ai-agents-for-beginners
എഐ ഏജന്റുകൾക്കുള്ള മെമ്മറി
എഐ ഏജന്റുകൾ സൃഷ്ടിക്കുമ്പോൾ ഉണ്ടാകുന്ന പ്രത്യേക ഗുണങ്ങളെക്കുറിച്ച് സംസാരിച്ചാൽ, പ്രധാനമായും രണ്ട് കാര്യങ്ങൾ പ്രാമുഖ്യമർഹിക്കുന്നു: ജോലികൾ പൂർത്തിയാകാൻ ഉപകരണങ്ങൾ വിളിക്കാനുള്ള കഴിവും, സമയത്തിന്റെ മൂലം മെച്ചപ്പെടുത്താനുള്ള കഴിവും. മെമ്മറി സ്വയം മെച്ചപ്പെടുന്ന ഏജന്റ് സൃഷ്ടിക്കാൻ അടിസ്ഥാനമാണ്, ഇത് ഞങ്ങളുടെ ഉപയോക്താക്കൾക്ക് മികച്ച അനുഭവങ്ങൾ സൃഷ്ടിക്കാൻ സഹായിക്കും.
ഈ പാഠത്തിൽ, എഐ ഏജന്റുകൾക്കുള്ള മെമ്മറി എന്താണെന്ന്, അതിനെ എങ്ങനെ നിയന്ത്രിച്ച് ആപ്ലിക്കേഷനുകളുടെ ഗുണനിലവാരം വർദ്ധിപ്പിക്കാനാവുമെന്ന് പരിശോധിക്കാം.
പരിചയം
ഈ പാഠത്തിൽ പര്യാപ്തമായി പറയുന്നത്:
• എഐ ഏജന്റ് മെമ്മറി മനസ്സിലാക്കൽ: മെമ്മറി എന്താണെന്ന്, ഏജന്റുകൾക്കു അതിന്റെ പ്രാധാന്യം എന്തെന്നു.
• മെമ്മറി നടപ്പിലാക്കലും സൂക്ഷണവും: എഐ ഏജന്റുകൾക്കു കൃത്രിമമെന്ന ഒരു വാസ്തവം നൽകുന്നതിന് പ്രായോഗിക മാർഗങ്ങൾ, കുറുനേരവും ദീർഘനേരവും മെമ്മറി നിലകൾ.
• എഐ ഏജന്റുകൾ സ്വയം മെച്ചപ്പെടുത്തുന്നത്: മെമ്മറി എങ്ങനെ മുന്പത്തെ ഇടപെടലുകളിൽ നിന്ന് പഠിച്ച് കാലക്രമേണ മെച്ചപ്പെടാനും സഹായിക്കുന്നു എന്നത്.
ലഭ്യമായ നടപ്പാക്കൽ മാർഗങ്ങൾ
ഈ പാഠത്തിൽ രണ്ട് സമഗ്രമായ നോട്ട്ബുക്ക് ട്രെയിനിങുകൾ ഉൾപ്പെടുന്നുണ്ട്:
• 13-agent-memory.ipynb: Microsoft Agent Framework ഉപയോഗിച്ച് Mem0 ഉം Azure AI Search ഉം ഉപയോഗിച്ച് മെമ്മറി നടപ്പിലാക്കുന്നു
• 13-agent-memory-cognee.ipynb: Cognee ഉപയോഗിച്ച് ഘടനാപരമായ മെമ്മറി നടപ്പിലാക്കുന്നു, embeddings ഉപയോഗിച്ച് സ്വയം അറിവിന്റെ ഗ്രാഫ് സൃഷ്ടിച്ച്, ഗ്രാഫ് ദൃശ്യവത്കരിച്ച്, ബുദ്ധിമുട്ടുള്ള തിരച്ചിലുകൾ സാധ്യമാക്കുന്നു
പഠന ലക്ഷ്യങ്ങൾ
ഈ പാഠം കഴിഞ്ഞാൽ, നിങ്ങൾക്ക് അറിയാൻ സാധിക്കും:
• വിവിധ തരം എഐ ഏജന്റ് മെമ്മറികളിൽ വ്യത്യാസം കാണുക, പ്രവർത്തന, കുറുനേര, ദീർഘനേര മെമ്മറി അടക്കം, കൂടാതെ വ്യക്തിപരമായേയും എപ്പിസോഡിക് മെമ്മറിയും ഉൾപ്പെടുന്നു.
