾ ഓർമ്മിക്കുകയും ഉപയോഗപ്പെടുത്തുകയും ചെയ്യാനുള്ള കഴിവുമായി ഗഹനമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. മെമ്മറി ഏജന്റുകളെ അനുവദിക്കുന്നു:
• പരിശോധനാത്മകമാക്കാൻ: മുൻ ക്രിയകളും ഫലങ്ങളും പഠിക്കാൻ.
• ഇടപഴകുന്നവയാക്കാൻ: جاری ആയ സംഭാഷണത്തിന്റെ പശ്ചാത്തലം പിന്തുടരാൻ.
• പ്രത്യാഘാതപരവും പ്രത്യാഘാതപരവുമായിരിക്കാനും: ചരിത്ര വിവരങ്ങളുടെ അടിസ്ഥാനത്തിൽ ആവശ്യകതകൾ മുൻകൂട്ടി കാണാനും പ്രസക്തമായി പ്രതികരിക്കാനും.
• സ്വതന്ത്രമായി പ്രവർത്തിക്കാൻ: സൂക്ഷിച്ച അറിവ് ഉപയോഗിച്ച് കൂടുതൽ സ്വതന്ത്രമായി പ്രവർത്തിക്കാൻ.
മെമ്മറി നടപ്പിലാക്കലിന്റെ ലക്ഷ്യം ഏജന്റുകളെ കൂടുതൽ വിശ്വാസയോഗ്യവുമായും കഴിവുള്ളവരുമാക്കലും ആണ്.
മെമ്മറിയുടെ തരംകൾ
വർകിംഗ് മെമ്മറി
ഏജന്റ് ഒരു ഏക കാര്യം ചെയ്തുകൊണ്ടിരിക്കുമ്പോൾ ഉപയോഗിക്കുന്ന ഒരു തരം താത്കാലിക കുറിപ്പ് പേപ്പറെന്നു കരുതുക. അടുത്ത ഘട്ടം നിർണയിക്കുവാൻ വേണ്ട തൽക്ഷണ വിവരങ്ങൾ ഇവിടെ സൂക്ഷിക്കുന്നു.
AI ഏജന്റുകളിൽ, വർക്കിംഗ് മെമ്മറി സാധാരണയായി സംഭാഷണത്തിൽ നിന്നും ഏറ്റവും പ്രাসക്തമായ വിവരങ്ങൾ പിടിച്ചിരിക്കുന്നു, പങ്കെടുക്കുന്ന സംഭാഷണമുണ്ടെങ്കിൽ പോലും മുഴുവൻ ചരിത്രം നീളേയും ഒട്ടും അല്ലെങ്കിൽ ഭാഗികമായി മാത്രം ലഭ്യമാകുമ്പോഴും. ഇത് ആവശ്യങ്ങൾ, നിർദ്ദേശങ്ങൾ, തീരുമാനങ്ങൾ, പ്രവർത്തനങ്ങൾ പോലുള്ള പ്രധാന ഘടകങ്ങൾ കണ്ടെത്താൻ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.
വർകിംഗ് മെമ്മറി ഉദാഹരണം
ഒരു യാത്ര ബുക്കിംഗ് ഏജന്റ്, ഇപ്പോഴത്തെ ഉപയോക്തൃ അഭ്യർത്ഥന “എനിക്ക് പാരിസിലേക്ക് ഒരു യാത്ര ബുക്ക് ചെയ്യണം” എന്നുള്ളത് ഉൾക്കൊള്ളുന്ന ഷോർട്ട്-ടേം മെമ്മറി ഉപയോഗിക്കാം. ഈ പ്രത്യേക ആവശ്യകത ഏജന്റിന്റെ നിലവിലെ സാഹചര്യം മാർഗനിർദ്ദേശത്തിനു സഹായിക്കുന്നു.
