ai-agents-for-beginners

AI အေးဂျင့်များအတွက် မှတ်ဉာဏ်

AI အေးဂျင့်များ ဖန်တီးရာတွင် ထူးခြားသော အကျိုးကျေးဇူးများကို ဆွေးနွေးသည့်အခါ အဓိကနှစ်ချက်ကို များစွာ ဆွေးနွးကြသည်။ ၎င်းမှာ အလုပ်များကို ပြီးမြောက်စေရန် ကိရိယာများကို ခေါ်နိုင်ခြင်းနှင့် အချိန်နှင့်အမျှ တိုးတက်ပြောင်းလဲနိုင်ခြင်း ဖြစ်သည်။ မှတ်ဉာဏ်သည် ကိုယ်တိုင်တိုးတက်သည့် အေဂျင့်ကို ဖန်တီးရာတွင် အခြေခံဖြစ်သည်။ ၎င်းက ကျွန်တော်တို့၏ အသုံးပြုသူများအတွက် ပိုမိုကောင်းမွန်သော အတွေ့အကြုံများကို ဖန်တီးပေးနိုင်စေသည်။

ဤသင်ခန်းစာတွင် AI အေးဂျင့်များအတွက် မှတ်ဉာဏ်ဆိုတာ ဘာလဲ၊ ၎င်းကို မည်သို့ စီမံငြင်းငယ်နှင့် အသုံးပြုရမည်နည်းကို ကြည့်မည်ဖြစ်သည်။

နိဒါန်း

ဤသင်ခန်းစာသည် အောက်ပါအကြောင်းအရာများကို ဖုံးလွှမ်းပါသည်။

• AI အေးဂျင့်မှတ်ဉာဏ်ကို နားလည်ခြင်း: မှတ်ဉာဏ်သည်ဘာလဲ၊ အေဂျင့်များအတွက် အရေးကြီးသည့် အကြောင်းရင်း။

• မှတ်ဉာဏ် ဆောင်ရွက်ခြင်းနှင့် သိမ်းဆည်းခြင်း: ကိုယ်ပိုင် AI အေးဂျင့်များတွင် မှတ်ဉာဏ် စွမ်းရည်များကို ထည့်သွင်းရန် လက်တွေ့နည်းလမ်းများ၊ အထူးလျှင် အမြန်နှင့် ရေရှည် မှတ်ဉာဏ်တွေးခေါ်မှုများ။

• AI အေးဂျင့်များကို ကိုယ်တိုင်တိုးတက်နိုင်စေရန် ပြုလုပ်ခြင်း: မှတ်ဉာဏ်က မပြီးစီးခင် အပြန်အလှန်တွေ့ဆုံမှုများမှ သင်ယူ၍ အချိန်နှင့်အမျှ တိုးတက်လာနိုင်စေရန် မည်သို့ အထောက်အကူပြုသလဲ။

ရနိုင်သော အကောင်အထည်ဖော်မှုများ

ဤသင်ခန်းစာတွင် သာမန် အပြည့်အစုံ လက်တွေ့စာအုပ်နှစ်ခုပါဝင်သည်။

• 13-agent-memory.ipynb: Mem0 နှင့် Azure AI Search ကို အသုံးပြု၍ Microsoft Agent Framework ဖြင့် မှတ်ဉာဏ်ကို အကောင်အထည်ဖော်သည်။

• 13-agent-memory-cognee.ipynb: Cognee ကို အသုံးပြု၍ ဖွဲ့စည်းထားသည့် မှတ်ဉာဏ်ကို အကောင်အထည်ဖော်သည်၊ embedding တွေကို အခြေခံပြီး အလိုအလျောက် သိပ္ပံနည်းဗေဒ အခြေခံသော သိပ္ပံပညာအကြောင်းအရာဇယား (knowledge graph) တည်ဆောက်ခြင်း၊ ဇယားကို ရှုမြင်ခြင်းနှင့် တုံ့ပြန်မှု အသိပညာအမျိုးမျိုးကို အမှန်တကယ် ရှာဖွေရေး။

သင်ယူရမည့် ရည်မှန်းချက်များ

ဤသင်ခန်းစာကို ပြီးမြောက်သည်နှင့်တေွ ကျွန်တော်/ကျွန်မ သင်ယူထားမည့်အရာများမှာ -

• AI အေဂျင့် မှတ်ဉာဏ် အမျိုးအစားများကို ခွဲခြားနိုင်ခြင်း — လက်ရှိ (working), အတိုချုပ် (short-term), ရေရှည် (long-term) မှတ်ဉာဏ်များနှင့် persona နှင့် episodic ဟူသော အထူးသတ်မှတ်များ။