• Microsoft Agent Framework ഉപയോഗിച്ച് കുറുനേരവും ദീർഘനേരവും മെമ്മറി നടപ്പിലാക്കിയും നിയന്ത്രിച്ചും കഴിയുക, Mem0, Cognee, Whiteboard memory പോലുള്ള ഉപകരണങ്ങൾ ഉപയോഗിച്ച് Azure AI Search യും സംയോജിപ്പിച്ച്.
• സ്വയം മെച്ചപ്പെടുന്ന എഐ ഏജന്റുകളുടെ കണിശ സിദ്ധാന്തങ്ങൾ മനസ്സിലാക്കുക, ബലംവരുത്തിയ മെമ്മറി നിയന്ത്രണ സംവിധാനം എങ്ങനെ തുടർച്ചയായ പഠനത്തിലും അനുയോജ്യകമാകുന്നതിലും സഹായിക്കുന്നു എന്നത്.
എഐ ഏജന്റ് മെമ്മറി മനസ്സിലാക്കൽ
അടിസ്ഥാനപരമായി, എഐ ഏജന്റുകളുടെ മെമ്മറി അവരോട് വിവരങ്ങൾ സംഭൃതവും തിരിച്ചറിയുന്നതും സഹായിക്കുന്ന സംവിധാനങ്ങളെ സൂചിപ്പിക്കുന്നു. ഈ വിവരങ്ങൾ සාംവാദത്തിൽ നിന്നുള്ള നിബന്ധനകൾ, ഉപയോക്തൃ ഇഷ്ടങ്ങൾ, മുൻ പ്രവൃത്തികൾ, അല്ലെങ്കിൽ ശിക്ഷിച്ച സാമ്പത്തിക മാതൃകകൾ ആകാം.
മെമ്മറി ഇല്ലാതെ, എഐ ആപ്ലിക്കേഷനുകൾ സാധാരണയായി സ്ഥിതിവസ്തുക്കൾ ഇല്ലാത്തവയാകും, എന്നാൽ ഓരോ ഇടപെടലും പുതുതായി ആരംഭിക്കേണ്ടി വരും. ഇത് ഉപയോക്തൃ അനുഭവം പുനരാവർത്തനവും വിഷമകരവുമാക്കുന്നു, ഏജന്റ് മുൻ അനുബന്ധങ്ങൾ മറന്നുപോകുന്നു.
മെമ്മറി എന്തിനെന്ന് പ്രധാന്യം?
ഏജന്റിന്റെ ബുദ്ധിമുട്ട് മുന് വിവരങ്ങൾ തിരിച്ചറിയാനും ഉപയോഗിക്കാനും ഉള്ള കഴിവിന് എതിropൊടിവഴിയുള്ളതാണ്. മെമ്മറി ഏജന്റുകൾക്ക് ഈ കഴിവുകള് നൽകുന്നു:
• പരാമർശപൂർവ്വം: മുൻ പ്രവൃത്തികളിൽ നിന്നു പഠിക്കുന്നത്.
• ഇടപെടൽ: ഇപ്പോഴത്തെ സംഭാഷണത്തിലൂടെ അർത്ഥം നിലനിർത്തൽ.
• പ്രവർത്തനാത്മകവും പ്രതികരണാത്മകവും: മുൻ ഉപയോക്തൃ ഡാറ്റ പ്രകാരം ആവശ്യം പ്രവചിച്ച് പിന്നീട് പ്രതികരിക്കൽ.
• സ്വയംപര്യാപ്തത: സംഭർത്തിച്ച അറിവിൽ നിന്നും സ്വതന്ത്രമായി പ്രവർത്തിക്കൽ.
മെമ്മറി നടപ്പിലാക്കലിന്റെ ലക്ഷ്യം ഏജന്റുകളെ കൂടുതൽ വിശ്വസനീയവും ശേഷിയുള്ളവയാക്കുക എന്നതാണ്.