സംക്ഷിപ്തകാലം മെമ്മറി
ഈ മെമ്മറി ഒരു ഏക സംഭാഷണം അല്ലെങ്കിൽ സെഷൻ നടത്തുന്ന സമയാവധി വരെ വിവരങ്ങൾ സൂക്ഷിക്കുന്നു. ഇപ്പോഴത്തെ ചാറ്റ് പശ്ചാത്തലമായാണ് ഇത് , ഏജന്റ് സംഭാഷണ തവണകൾക്കിടയിൽ പഴയ ആശയങ്ങളിലേക്കു തിരികെ കാണാൻ കഴിയും.
Microsoft Agent Framework Python SDK സൊമ്പിളുകളിൽ ഇത് AgentSession ആയി സാങ്കേതികമായി പ്രഖ്യാപിക്കുന്നു, agent.create_session() ഉപയോഗിച്ചാണ് സെഷൻ സൃഷ്ടിക്കുക. അഭിനിവേശം അതാണ് ഫ്രെയിമ്വർക്കിലെ നിർമിത സംക്ഷിപ്തകാല മെമ്മറി: ഒരേ സെഷനിൽ സംഭാഷണ പശ്ചാത്തലം ലഭ്യമാക്കുന്നു പക്ഷേ, സെഷൻ അവസാനിക്കുമ്പോൾ അല്ലെങ്കിൽ അപ്ലിക്കേഷൻ റീസ്റ്റാർട്ട് ചെയ്യുന്നപ്പോൾ അത് നിലനിൽക്കില്ല. ഒരിലവേള കഴിഞ്ഞ് നിലനിർത്തേണ്ട യാഥാർത്ഥ്യ വിവരങ്ങൾക്കും മുൻഗണനകൾക്കുമുള്ള ദീർഘകാല മെമ്മറി ഒരു ഡാറ്റാബേസ്, വെക്ടർ ഇൻഡക്സ് അല്ലെങ്കിൽ മറ്റൊരു സ്ഥിരതയുള്ള സ്റ്റോർ വഴി ഉപയോഗിക്കുക.
സംക്ഷിപ്തകാല മെമ്മറി ഉദാഹരണം
ഒരു ഉപയോക്താവ് ചോദിച്ചാൽ, “പാരിസിലേക്ക് ഒരു ഫ്ലൈറ്റ് എത്ര വരുന്നുണ്ട്?” പിന്നീട് “അവിടെ താമസം എങ്ങനെ?” എന്ന് ചോദിക്കുന്നത്, സംക്ഷിപ്ത കാല മെമ്മറി “അവിടെ” എന്നത് “പാരിസിന്” അനുബന്ധമാണ് എന്ന് ഉറപ്പാക്കുന്നു.
ദീർഘകാലം മെമ്മറി
ഇത് നിരവധി സംഭാഷണങ്ങളിലൂടെയും സെഷനുകളിലൂടെയും നിലനിൽക്കുന്ന വിവരങ്ങളാണ്. ഉപയോക്തൃ മുൻഗണനകൾ, ചരിത്ര ഇടപെടലുകൾ, അല്ലെങ്കിൽ സാധാരണ അറിവ് ദീർഘകാലം ഓർക്കാൻ ഇത് സഹായിക്കുന്നു. വ്യക്തിഗത ആകർത്തലിനും ഇത് പ്രധാനമാണ്.
ദീർഘകാല മെമ്മറി ഉദാഹരണം
ഒരു ദീർഘകാല മെമ്മറി സൂക്ഷിക്കുന്നത് “ബെൻ സ്കീയിംഗ് ഒപ്പം പുറംപ്രവൃത്തികൾ ഇഷ്ടപ്പെടുന്നു, പർവതദൃശ്യത്തോടു കൂടിയ کافی ഇഷ്ടമാണ്, മുൻകാല അത്യന്തം Ski സ്ലോപുകൾ ഒഴിവാക്കാൻ ആഗ്രഹിക്കുന്നു ഒരു പഴയ പരിക്ക് കാരണം” എന്ന വിവരം. മുമ്പ് ഉണ്ടായ ഇടപെടലുകളിൽ നിന്ന് പഠിച്ച ഈ വിവരങ്ങൾ ഭാവിയിലെ യാത്രാ പദ്ധതിയുടെ നിർദേശങ്ങളിൽ വ്യക്തിഗതമാക്കൽ നൽകുന്നു.