• Microsoft Agent Framework ကို အသုံးပြု၍ AI အေဂျင့်များအတွက် အတိုနှင့် ရေရှည် မှတ်ဉာဏ်ကို ထည့်သွင်း စီမံနိုင်ခြင်း — Mem0, Cognee, Whiteboard memory တို့ကဲ့သို့သော ကိရိယာများကို အသုံးပြု၍ Azure AI Search နှင့် ပေါင်းစည်းခြင်း။

• ကိုယ်တိုင်တိုးတက်သည့် AI အေဂျင့်များ၏ အခြေခံ 원칙များကို နားလည်ခြင်းနှင့် ခိုင်မာသော မှတ်ဉာဏ်စီမံခန့်ခွဲမှုစနစ်များက မဲလျင် တိုးတက်မှုနှင့် အလိုက်ဖက်မှုများကို မည်သို့ အထောက်အကူဖြစ်စေသနည်း။

AI အေးဂျင့်မှတ်ဉာဏ်ကို နားလည်ခြင်း

အဓိကအနေနဲ့၊ AI အေးဂျင့်များအတွက် မှတ်ဉာဏ်ဆိုသည်မှာ ၎င်းတို့ကို အချက်အလက်များကို သိမ်းဆည်း၍ ပြန်လည်ဖော်ဆောင်နိုင်စေသော မက်ကာနစ်များကို ဆိုလိုသည်။ ၎င်းအချက်အလက်များမှာ စကားဝိုင်း၏ အသေးစိတ်များ၊ အသုံးပြုသူ၏ လိုက်လျောညီထွေများ၊ အကောင်အစားများ (past actions) သို့မဟုတ် သင်ယူထားသည့် ပုံစံများဖြစ်နိုင်သည်။

မှတ်ဉာဏ်မရှိပါက AI အက်ပလီကေးရှင်းများသည် အများအားဖြင့် stateless ဖြစ်လေ့ရှိပြီး မည်သည့် ဆက်သွယ်မှုမဆို စတင်မှုအသစ်ဖြစ်သည်။ ၎င်းကြောင့် အေဂျင့်သည် ယခင်အကြောင်းအရာ သို့မဟုတ် လူသွယ်လျော်မှုများကို “မေ့”သွားသည်နှင့် ဆက်ဆံရာတွင် ထပ်ခါထပ်ခါဖြစ်နေပြီး စိတ်ပျက်စရာ အတွေ့အကြုံ ဖြစ်နိုင်သည်။

မှတ်ဉာဏ် အရေးပါသည်ဖြစ်သော အကြောင်းရင်း

အေးဂျင့်တစ်ခု၏ ဉာဏ်ရည်သည် ယခင်အချက်အလက်များကို ပြန်လည်မှတ်ယူ၍ အသုံးချနိုင်မှုနှင့် နက်နက်ရှိုင်းရှိုင်း ချိတ်ဆက်ထားသည်။ မှတ်ဉာဏ်က အေဂျင့်များကို အောက်ပါအတိုင်း ဖြစ်စေသည်။

• အရိပ်အယောင်လေ့လာနိုင်သော (Reflective): ယခင် အပြုအမူများနှင့် ရလဒ်များမှ သင်ယူခြင်း။

• မှုဆောင်ပေါင်းစပ်နိုင်သော (Interactive): ဆက်လက် ဆက်သွယ်နေသည့် စကားဝိုင်းတွင် အရင်းအမြစ်ကို ထိန်းသိမ်းခြင်း။

• ကြိုတင်အမြင်နှင့် တုံ့ပြန်နိုင်သော (Proactive and Reactive): သမိုင်းမှတ်တမ်းအပေါ် အခြေခံကာ လိုအပ်ချက်များကို ကြိုတင်ခန့်မှန်းခြင်း သို့မဟုတ် သင့်လျော်စွာ တုံ့ပြန်ခြင်း။

• ကိုယ်ပိုင် လွတ်လပ်မှုရှိသော (Autonomous): သိမ်းဆည်းထားသည့် အသိပညာကို ဆွဲယူ၍ ပိုမိုလွတ်လပ်စွာ လုပ်ဆောင်နိုင်ခြင်း။