മെമ്മറിയുടെ തരം
പ്രവർത്തന മെമ്മറി
ഇത് ഒരു ഏജന്റ് ഒരു തുടർച്ചയായ ഇടപെടലിൽ ഉപയോഗിക്കുന്ന തട്ടിപ്പു പേപ്പറുപോലെ ആലോചിക്കാം. അടുത്ത ഘടകം കണക്കാക്കാനുള്ള ഉടൻ ആവശ്യമുള്ള വിവരങ്ങൾ ഇവിടെ സംരക്ഷിക്കുന്നു.
എഐ ഏജന്റുകൾക്ക്, പ്രവർത്തന മെമ്മറി സാധാരണയായി സംഭാഷണത്തിൽ നിന്നുള്ള ഏറ്റവും ബന്ധപ്പെട്ട വിവരങ്ങൾ ശേഖരിക്കുന്നു, മുഴുവൻ ചാറ്റ് ചരിത്രം നീളം കൂടിയാലോങ്കിൽ പോലും. പ്രധാന ഘടകങ്ങൾ പോലെ ആവശ്യങ്ങൾ, നിർദ്ദേശങ്ങൾ, തീരുമാനങ്ങൾ, പ്രവൃത്തികൾ എന്നിവ പ്രധാനമാണ്.
പ്രവർത്തന മെമ്മറി ഉദാഹരണം
ട്രാവൽ ബുക്കിംഗ് ഏജന്റിൽ, “ഞാൻ പാരിസ് യാത്രയ്ക്ക് ബുക്ക് ചെയ്യണമെന്ന് ആഗ്രഹിക്കുന്നു” എന്ന ഉപയോക്താവിന്റെ നിലവിലെ അഭ്യർത്ഥന പ്രവർത്തന മെമ്മറിയിൽ പിടിച്ചു വെയ്ക്കാം. ഇത് ഇപ്പോഴത്തെ ഇടപെടലിനു മാർഗനിർദ്ദേശം നൽകുന്നു.
കുറുനേര മെമ്മറി
ഒരു സംഭാഷണം മുഴുവൻ അല്ലെങ്കിൽ സെഷൻ മുഴുവൻ വിവരങ്ങൾ നിലനിർത്തുന്ന മെമ്മറിയാണ് ഇത്. ഇപ്പോഴത്തെ സംഭാഷണത്തിന്റെ സങ്കല്പം, ഏജന്റ് മുമ്പത്തെ സംഭാഷണങ്ങളിലേക്കു തിരിച്ചു നോക്കാൻ അനുവദിക്കുന്നു.
Microsoft Agent Framework Python SDK ഉദാഹരണങ്ങളിൽ, ഇത് AgentSession എന്ന നിലയിൽ agent.create_session() ഉപയോഗിച്ച് സൃഷ്ടിക്കുന്ന സെഷനുമായി പൊരുത്തപ്പെടുന്നു. സെഷൻ ഫ്രെയിമ്വർക്ക് യുടെ നിർമിതമായ കുറുനേര മെമ്മറിയാണ്: ഒരു സെഷൻ ഉപയോഗിക്കുമ്പോൾ സംഭാഷണ സങ്കല്പം ലഭ്യമായിരിക്കും, എന്നാൽ സെഷൻ അവസാനിക്കുമ്പോൾ അല്ലെങ്കിൽ ആപ്ലിക്കേഷൻ പുനരാരംഭിക്കുമ്പോൾ അതു നിലനിർത്തപ്പെടുകയില്ല.തീർ സമയത്തെ വാസ്തവങ്ങളും ഇഷ്ടങ്ങളും നിലനിർത്താൻ ദീർഘനേര മെമ്മറി ആവശ്യമാണ്, സാധാരണയായി ഡാറ്റാബേസ്, വെക്ടർ ഇൻഡക്സ് അല്ലെങ്കിൽ മറ്റാരോ സ്ഥിരമായ സംഭരണശാല ഉപയോഗിച്ച്.