პერსონა മെമ്മറി
ഈ പ്രത്യേക മെമ്മറി ഏജന്റിന് സ്ഥിരതയുള്ള “പേഴ്സണാലിറ്റി” അല്ലെങ്കിൽ “പേഴ്സോണ” വികസിപ്പിക്കാൻ സഹായിക്കുന്നതാണ്. ഏജന്റ് സ്വയം അല്ലെങ്കിൽ അതിന്റെ ഉദ്ദേശിച്ചഭിപ്രായത്തിന് ബന്ധപ്പെട്ട വിവരങ്ങൾ ഓർമിക്കുകയും അതിലൂടെ ഇടപെടലുകൾ കൂടുതൽ സ്വാഭാവികവും ശ്രദ്ധ കേന്ദ്രീകരിച്ചവയും ആക്കുന്നു.
പേഴ്സോണ മെമ്മറി ഉദാഹരണം
യാത്രാ ഏജന്റ് “പ്രവീണമായ സ്കി പ്ലാനർ” ആകർന്ന് രൂപകൽപ്പന ചെയ്താൽ, പേഴ്സോണ മെമ്മറി ഈ പാതയിൽ പിന്തുണച്ചുകൊണ്ട് അതിന്റെ പ്രതികരണങ്ങൾ വിദഗ്ധരുടെ ശൈലിയിൽ മെച്ചപ്പെടുത്തും.
വർക്ക്ഫ്ലോ/ഇപ്പോസോഡിക് മെമ്മറി
ഈ മെമ്മറി ഏജന്റ് ഒരു സങ്കീർണ്ണ ടാസ്ക് നടത്തുമ്പോൾ എടുത്ത ചുവടുകൾക്കുള്ള ശ്രേണിയെയാണ് സൂക്ഷിക്കുന്നത്, വിജയങ്ങളെയും പരാജയങ്ങളെയും ഉൾപ്പെടുത്തുന്നു. ഇത് പ്രത്യേക “ഇപ്പിസോഡുകൾ” അല്ലെങ്കിൽ കഴിഞ്ഞ അനുഭവങ്ങൾ ഓർക്കുന്നതിന് സമാനമാണ്, അവയിൽ നിന്നു പഠിക്കുന്നു.
ഇപ്പോസോഡിക് മെമ്മറി ഉദാഹരണം
ഏജന്റ് ഒരു പ്രത്യേക ഫ്ലൈറ്റ് ബുക്ക് ചെയ്യാൻ ശ്രമിച്ചു പക്ഷേ ലഭ്യമാകാതിരുന്നതു കൊണ്ട് പരാജയപ്പെട്ടു എങ്കിൽ, ഇവ ഇപ്പോസോഡിക് മെമ്മറി ഈ പരാജയം രേഖപ്പെടുത്തിയേക്കും, తదവസരങ്ങളിൽ ഭക്ഷണങ്ങൾക്ക് പരിഹാര ഫ്ലൈറ്റുകൾ പരീക്ഷിക്കാൻ അല്ലെങ്കിൽ ഉപയോക്താവിനായി കൂടുതൽ ബോധവാനായ വിശദീകരണം നൽകാൻ.
എൻറിറ്റി മെമ്മറി
സംഭാഷണങ്ങളിൽ നിന്ന് പ്രത്യേക എൻറിറ്റികൾ (ഉദാഹരണം: ആളുകൾ, പ്രదేశങ്ങൾ, വസ്തുക്കൾ) ഒപ്പം സംഭവങ്ങൾ എടുക്കുകയും ഓർമ്മിക്കുകയും ചെയ്യുന്നതാണ്. ഇത് പ്രധാന ഘടകങ്ങളുടെ ഘടിതമായ കാഴ്ചപ്പാട് നിർമ്മിക്കാൻ ഏജന്റിന് സഹായിക്കുന്നു.