မှတ်ဉာဏ်ကို ထည့်သွင်းရာမှာ ရည်ရွယ်ချက်မှာ အေဂျင့်များကို ပိုမို ယုံကြည်ရနိုင်ပြီး တာဝန်ခံနိုင်စွမ်းရှိစေရန် ဖြစ်သည်။

မှတ်ဉာဏ် အမျိုးအစားများ

လက်ရှိ အလုပ်မှတ်ဉာဏ် (Working Memory)

ဤသည်ကို တစ်ခုပဲ ဆက်လက်ဆောင်ရွက်နေသည့် တာဝန်သို့မဟုတ် စဉ်းစားဖို့ စဉ်ဆက်စပ်နေသည့် ဖျားဂရပ်စာရွက်တစ်စောင်လို ထင်နိုင်သည်။ နောက်တစ်ဆင့်တွက်ချက်ရန် လိုအပ်သည့် အချက်အလက်များကို ထိန်းသိမ်းပေးသည်။

AI အေဂျင့်များအတွက်၊ လက်ရှိ အလုပ်မှတ်ဉာဏ်သည် စကားဝိုင်းထဲမှ အရေးပါတဲ့ အချက်အလက်များကို ဖမ်းယူပေးသည်၊ စကားဝိုင်း အပြည့်အစုံ သမိုင်းစဉ်ရှည် သို့မဟုတ် အချုပ်ငယ်ဖြစ်စေ အဓိကအချက်များကို ထုတ်ယူပေးသည်။ ၎င်းမှာ တောင်းဆိုချက်များ၊ အကြံပြုချက်များ၊ ဆုံးဖြတ်ချက်များနှင့် လှုပ်ရှားမှုများကဲ့သို့သော အဓိက အချက်များကို ဦးစားပေးထားသည်။

လက်ရှိ အလုပ်မှတ်ဉာဏ် ဥပမာ

ခရီးသွားစာရင်းတင်ခြင်း အေဂျင့်တွင်၊ လက်ရှိ အလုပ်မှတ်ဉာဏ်သည် အသုံးပြုသူ၏ လက်ရှိ တောင်းဆိုချက်ဖြစ်သည့် “ကျွန်တော်/ကျွန်မ ပဲရစ်ကို ခရီးသွားကြချင်တယ်” ဟူသော စကားကို ဖမ်းယူထားနိုင်သည်။ ဤအထူးတောင်းဆိုချက်သည် လက်ရှိ အပြောအဆိုအတွက် လမ်းညွှန်မှု ပေးရန် အေးဂျင့်၏ ချက်ချင်း အကြောင်းအရာထဲတွင် ထိန်းသိမ်းထားသည်။

အတိုကောက် မှတ်ဉာဏ် (Short Term Memory)

ဤအမျိုးအစားသည် တစ်စုံတစ်ယောက်၏ တစ်စကားဝိုင်း သို့မဟုတ် session တစ်ခုလုံးအတွင်း အချက်အလက်ကို ထိန်းသိမ်းထားသည်။ ၎င်းသည် လက်ရှိ စကားဝိုင်း၏ အကြောင်းအရာဖြစ်ပြီး အေဂျင့်ကို စကားဝိုင်းအတွင်း ယခင်အခန်းကဏ္ဍများသို့ ပြန်ရောက်ထ_reference မှရေးနိုင်စေသည်။

အတိုကောက် မှတ်ဉာဏ် ဥပမာ

အသုံးပြုသူတစ်ဦးက “ပဲရစ်ကို သွားမယ့် လေယာဉ်ဈေးနှုန်း ဘယ်လောက်လဲ?” ဟုပြောပြီးနောက် “အဲဒါနဲ့ဆိုင်တဲ့ အိမ်နေရာကော?” ဟု ဆက်မေးပါက၊ အတိုကောက် မှတ်ဉာဏ်က “အဲဒါ” သည် အဆိုပါ ဆက်သွယ်မှုအတွင်း “ပဲရစ်” ကို ပြန်လည်ရည်ညွှန်းသည်ကို သေချာစေသည်။

ရေရှည် မှတ်ဉာဏ် (Long Term Memory)