കുറുനേര മെമ്മറി ഉദാഹരണം
ഉപയോക്താവ് “പാരിസിലേക്കുള്ള വിമാനത്തിന്റെ ചെലവ് എത്ര?” എന്നു ചോദിക്കുകയും പിന്നീട് “അവിടെ താമസം എങ്ങനെ?” എന്നും ചോദിച്ചാൽ, കുറുനേര മെമ്മറി “അവിടെ” എന്നത് “പാരിസ്” മുൻചർച്ചയിൽ തന്നെയാണ് എന്നത് ഉറപ്പാക്കും.
ദീർഘനേര മെമ്മറി
ഇത് ഒന്നിലധികം സംഭാഷണങ്ങളിലൂടെയും സെഷനുകളിലൂടെയും നിലനിൽക്കുന്ന വിവരമാണ്. ഉപയോക്തൃ ഇഷ്ടങ്ങൾ, ചരിത്ര ഇടപെടലുകൾ, ആകെ അറിവ് എന്നിവ ഓർമ്മിക്കാൻ ഇത് സഹായിക്കുന്നു. വ്യക്തിഗത ആവശ്യങ്ങൾക്ക് ഇത് പ്രധാനമാണ്.
ദീർഘനേര മെമ്മറി ഉദാഹരണം
“ബെൻ സ്കീയിംഗ് ആസ്വദിക്കുന്നു, പുറത്തുള്ള പ്രവർത്തനങ്ങൾ ഇഷ്ടപ്പെടുന്നു, മലയൻ കാഴ്ചയുള്ള കാപ്പി ഇഷ്ടപ്പെടുന്നു, പരിക്ക് മൂലം മുന്നോട്ട് സ്ക്കി വഴികളെ ഒഴിവാക്കാൻ ആഗ്രഹിക്കുന്നു” എന്ന വിവരങ്ങൾ ഏറെ വ്യക്തിഗതവും മുൻ ഇടപെടലുകളിൽ നിന്നുള്ളതാണ്. ഇത് ഭാവിയിലെ യാത്രാ പദ്ധതികളിൽ ശുപാർശകൾ കൂടുതൽ വ്യക്തിഗതവും സാന്ദർഭികവുമാക്കുന്നു.
പെർസോണ മെമ്മറി
ഈ പ്രത്യേക മെമ്മരി തരം ഒരു ഏജന്റിന് സുസ്ഥിരമായ “പ്രകൃതി” അല്ലെങ്കിൽ “പേഴ്സോണ” വളർത്താൻ സഹായിക്കുന്നു. ഏജന്റിന്റെ സ്വഭാവത്തെ ഓർമ്മിക്കുന്നതിനും അതുസമാനമായി ഇടപെടലുകൾ കൂടുതൽ സാരഭൂതവും കേന്ദ്രീകരിച്ചതുമായാക്കാൻ സഹായിക്കുന്നു.
പെർസോണ മെമ്മറി ഉദാഹരണം
ഒരു ട്രാവൽ ഏജന്റ് “നിപുണ സ്കി പ്ലാനർ” ആയി രൂപകൽപ്പന ചെയ്താൽ, പെർസോണ മെമ്മറി ഈ വേഷം ശക്തിപ്പെടുത്തുകയും ഏജന്റിന്റെ പ്രതികരണങ്ങളെ വിദഗ്ദ്ധരുടെ ശൈലിയിലും അറിവിലും പരിപാലിക്കുകയും ചെയ്യും.
വർക്ക്ഫ്ലോ/ എപിസോഡിക് മെമ്മറി
ഒരു സങ്കീർണ്ണമായ ജോലി ചെയ്യുമ്പോൾ ഏജന്റ് സ്വീകരിക്കുന്ന ഘട്ടങ്ങളുടെ ശ്രേണി, വിജയവും പരാജയവും അടക്കം ഇത് ഓർക്കുന്നു. ഇത് ഒരു “എപിസോഡ്” പോലെയാണം, മുൻ അനുഭവങ്ങളിൽ നിന്നു പഠിക്കാനുള്ള രീതിയാണ്.