എൻറിറ്റി മെമ്മറി ഉദാഹരണം
മുമ്പ് നടത്തിയ യാത്രയെ കുറിച്ചുള്ള സംഭാഷണത്തിൽ നിന്നു, ഏജന്റ് “പാരിസി”, “ഐഫൽ ടവർ”, “Le Chat Noir റെസ്റ്റോറന്റ് ഡിന്നർ” എൻറിറ്റികളായി എടുക്കുന്നു. ഭാവിയിലെ ഇടപെടലുകളിൽ, ഏജന്റ് “Le Chat Noir” ഓർമ്മിച്ച് പുതിയ റിസർവേഷൻ നടത്താൻ നിർദ്ദേശിക്കാം.
ഘടിത RAG (Retrieval Augmented Generation)
RAG ഒരു വ്യാപക സാങ്കേതിക വിദ്യയാണ്, എന്നാൽ “ഘടിത RAG” ശക്തമായ മെമ്മറി സാങ്കേതിക വിദ്യയായി പ്രാധാന്യം നേടി. ഇത് വിവിധ ഉറവിടങ്ങളിൽ നിന്നുള്ള (സംഭാഷണങ്ങൾ, ഇമെയിലുകൾ, ചിത്രങ്ങൾ) സാന്ദ്രവും ഘടിതവുമായ വിവരങ്ങൾ എടുക്കുകയും അതുപയോഗിച്ച് പ്രതികരണത്തിലെ നിഷ്പക്ഷത, ഓർമ്മപ്പെടുത്തലും വേഗതയും വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു. സാധാരണ RAG പദങ്ങളിൽ സമാനതയെ ആശ്രയിക്കുന്നതിനു പകരം, ഘടിത RAG വിവരത്തിന്റെ സാന്നിധ്യം അടിസ്ഥാനമാക്കി പ്രവർത്തിക്കുന്നു.
ഘടിത RAG ഉദാഹരണം
മാത്രമല്ല വാക്കുകൾ ഒത്തുകൂടുന്നതിൽ, ഘടിത RAG ഒരു ഇമെയിൽയിൽ നിന്നും (ലക്ഷ്യം, തീയതി, സമയം, എയർലൈൻ) പോലുള്ള ഫ്ലൈറ്റ് വിവരങ്ങൾ പാഴ്സ് ചെയ്ത് ഘടിത രൂപത്തിൽ സംഭരിക്കും. ഉദാഹരണത്തിന് “എന്ത് ഫ്ലൈറ്റ് ഞാന് ചൊവ്വാഴ്ച പാരിസിലേക്ക് ബുക്ക് ചെയ്തു?” എന്നത് കൃത്യമായി ചോദിക്കാവുന്നതാണ്.
മെമ്മറി നടപ്പിലാക്കലും സൂക്ഷിക്കലും
AI ഏജന്റുകൾക്കായി മെമ്മറി നടപ്പിലാക്കുന്നത് മെമ്മറി മാനേജ്മെന്റ് എന്ന ക്രമബദ്ധമായ പ്രക്രിയയാണ്, ഇതിന്റെയ്ക്കൾ കാണുന്നു: സൃഷ്ടിക്കൽ, സൂക്ഷിക്കൽ, തിരിച്ചെടുക്കൽ, സംയോജനം, അപ്ഡേറ്റ് ചെയ്യൽ, മറക്കൽ (അഥവാ ഇല്ലാതാക്കൽ). പ്രത്യേകിച്ച് റീട്രീവൽ വളരെ പ്രധാനമാണ്.