ဤသည်မှာ မတူကွဲပြားသော စကားဝိုင်းများ သို့မဟုတ် session များအတွင်း မကြာခဏ ပြန်လည်တည်ရှိနေသော အချက်အလက်ဖြစ်သည်။ ၎င်းက အေဂျင့်များအား အသုံးပြုသူ၏ နှစ်သက်မှုများ၊ သမိုင်းကြောင်းဆက်သွယ်မှုများ သို့မဟုတ် ပျမ်းမျှအသိပညာများကို ရေရှည်အတွင်း မှတ်သားစေသည်။ ၎င်းသည် ကိုယ်ပိုင်အတိုင်းအတာပေးရေးအတွက် အလွန်အရေးကြီးသည်။

ရေရှည် မှတ်ဉာဏ် ဥပမာ

ရေရှည် မှတ်ဉာဏ်တစ်ခုသည် “Ben သည် စကီနှင့် အပြင်လှုပ်ရှားမှုများကို နှစ်သက်သည်၊ တောင်တန်းမြင်ကွင်းပါ သဘာဝကော်ဖီကို ကြိုက်သည်၊ နှုတ်ခမ်းချောင်းဒဏ်ရာကြောင့် အဆင့်မြင့် စကီလမ်းကြောင်းများကနေ ရှောင်ကြဉ်လိုသည်” ဟူသောအချက်များကို သိမ်းဆည်းထားနိုင်သည်။ ယင်းအချက်များသည် အနာဂတ်ခရီးစဉ်စီစဉ်မှုများတွင် အကြံပေးမှုများကို အလွန်ကို ကိုယ့်ရည်ရွယ်ချက်နှင့် ကိုက်ညီအောင် ပြုပြင်နိုင်သည်။

Persona မှတ်ဉာဏ်

ဤ အထူးသတ်မှတ်ထားသည့် မှတ်ဉာဏ်အမျိုးအစားသည် အေးဂျင့်တစ်ခုအား တည်ငြိမ်သည့် “ပုံစံ” သို့မဟုတ် “persona” တစ်ခု ဖွံ့ဖြိုးစေသည်။ ၎င်းက အေးဂျင့်ကို သူ့ကိုယ်ပိုင် သို့မဟုတ် ရည်ရွယ်ထားသည့် အခန်းကဏ္ဍအကြောင်း အချက်အလက်များကို သတိရထားနိုင်စေပြီး စကားဝိုင်းများကို ပိုမိုရိုက်နှိပ်သင့်စေသော နည်းလမ်းဖြင့် ဖျော်ဖြေစေသည်။

Persona မှတ်ဉာဏ် ဥပမာ ခရီးသွားအေးဂျင့်ကို “ကျွမ်းကျင်သော စကီ စီမံရေးဆွဲသူ” အဖြစ် ဒီဇိုင်းလုပ်ထားပါက၊ persona မှတ်ဉာဏ်သည် ဤ အခန်းကဏ္ဍကို များစွာ အားပေးကာ ၎င်း၏ တုံ့ပြန်မှုများကို ကျွမ်းကျင်သူ၏ အသံနှင့် အသိပညာနှင့် ကိုက်ညီစေရန် သက်ရောက်နိုင်သည်။

Workflow/Episodic မှတ်ဉာဏ်

ဤ မှတ်ဉာဏ်သည် ခက်ခဲသော တာဝန်တစ်ခုကို လုပ်ဆောင်သည့် အချိန်ကာလအတွင်း အေဂျင့်က လုပ်ဆောင်သည့် အဆင့်ဆင့် လှုပ်ရှားမှုများကို သိမ်းဆည်းသည်၊ အောင်မြင်မှုများနှင့် မအောင်မြင်မှုများကို ပါဝင်သည်။ ၎င်းသည် အမှတ်တရ အဖြစ် “အပိုင်းအစ” များကို မှတ်သားထားခြင်းကဲ့သို့ ဖြစ်သည်။

Episodic မှတ်ဉာဏ် ဥပမာ

အေးဂျင့်က သတ်မှတ်ထားသော လေယာဉ်ကို အကြိမ်ကြိမ် အော်ဒါရန် ကြိုးစားခဲ့ပေမယ့် ရရှိနိုင်မှုမရှိသဖြင့် မအောင်မြင်ခဲ့ပါက၊ episodic မှတ်ဉာဏ်က ဤ ပျက်ကွက်မှုကို မှတ်တမ်းတင်နိုင်ပြီး နောက်ထပ် ကြိုးစားမှုတစ်ခုတွင် အစားထိုးလေယာဉ်များကို စမ်းကြည့်ရန် သို့မဟုတ် အသုံးပြုသူအား ပြဿနာအကြောင်းကို ပိုမို အသိပညာရှိစေပြီး အသိပေးနိုင်သည်။