എപിസോഡിക് മെമ്മറി ഉദാഹരണം
ഏജന്റ് ഒരു പ്രത്യേക വിമാനത്തിന് ബുക്ക് ചെയ്തിട്ടെങ്കിലും ലഭ്യമല്ലാത്തതിനാൽ പരാജയപ്പെട്ടാൽ, എപിസോഡിക് മെമ്മറി ആ പരാജയം രേഖപ്പെടുത്തും, പിന്നീട് ഏജന്റ് മറ്റൊരു വിമാനത്തിന് ശ്രമിക്കാനും ഉപയോക്താവിനെ കൂടുതൽ വിവരവുമുള്ള വിധത്തിൽ അറിയിക്കാനും കഴിയും.
എന്റിറ്റി മെമ്മറി
സംഭാഷണങ്ങളിൽ നിന്നുള്ള വ്യക്തികളും സ്ഥലങ്ങളും വസ്തുക്കളും സംഭവങ്ങളും വേർതിരിച്ച് ഓർക്കുന്നതാണ് ഇത്. പ്രധാന ഘടകങ്ങളെ ഘടനാപരമായി മനസിലാക്കാനും സഹായിക്കും.
എന്റിറ്റി മെമ്മറി ഉദാഹരണം
പൃതമായി യാത്ര സംബന്ധിച്ച സംഭാഷണത്തിൽ നിന്നുള്ള “പാരിസ്,” “ഐഫൽ ടവർ,” “Le Chat Noir റസ്റ്റോറന്റിൽ ഡിന്നർ” എന്നിങ്ങനെ എന്റിറ്റികൾ വേർതിരിച്ച് പത്തിയത് എടുക്കാം. ഭാവിയിൽ, ഏജന്റ് “Le Chat Noir” ഓർമ്മിച്ച് അവിടെ പുതിയ ബുക്ക് ചെയ്യാൻ സഹായിക്കാം.
ഘടനാപരമായ RAG (Retrieval Augmented Generation)
RAG ഒരു വ്യാപക സാങ്കേതികവിദ്യയാണെങ്കിലും, “ഘടനാപരമായ RAG” ശക്തമായ മെമ്മറി സാങ്കേതിക വിദ്യയെന്നായി വിശംസിക്കുന്നു. ഇത് വിവിധ ഉറവിടങ്ങളിൽനിന്നുള്ള (സംഭാഷണങ്ങൾ, ഇമെയിലുകൾ, ചിത്രങ്ങൾ) കനം കൂടിയ, ഘടനാപരമായ വിവരങ്ങൾ കൊണ്ടുവന്ന് ഉത്തമത്വം, ഓർമ്മശക്തി, വേഗത എന്നിവ കൂട്ടുന്നു. പരമ്പരാഗത RAG സെമാന്റിക് സമാനതയിൽ മാത്രം ആശ്രയിക്കുന്നതിൽ നിന്ന് വ്യത്യസ്തമായി, ഘടനാപരമായ RAG വിവരം inherent ഘടനയുടെ ഉപരിതലത്തിൽ പ്രവർത്തിക്കുന്നു.
ഘടനാപരമായ RAG ഉദാഹരണം
യഥാർത്ഥ വിളംബരം പോലെ മാത്രം തിരയാതെ, ഘടനാപരമായ RAG ഒരു ഇമെയിൽയിൽ നിന്ന് വിമാന വിവരങ്ങൾ (ലക്ഷ്യസ്ഥാനം, തീയതി, സമയം, എയർലൈൻ) വിഭജിച്ച് ക്രമത്തിൽ സൂക്ഷിക്കാം. ഇത് “ഞാൻ ചൊവ്വാഴ്ച പാരിസിലേക്കെന്ത് വിമാനമെടുത്തിരുന്നു?” പോലുള്ള കൃത്യമായ ചോദ്യങ്ങൾ ചോദിക്കാൻ കഴിയും.
മെമ്മറി നടപ്പിലാക്കലും സൂക്ഷണവും
എഐ ഏജന്റുകൾക്കായുള്ള മെമ്മറി നടപ്പിലാക്കൽ വിശകലന, സൂക്ഷണം, തിരിച്ചു കണ്ടെത്തൽ, സംയോജനം, പുതുക്കൽ, സ്മൃതിഹീനത (അഥവാ മായ്ച്ചുകളയൽ) എന്നിങ്ങനെ ക്രമീകരിച്ച സഞ്ചാരമാണ്. തിരിച്ചു കണ്ടെത്തൽ ഏറ്റവും പ്രധാനപ്പെട്ട ഘടകമാണ്.