പ്രത്യേകിച്ച മെമ്മറി ടൂളുകൾ
Mem0
ഏജന്റ് മെമ്മറി സൂക്ഷിക്കാനും നിയന്ത്രിക്കാനും അവസരം നൽകുന്ന സാങ്കേതിക ഉപകരണങ്ങളിലൊന്ന് Mem0 ആണ്. ഇത് സ്ഥിരതയുള്ള മെമ്മറി ലെയറായാണ് പ്രവർത്തിക്കുന്നത്, ഏജന്റുകൾക്ക് ബന്ധപ്പെട്ട ഇടപെടലുകൾ ഓർമിക്കാൻ, ഉപയോക്തൃ മുൻഗണനകളും യാഥാർത്ഥ്യ ഘടകങ്ങളും സംഭരിക്കാൻ പരമാധികാരം നൽകുന്നു, വിജയങ്ങളും പരാജയങ്ങളും പ്രകാരം പഠിക്കുന്നു. ഇതിന്റെ ആശയം സ്റ്റേറ്റ്ലെസ് അജന്റുകൾ സ്റ്റേറ്റ്ഫുൾമാക്കുകയാണ്.
ഇത് രണ്ടു ഘട്ടങ്ങളുള്ള മെമ്മറി പൈപ്പ്ലൈൻ: എക്സ്ട്രാക്ഷനും അപ്ഡേറ്റും വഴി പ്രവർത്തിക്കുന്നു. ആദ്യം, ഏജന്റിന്റെ സന്ദേശങ്ങൾ Mem0 സേവനത്തിൽ അയയ്ക്കും, അത് ഒരു വലിയ ഭാഷാ മാതൃക (LLM) ഉപയോഗിച്ച് സംഭാഷണ ചരിത്രം സംക്ഷിപ്തമാക്കുകയും പുതിയ മെമ്മറികൾ എടുക്കുകയും ചെയ്യുന്നു. തുടർന്ന്, LLM-നിർദ്ദിഷ്ട അപ്ഡേറ്റ് ഘട്ടം, മെമ്മറികൾ ചേർക്കാമോ, മാറ്റാമോ, ഇല്ലാതാക്കാമോ എന്നു തീരുമാനിച്ച്, അത് വെക്ടർ, ഗ്രാഫ്, കീ-വാല്യു ഡാറ്റാബേസുകൾ ഉൾപ്പെടുന്ന ഹൈബ്രിഡ് ഡാറ്റ സ്റ്റോറിൽ സൂക്ഷിക്കുന്നു. ഈ സിസ്റ്റം വിവിധ മെമ്മറി തരങ്ങൾക്കും പിന്തുണ നൽകുന്നു, എൻറിറ്റികളുടെ ബന്ധങ്ങൾ നിലനിർത്താൻ ഗ്രാഫ് മെമ്മറിയും ഉൾപ്പെടുത്തുന്നു.
Cognee
മറ്റൊരു ശക്തമായ സമീപനം Cognee ആണ്, ഇത് തുറന്ന ഉറവിടമുള്ള സിമാന്റിക് മെമ്മറി പ്ലാറ്റ്ഫോമാണ്, ഘടിതവും അഘടിതവുമായ ഡാറ്റ എമ്പഡ്ഡിങ്സും പിന്തുണയ്ക്കുന്ന ജ്ഞാന ഗ്രാഫുകളായി മാറ്റുന്നു. Cognee, വെക്ടർ സാമ്യം തിരയലും ഗ്രാഫ് ബന്ധങ്ങളും കൂട്ടിച്ചേർക്കുന്ന ഇരട്ട-സ്റ്റോർ ആർക്കിടെക്ചർ നൽകുന്നു, ഇതോടെ ഏജന്റ് സമാനത മാത്രമല്ല, ആശയങ്ങൾ തമ്മിലുള്ള ബന്ധം മനസ്സിലാക്കാൻ കഴിയും.