Entity မှတ်ဉာဏ်

ဤသည်မှာ လူ၊ နေရာ သို့မဟုတ် အရာများနှင့် စကားဝိုင်းများမှ ဖြစ်ပေါ်လာသည့် ဖြစ်ရပ်များကို ကောက်ယူပြီး မှတ်သားခြင်းနှင့် ရိုးရှင်းသည့် အဖွဲ့ဖွဲ့စည်းခြင်းကို ပြုလုပ်သည်။ ၎င်းက အေဂျင့်အား ဆွေးနွေးချက်များတွင် ဖော်ပြထားသော အဓိက အချက်အလက်များကို ဖွဲ့စည်းထားသည့် အနက်အဓိပ္ပါယ်ရှိသည့် နားလည်မှု တည်ဆောက်စေသည်။

Entity မှတ်ဉာဏ် ဥပမာ

ကိုယ့်ရဲ့ ယခင်ခရီးအကြောင်း စကားဝိုင်းမှ “Paris”, “Eiffel Tower”, “Le Chat Noir ရှိ ညစာစားသောက်ခြင်း” စသည့် အရာများကို entity များအဖြစ် ကောက်ယူနိုင်သည်။ အနာဂတ် ဆက်သွယ်မှုတွင် အေဂျင့်က “Le Chat Noir” ကို ပြန်လည်မှတ်ပြီး ထိုနေရာတွင် ဇယားတစ်ခုသို့ အဆင်ပြေဖွယ် ရလာဒ်နှင့် ရယူမှုများကို ကမ်းလှမ်းနိုင်သည်။

ဖွဲ့စည်းထားသည့် RAG (Structured RAG)

RAG သည် ကျယ်ပြန့်သော နည်းပညာဖြစ်သော်လည်း “Structured RAG” ကို ထူးခြားသော မှတ်ဉာဏ်နည်းပညာအဖြစ် အထူးအလေးထားပြောကြားသည်။ ၎င်းသည် စကားဝိုင်းများ၊ အီးမေးလ်များ၊ ကာမရာပုံများကဲ့သို့ အမျိုးမျိုးသော အရင်းအမြစ်များမှ နက်ရှိုင်းပြီး ဖွဲ့စည်းထားသည့် အချက်အလက်များကို ရှာဖွေထုတ်ယူပြီး တုံ့ပြန်မှုများတွင် တိကျမှု၊ အမှတ်ရမှု နှင့် အမြန်နှုန်းကို မြှင့်တင်ရန် အသုံးပြုသည်။ ပုံမှန် RAG က စာသား အဓိပ္ပာယ် ဆင်တူမှုအပေါ်သာ အခြေခံသော်လည်း Structured RAG သည် အချက်အလက်၏ မူလဖွဲ့စည်းမှုနှင့်အတူ အလုပ်လုပ်သည်။

Structured RAG ဥပမာ

သက်သာစွာသော စာလုံးများကို မျှတပြိုင်၍ တွဲမီခြင်းမဟုတ်ဘဲ Structured RAG သည် အီးမေးလ်ထဲမှ လေယာဉ်အသေးစိတ် (တည်နေရာ, ရက်စွဲ, အချိန်, လေကြောင်းကုမ္ပဏီ) များကို ပာ့စ်ဆင်၍ ဖော်ထုတ်ကာ ဖွဲ့စည်းထားနိုင်သည်။ ၎င်းက “ကျွန်တော် အင်္ဂါနေ့မှာ ပဲရစ်သို့ ဘယ်လိုလေယာဉ်ပဲမ_book တည်း?” ကဲ့သို့ တိကျသည့် မေးခွန်းများကို ဖြေရှင်းနိုင်စေသည်။