പ്രത്യേകഭോഗമാര്ഗങ്ങളായ മെമ്മറി ഉപകരണങ്ങൾ
Mem0
ഏജന്റ് മെമ്മറി സൂക്ഷിച്ച് നിയന്ത്രിക്കാൻ Mem0 പോലുള്ള പ്രത്യേക ഉപകരണങ്ങൾ ഉപയോഗിക്കാം. Mem0 ഒരു സ്ഥിരതയുള്ള മെമ്മറി പാളിയായി പ്രവർത്തിച്ച് ഏജന്റുകൾക്ക് പ്രധാന ഇടപെടലുകൾ ഓർക്കാനും ഉപയോക്തൃ ഇഷ്ടങ്ങളും വാസ്തവപരമായ പശ്ചാത്തലവും സൂക്ഷിക്കാനും വിജയങ്ങൾ പരാജയങ്ങൾ എന്നിവയിൽ നിന്നും പഠിക്കാനും സഹായിക്കുന്നു. ഇതിലിടം, സ്റ്റേറ്റ്ലസ് ഏജന്റുകൾ സ്റ്റേറ്റ്ഫുള് ആയി മാറുന്നു.
ഇത് രണ്ട് ഘട്ട മെമ്മറി പ്രക്രിയ: എക്സ്ട്രാക്ഷനും പുതുക്കലും വഴി പ്രവർത്തിക്കുന്നു. ആദ്യം, ഏജന്റിന്റെ ചർച്ചയിൽ ചേർത്ത സന്ദേശങ്ങൾ Mem0 സേവനത്തിലേക്ക് അയയ്ക്കുന്നു, ഇത് LLM ഉപയോഗിച്ച് സംഭാഷണ ചരിത്രം സംഗ്രഹിക്കുകയും പുതിയ മെമ്മറികൾ എടുക്കുകയും ചെയ്യുന്നു. തുടർന്ന് LLM അഭിപ്രായം വഴി ഈ മെമ്മറുകൾ ചേർക്കാനോ മാറ്റാനോ ഇല്ലാതാക്കാനോ തീരുമാനിച്ച്, വെക്ടർ, ഗ്രാഫ്, കീ-വാല്യൂ ഡാറ്റാബേസുകൾ ഉൾപ്പെടുന്ന ഹൈബ്രിഡ് ഡാറ്റസ്റ്റോറിൽ സൂക്ഷിക്കുന്നു. ഈ സംവിധാനം വിവിധ മെമ്മറി തരം പിന്തുണയ്ക്കുകയും എന്റിറ്റികൾ തമ്മിലുള്ള ബന്ധങ്ങൾ കൃത്യമായി കൈകാര്യം ചെയ്യാൻ ഗ്രാഫ് മെമ്മറിയും ഉൾക്കൊള്ളിക്കുന്നു.
Cognee
മറ്റൊരു ശക്തമായ രീതിയെന്നുവെച്ചാൽ Cognee ആണുള്ളത്, ഇത് ഓപ്പൺ സോഴ്സ് സെമാന്റിക് മെമ്മറി ആണു, ഘടനാപരവും ഘടനയില്ലാത്തവുമായ ഡാറ്റ(queryable) അറിവിന്റെ ഗ്രാഫുകളായി മാറുന്നു. Cognee ഒരു ഡുവൽ-സ്റ്റോർ സങ്കേതം വാഗ്ദാനം ചെയ്യുന്നു, അതായത് വെക്ടർ സമാനത തിരച്ചിലും ഗ്രാഫ് ബന്ധങ്ങളും സംയോജിപ്പിച്ച്, ഏജന്റുകൾക്ക് വിവരങ്ങളുടെ സമാനത മാത്രമല്ല, ആശയങ്ങളുടെ ബന്ധവും മനസ്സിലാക്കാൻ സഹായിക്കുന്നു.