ഇത് ഹൈബ്രിഡ് റീട്രീവൽ പ്രത്യേകതയിൽ കഴിവേറുന്നു, വെക്ടർ സാമ്യം, ഗ്രാഫ് ഘടന, LLM ന്യായീകരണം എല്ലാം സംയോജിപ്പിക്കുന്നു - കൃത്രിമ ചീകുകൾ കാണുന്നതിൽ നിന്ന് ഗ്രാഫ്-ബോധമുള്ള ചോദ്യോത്തരങ്ങൾ വരെ. സിസ്റ്റം ബന്ധിപ്പിച്ച ഒരു ഗ്രാഫായി ജൈവികമായി വളരുന്ന “ജീവിച്ച മെമ്മറി” നിലനിർത്തുന്നു, സംക്ഷിപ്ത സെഷൻ പശ്ചാത്തലവും ദീർഘകാല സ്ഥിരതയുള്ള മെമ്മറിയും പിന്തുണയ്ക്കുന്നു.
Cognee നോട്ട്ബുക്ക് ട്യൂട്ടോറിയൽ (13-agent-memory-cognee.ipynb) ഈ സംയോജിത മെമ്മറിയുടെ ഭേദഗതിയും വൈവിധ്യമാർന്ന ഡാറ്റാ ഉറവിടങ്ങൾ സ്വീകരിക്കുന്ന പ്രായോഗിക ഉദാഹരണങ്ങളും ഗ്രാഫ് ദൃശ്യീകരണവും വിവിധ തിരയൽ തന്ത്രങ്ങൾ ഉപയോഗിച്ച് ചോദിച്ചറിവുകളും കാണിക്കുന്നു.
RAG ഉപയോഗിച്ച് മെമ്മറി സൂക്ഷിക്കൽ
Mem0 പോലെയുള്ള പ്രത്യേക മെമ്മറി ടൂളുകൾക്കപ്പുറം, Azure AI Search പോലുള്ള ശക്തമായ തിരയൽ സേവനങ്ങൾ മെമ്മറി സംഭരണത്തിനും തിരിച്ചു നേടലിനും ഉപയോഗിക്കാം, പ്രത്യേകിച്ച് ഘടിത RAG-നായി.
താങ്കുകൾക്ക് സ്വന്തം ഡാറ്റ ഉപയോഗിച്ച് ഏജന്റിന്റെ പ്രതികരണങ്ങൾ കൃത്യവും പ്രസക്തവുമാക്കാൻ ഇത് അനുവദിക്കുന്നു. Azure AI Search ഉപയോക്തൃ-വിശിഷ്ട യാത്ര മെമ്മറികളെ, ഉല്പ്പന്ന കാറ്റലോഗുകളെ, അല്ലെങ്കിൽ മറ്റ് ഡൊമെയ്ൻ അറിയിപ്പുകളെ സൂക്ഷിക്കാൻ ഉപയോഗിക്കാം.
Azure AI Search ഘടിത RAG പിന്തുണയ്ക്കുന്നു, ഇത് സംഭാഷണ ചരിത്രങ്ങൾ, ഇമെയിലുകൾ, ചിത്രങ്ങൾ പോലുള്ള വൻ ഡാറ്റ സ്രോതസ്സുകളിൽ നിന്നുള്ള സാന്ദ്രവും ഘടിതവുമായ വിവരങ്ങൾ എടുക്കാനും തിരികെ കിട്ടാനും കഴിവുള്ളതാണ്. ഇത് പരമ്പരാഗത ടെക്സ്റ്റ് ചങ്കിങും എമ്പഡിങ്ങും തകർത്തുചെല്ലുന്നതേക്കാൾ “മനുഷ്യമീതെയുള്ള കൃത്യതയും ഓർമ്മയും” നൽകുന്നു.