မှတ်ဉာဏ်ကို အကောင်အထည်ဖော်ခြင်းနှင့် သိမ်းဆည်းခြင်း

AI အေးဂျင့်များအတွက် မှတ်ဉာဏ်ကို အကောင်အထည်ဖော်ခြင်းသည် မှတ်ဉာဏ် စီမံခန့်ခွဲမှု အစီအစဉ်တကျရှိရန် လိုအပ်သည်။ ၎င်းတွင် ဖန်တီးရေး (generate), သိမ်းဆည်းရေး (store), ပြန်လည်ရှာဖွေရေး (retrieve), ပေါင်းစည်းရေး (integrate), အပ်ဒိတ်လုပ်ခြင်း (update) နှင့် “မေ့ရန်” (သို့မဟုတ် ဖျက်သိမ်းရန်) အပါအဝင် ဖြစ်ပါသည်။ အထူးသဖြင့် ပြန်လည်ရှာဖွေရေး (retrieval) သည် အလွန်အရေးကြီးပါသည်။

အထူးပြု မှတ်ဉာဏ် ကိရိယာများ

Mem0

အေးဂျင့် မှတ်ဉာဏ်ကို သိမ်းဆည်းစီမံရန် တစ်နည်းလမ်းမှာ Mem0 ကဲ့သို့ အထူးပြု ကိရိယာများကို အသုံးပြုခြင်းဖြစ်သည်။ Mem0 သည် အကြာခံ မှတ်ဉာဏ်အလွှာတစ်ခုအဖြစ် ဆောင်ရွက်ပြီး အေဂျင့်များအား သက်ဆိုင်ရာ ဆက်သွယ်မှုများကို ပြန်လည်မှတ်ယူစေနိုင်ရန်၊ အသုံးပြုသူနှစ်သက်မှုများနှင့် အချက်အလက်များကို သိမ်းဆည်းရန်၊ အောင်မြင်မှုနှင့် မအောင်မြင်မှုများမှ သင်ယူနိုင်ရန် ခွင့်ပြုသည်။ အဓိက အယူအဆမှာ stateless အေးဂျင့်များကို stateful အဖြစ် ပြောင်းလဲစေခြင်းဖြစ်သည်။

၎င်းသည် နှစ်ပိုင်းပေါင်း မျဉ်းစဉ်တစ်ခု (extraction နှင့် update) ဖြင့် အလုပ်လုပ်သည်။ ပထမဦးဆုံး အေးဂျင့်ဟာ thread ထဲသို့ ထည့်သွင်းသော မက်ဆေ့ဇ်များကို Mem0 ဝန်ဆောင်မှုထံ ပို့လိုက်ပြီး အဆိုပါဝန်ဆောင်မှုသည် LLM ကို အသုံးပြု၍ စကားဝိုင်း သမိုင်းကြောင်းကို စုစည်းချုပ်နှင့် မှတ်ဉာဏ်အသစ်များကို ကောက်ယူသည်။ နောက်ထပ် အဆင့်တွင် LLM ဦးဆောင်သော update အဆင့်က ဤ မှတ်ဉာဏ်များကို ထည့်မည့်၊ ပြင်ဆင်မည့် သို့မဟုတ် ဖျက်မည့် ဆုံးဖြတ်ချက်ကို ရှာဖွေကာ vector, graph, key-value database ကဲ့သို့ hybrid data store များတွင် သိမ်းဆည်းပေးသည်။ ဤစနစ်သည် အမျိုးအစားနှင့် အဆက်အသွယ်များကို ဖြေရှင်းနိုင်ရန် graph မှတ်ဉာဏ်ကို ထည့်သွင်းနိုင်သည်။

Cognee

နောက်ထပ် အင်အားမြင့်နည်းလမ်းတစ်ခုမှာ Cognee ကို အသုံးပြုခြင်းဖြစ်သည်။ Cognee သည် open-source semantic memory စနစ်ဖြစ်ပြီး ဖွဲ့စည်းထားသော၊ ဖွဲ့စည်းမထားသော အချက်အလက်များကို embedding မျိုးစုံဖြင့် query ပြုနိုင်သည့် knowledge graph များအဖြစ် ပြောင်းလဲပေးသည်။ Cognee သည် dual-store architecture ကို ပေးပြီး vector similarity search နှင့် graph relationship များကို ပေါင်းစပ်ထားသည်၊ ထို့ကြောင့် အေဂျင့်များသည် တူညီမှု အကြောင်းအရာသာမက အယူအဆများ အချင်းချင်း ဆက်စပ်မှုများကိုလည်း နားလည်နိုင်သည်။