ഇത് ഹൈബ്രിഡ് തിരിച്ചു കണ്ടെത്തൽ ൽ വാണിയാരിക്കുന്നു, വെക്ടർ സമാനത, ഗ്രാഫ് ഘടനം, LLM ന്റെ വാദം എന്നിവയുടെ മിശ്രിതം മുതൽ കുറുപ്പ് കണ്ടെത്തലിൽ നിന്നു ഗ്രാഫ് അവബോധം ഉള്ള ചോദ്യോത്തരത്തിലേക്ക്. ഈ സംവിധാനം തത്തു മുതൽ ദീർഘനേര മെമ്മറിയിലേക്ക് വികസിക്കുന്ന ജീവിത്ത്ാരം മെമ്മറി കൈകാര്യം ചെയ്യുന്നു, അത് ഒരു ബന്ധപ്പെടുത്തിയ ഗ്രാഫായി നിലനിർത്തപ്പെടുന്നു, കുറുനേര സെഷൻ എന്ന നിലയിലും ദീർഘനേര സ്ഥിരതയായും.
Cognee നോട്ട്ബുക്ക് ട്യൂട്ടോറിയൽ (13-agent-memory-cognee.ipynb) ഈ ഏകീകൃത മെമ്മറി പാളി നിർമ്മാണം പ്രദർശിപ്പിക്കുന്നു, വ്യത്യസ്ത ഡാറ്റ ഉറവിടങ്ങൾ ഉൾപ്പെടുത്തലും അറിവിന്റെ ഗ്രാഫ് ദൃശ്യവത്കരണവും പ്രത്യേക ഏജന്റ് ആവശ്യങ്ങൾക്ക് അനുയോജ്യമായ തിരച്ചിൽ നയം ഉപയോഗിച്ചു ചോദ്യം ചോദിക്കുന്നതും.
RAG ഉപയോഗിച്ച് മെമ്മറി സൂക്ഷിക്കൽ
Mem0 പോലുള്ള പ്രത്യേക മെമ്മറി ഉപകരണങ്ങൾക്കു പുറമെ, നിങ്ങൾക്ക് മെമ്മറികൾ സൂപ്പിറ്റ് ചെയ്യാനും തിരിച്ച് കണ്ടെത്താനും ശക്തമായ സേവനങ്ങളായ Azure AI Search എന്നതും ഉപയോഗിക്കാം, പ്രത്യേകിച്ച് ഘടനാപരമായ RAG ന്.
ഇത് നിങ്ങളുടെ ഏജന്റിന്റെ പ്രതികരണങ്ങൾ നിങ്ങളുടെ സ്വന്തം ഡാറ്റയുമായി അടിച്ചമർത്താനുമാകും, കൂടുതൽ പ്രസക്തമായ, കൃത്യമായ ഉത്തരങ്ങൾ ഉറപ്പാക്കുന്നു. Azure AI Search ഉപയോക്തൃ വിൾപ്പുകൾ, ഉൽപ്പന്ന പട്ടികകൾ, അല്ലെങ്കിൽ മറ്റ് പ്രത്യേക മേഖലാ അറിവും സൂക്ഷിക്കാനും ഉപയോഗിക്കാം.
Azure AI Search ൽ ഘടനാപരമായ RAG എന്ന ശേഷികളും ഉണ്ട്, അത് വലിയ ഡാറ്റാസെറ്റുകളിൽ നിന്ന് കനം കൂടിയ, ഘടനാപരമായ വിവരങ്ങൾ പുറപ്പെടുവിച്ച് തിരികെ കണ്ടെത്തുന്നതിൽ നിഷ്ണാതമാണ്, സംഭാഷണങ്ങൾ, ഇമെയിൽ, ചിത്രങ്ങൾ എന്നിവ ഉൾപ്പെടും. ഇത് പരമ്പരാഗത വാചകം പൊട്ടിക്കുന്നതിനു, എൻബെഡിങ്ങിനേക്കാൾ “മനുഷ്യന് വിരുദ്ധമായ കൃത്യതയും ഓർമ്മശക്തിയും” നൽകുന്നു.