AI ഏജന്റുകൾ സ്വയം മെച്ചപ്പെടുത്തുന്നത്
സ്വയം മെച്ചപ്പെടുന്ന ഏജന്റുകൾക്ക് സാധാരണ മാതൃക ഒന്നാണ് “ജ്ഞാന ഏജൻറ്” അവതരിപ്പിക്കൽ. ഈ தனത് ഏജന്റ്, ഉപയോക്താവും പ്രാഥമിക ഏജന്റും ഇടയിലുള്ള പ്രധാന സംഭാഷണം കോർമിണ്ടുന്നു. ഇതിന്റെ ജോലി:
-
പ്രമുഖ വിവരങ്ങൾ തിരിച്ചറിയുക: സംഭാഷണത്തിൽ നിന്ന് പൊതുവായ അറിവോ, പ്രത്യേക ഉപയോക്തൃ മുൻഗണനയോ സംഭരിക്കേണ്ടതുണ്ടോ എന്ന് നിർണയിക്കുക.
-
എക്സ്ട്രാക്ഷനും സംക്ഷിപ്തീകരണവും: സംഭാഷണത്തിൽ നിന്നുള്ള പ്രധാന പഠനമോ മുൻഗണനയോ എടുത്തെടുക്കുക.
-
ജ്ഞാന ബേസിൽ സൂക്ഷിക്കുക: ഈ വിവരം, സാധാരണമായും വെക്ടർ ഡാറ്റാബേസിൽ, പിന്നീട് തിരിച്ചെടുക്കാൻ നിലനിർത്തുക.
-
ഭാവി ചോദ്യങ്ങൾ വർദ്ധിപ്പിക്കുക: ഉപയോക്താവ് പുതിയ ചോദ്യം ആരംഭിക്കുമ്പോൾ, ജ്ഞാന ഏജന്റ് ബന്ധപ്പെട്ട സംഭരിച്ച വിവരങ്ങൾ തിരിച്ച് കൊണ്ടുവന്ന് ഉപയോക്തൃ പ്രോമ്പ്റ്റിൽ ചേർത്ത് പ്രാഥമിക ഏജന്റിന് നിർണായകമായ പശ്ചാത്തലം നൽകുന്നു (RAG പോലെയാണ്).
മെമ്മറിക്ക് ആപ്റ്റിമൈസേഷനുകൾ
• തോമരം നിയന്ത്രണം: ഉപയോക്തൃ ഇടപെടലുകൾ മന്ദഗതിയാകാതിരിക്കാൻ, ആദ്യം കുറവ് ചിലവുള്ള, വേഗത്തിലുള്ള മോഡൽ ഉപയോഗിച്ച് വിവരങ്ങൾ സൂക്ഷിക്കാൻ അർഹമാണോ എന്നു പരിശോധിക്കുകയും, കൂടുതൽ സങ്കീർണ്ണമായ എക്സ്ട്രാക്ഷൻ/റീട്രീവൽ പ്രക്രിയ ആവശ്യമായപ്പോൾ മാത്രമേ ആമോദനം നടത്തുകയുള്ളൂ.
• ജ്ഞാന ബേസ് കൈകാര്യം: വളരുന്ന ജ്ഞാന ബേസിൽ കുറവായി ഉപയോഗിക്കുന്ന വിവരങ്ങൾ “കൂൾ സ്റ്റോറേജ്” എന്നിടത്തേക്ക് മാറ്റി ചെലവ് നിയന്ത്രണം.
ഏജന്റ് മെമ്മറി സംബന്ധിച്ച കൂടുതൽ ചോദ്യങ്ങളുണ്ടോ?
Microsoft Foundry Discord ലിലേക്ക് ചേർന്നു മറ്റു പഠിച്ചവരുമായി ചേർന്ന്, ഓഫീസർ മണിക്കൂറുകളിൽ പങ്കെടുക്കുകയും നിങ്ങളുടെ AI ഏജന്റ് ചോദ്യങ്ങൾക്ക് മറുപടികൾ കണ്ടെത്തുകയും ചെയ്യുക.
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.