၎င်းသည် vector similarity, graph structure နှင့် LLM reasoning များကို ပေါင်းစပ်သည့် hybrid retrieval တွင် ထူးချွန်သည် — အချက်အလက်ချုံ့ချက်မှ စ၍ graph-aware မေးမြန်းခြင်းအထိ အမျိုးမျိုးသော ရှာဖွေရေးနည်းလမ်းများထိ တွဲဖက်အသုံးချနိုင်သည်။ စနစ်သည် ရေရှည်တည်ရှိသော “living memory” ကို ထိန်းသိမ်းမည်ဖြစ်ပြီး တစ်ခုချင်းစီ query လုပ်နိုင်သည့် ချိတ်ဆက်ထားသော ဇယားတစ်ခုအဖြစ် ကြီးထွားတိုးတက်နိုင်သည်၊ ၎င်းက အတိုချုပ် session context နှင့် ရေရှည် persistent memory နှစ်ခုစလုံးကို ထောက်ပံ့ပေးသည်။

Cognee notebook သင်ခန်းစာ (13-agent-memory-cognee.ipynb) သည် ဤသင်ယူပုံစံကို တည်ဆောက်သည့် နည်းလမ်းကို ဖော်ပြပြီး အမျိုးမျိုးသော ဒေတာရင်းမြစ်များကို ထည့်သွင်းခြင်း၊ knowledge graph ကို သွားရှုရှင်းခြင်းနှင့် အပြုအမူအလိုက် သီးသန့်ရှာဖွေရေး မျိုးစုံဖြင့် မေးမြန်းခြင်းတို့ကို လက်တွေ့ ဥပမာများဖြင့် ပြသထားသည်။

RAG ဖြင့် မှတ်ဉာဏ် သိမ်းဆည်းခြင်း

mem0 ကဲ့သို့ အထူးပြု မှတ်ဉာဏ် ကိရိယာများ အပြင်၊ Azure AI Search ကို မှတ်ဉာဏ်များ သိမ်းဆည်းရန်နှင့် ပြန်လည် ရှာဖွေရန် backend အဖြစ် အသုံးချနိုင်သည်၊ အထူးသဖြင့် Structured RAG အတွက် သင့်တော်သည်။

ဤနည်းလမ်းက သင့် အေဂျင့်၏ တုံ့ပြန်မှုများကို သင့်ပိုင် ဒေတာဖြင့် အခြေခံစေကာ ပိုမို သက်ဆိုင်မှုရှိ၍ တိကျသော အဖြေများထုတ်ပေးနိုင်စေသည်။ Azure AI Search ကို အသုံးပြု၍ အသုံးပြုသူအလိုက် ခရီးသွား မှတ်ဉာဏ်များ၊ ထုတ်ကုန်စာရင်းများ သို့မဟုတ် အခြား တိုင်းဒိုမိန်း အသိပညာများကို သိမ်းဆည်းနိုင်သည်။

Azure AI Search သည် Structured RAG ကဲ့သို့ အင်္ဂါရပ်များကို ထောက်ပံ့နိုင်ပြီး စကားဝိုင်း သမိုင်းကြောင်းများ၊ အီးမေးလ်များ သို့မဟုတ် ပုံရိပ်များကဲ့သို့ ကြီးမားသော ဒေတာစုဆောင်းမှုများမှ နက်ရှိုင်းပြီး ဖွဲ့စည်းထားသည့် အချက်အလက်ကို ထုတ်ယူ၍ ပြန်လည် ရှာဖွေရေး ပြုလုပ်ရာတွင် ယခင်၏ စာသား ချုံးချက်နှင့် embedding များကို တင်ပြသောနည်းလမ်းများထက် “အလွန်တိကျ၍ အမှတ်ရနိုင်စွမ်း” ကို ပေးစွမ်းနိုင်သည်။

AI အေးဂျင့်များကို ကိုယ်တိုင် တိုးတက်စေခြင်း

ကိုယ်တိုင်တိုးတက်သည့် အေဂျင့်များအတွက် တစ်ခုလမ်းကြောင်း အလွန်လူသုံးများသည် “knowledge agent” ကို ထည့်သွင်းခြင်းဖြစ်သည်။ ဤ သီးခြားထားသော အေဂျင့်သည် အသုံးပြုသူနှင့် အဓိက အေဂျင့် အကြား ဆွေးနွေးမှုကို တွေ့ကြည့်သည်။ ၎င်း၏ အခန်းကဏ္ဍမှာ အောက်ပါအတိုင်း ဖြစ်သည်။