എഐ ഏജന്റുകളെ സ്വയം മെച്ചപ്പെടുത്താൻ
സ്വയം മെച്ചപ്പെട്ട ഏജന്റുകൾക്കുള്ള സാധാരണ മാതൃകയിൽ “അറിവ് ഏജന്റ്” ഉണ്ട്. ഈ വേർതിരിച്ച ഏജന്റ് ഉപയോക്താവിനും പ്രധാന ഏജന്റിനും ഇടയിലുളള പ്രധാന സംഭാഷണം നിരീക്ഷിക്കുന്നു. ഇതിന്റെ റോളുകൾ:
-
മൂല്യവത്തായ വിവരങ്ങൾ തിരിച്ചറിയുക: സംഭാഷണത്തിൽ നിന്നും പൊതുസമ്മതമായ അറിവോ അല്ലെങ്കിൽ പ്രത്യേക ഉപയോക്തൃ ഇഷ്ടമോ സംക്ഷിപ്തമാക്കുവാനുള്ളത് കണ്ടെത്തുക.
-
തിരിച്ച് വാങ്ങലും സംഗ്രഹവുമാക്കൽ: സംഭാഷണത്തിന്റെയും ഇഷ്ടത്തിന്റെ പ്രധാനം എടുക്കുക.
-
അറിവ് ശേഖരത്തിൽ സൂക്ഷിക്കൽ: ഈ പിഴച്ചെടുത്ത വിവരങ്ങൾ സാധാരണയായി വെക്ടർ ഡാറ്റാബേസിൽ സ്ഥിരമായി സൂക്ഷിക്കുക.
-
ഭാവി ചോദ്യങ്ങൾ കൂട്ടിച്ചേർക്കൽ: ഉപയോക്താവ് പുതിയ ചോദ്യം തുടങ്ങുമ്പോൾ, അറിവ് ഏജന്റ് ബന്ധപ്പെട്ട സൂക്ഷിച്ച വിവരങ്ങൾ തിരിച്ച് കണ്ടെത്തുകയും ഉപയോക്തൃ പ്രോമ്പിനൊപ്പം ചേർക്കുകയും പ്രധാന ഏജന്റിന് ആവശ്യമായ സാന്ദർഭ്യവും നൽകുകയും ചെയ്യുക (RAG പോലെ).
മെമ്മറിക്ക് മെച്ചപ്പെടുത്തലുകൾ
• പ്രതിസന്ധി നിയന്ത്രണം: ഉപയോക്തൃ ഇടപെടലുകൾക്ക് വൈകിപ്പിക്കാതിരിക്കാൻ, ആദ്യം арзകമേറിയ, വേഗത്തിലുള്ള മോഡൽ ഉപയോഗിച്ച് വിവരങ്ങളുടെ മൂല്യം പരിശോധിച്ച്, അതിന് ശേഷം മാത്രം കൂടുതൽ സങ്കീർണ്ണമായ എക്സ്ട്രാക്ഷൻ/തിരിച്ച് കണ്ടെത്തൽ പ്രക്രിയ ഉപയോഗിക്കുക.
• അറിവ് ശേഖര പരിപാലനം: വളരുന്ന അറിവ് ശേഖരത്തിൽ, കുറച്ച് നേരത്തിനായി ഉപയോഗിക്കാത്ത വിവരം “കൂൾ സ്റ്റോറേജിലേക്ക്” മാറ്റി ചെലവ് നിയന്ത്രിയ്ക്കാം.
ഏജന്റ് മെമ്മറി സംബന്ധിച്ച കൂടുതൽ ചോദ്യങ്ങളുണ്ടോ?
Microsoft Foundry Discord ൽ ചേരൂ; മറ്റ് പഠനക്കാരുമായി കൂടിക്കാഴ്ച നടത്താം, ഓഫീസ് മണിക്കൂറുകൾ കാണാം, നിങ്ങളുടെ എഐ ഏജന്റ് ചോദ്യങ്ങൾക്കു ഉത്തരങ്ങൾ നേടാം.
മുമ്പത്തെ പാഠം
എഐ ഏജന്റുകളുടെ അനുബന്ധ സാങ്കേതികവിദ്യ
അടുത്ത പാഠം
Microsoft Agent Framework ആവിഷ്ക്കരിക്കൽ
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.