1. တန်ဖိုးရှိသော အချက်အလက်များကို ဖော်ထုတ်ခြင်း: ဆွေးနွေးမှုအချို့က ချန်ထားသင့်သော ယေဘုယျ အသိပညာ သို့မဟုတ် အသုံးပြုသူကိုယ်ပိုင် နှစ်သက်မှုများဖြစ်ကြောင်း သတ်မှတ်ခြင်း။

2. ဖော်ထုတ်နှင့် စုချုပ်ခြင်း: ဆွေးနွေးမှုမှ အဓိက သင်ခန်းစာ သို့မဟုတ် နှစ်သက်မှုကို ဗဟုသုတကောင်းစွာ ချုပ်ချော်ခြင်း။

3. အသိပညာ ဘေ့စ်၌ သိမ်းဆည်းခြင်း: ဤ ဖော်ထုတ်ထားသည့် အချက်အလက်ကို အမြဲတမ်း သိမ်းဆည်းရန် knowledge base တစ်ခုတွင် သိမ်းဆည်းခြင်း၊ ယေဘုယျအားဖြင့် vector database တစ်ခု၌ ဖြစ်စေသည်။

4. အနာဂတ် မေးခွန်းများကို တိုးချဲ့ပေးခြင်း: အသုံးပြုသူက မေးခွန်းအသစ်တစ်ခု စတင်ရာတွင် knowledge agent သည် သိုလှောင်ထားသော သက်ဆိုင်ရာ အချက်အလက်များကို ရွေးထုတ်ကာ အသုံးပြုသူ၏ prompt သို့ ထည့်သွင်းပေးပြီး အဓိက အေဂျင့်အား အရေးကြီးသော အခြေခံချက်များကို ပေးစွမ်းသည် (RAG နည်းပညာနှင့် ဆင်တူ)။

မှတ်ဉာဏ်အတွက် အထူးပြုပြုပြင်မှုများ

• နောက်ကျမှု (Latency) စီမံခန့်ခွဲခြင်း: အသုံးပြုသူဆက်သွယ်မှုများကို နှေးလာစေမနေစေရန် အရှုပ်ထွေးနည်းသော၊ ပိုမိုမြန်ဆန်သော မော်ဒယ်တစ်ခုကို အစပျိုး အသုံးပြု၍ အချက်အလက်တန်ဖိုးရှိမရှိ အမြန်စစ်ဆေးနိုင်ပြီး ပိုမိုရှုပ်ထွေးသော အဓိက ထုတ်ယူခြင်း/ပြန်လည်ရှာဖွေရေး လုပ်ငန်းစဉ်များကို လိုအပ်သောအခါတွင်သာ ခေါ်ယူနိုင်သည်။

• Knowledge Base ပြုပြင်ထိန်းသိမ်းမှု: အသိပညာဘေ့စ် တိုးလာသည်နှင့်အမျှ မကြာခဏ အသုံးမပြုသော အချက်အလက်များကို ကုန်ကျစရိတ် စီမံရန် “cold storage” ထဲသို့ လွှဲပြောင်းနိုင်သည်။

အေဂျင့် မှတ်ဉာဏ်အကြောင်း ပိုမိုမေးချင်ပါသလား?

Microsoft Foundry Discord တွင် တက်ရောက်ပါ၊ အခြားသင်ယူလိုသူများနှင့် တွေ့ဆုံ၍ office hours များတက်ရောက်နိုင်ပြီး သင့် AI အေဂျင့်ဆိုင်ရာ မေးခွန်းများကို ဖြေကြားပေးနိုင်ပါသည်။

---

တာဝန်ပယ်ချက်: ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှုဖြစ်သည့် Co-op Translator အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းသော်လည်း အလိုအလျောက်ဘာသာပြန်ချက်များတွင် အမှားများ သို့မဟုတ် မှန်ကန်မှုလျော့နည်းသည့် အချက်များ ပါဝင်နိုင်ပါကြောင်း သတိပေးလိုပါသည်။ မူလဘာသာဖြင့် ရှိသည့် မူရင်းစာတမ်းကို တရားဝင် အရင်းအမြစ်အဖြစ် ယူဆသင့်သည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူသားနှင့်ပတ်သက်သော ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုမှတစ်ဆင့် ဖြစ်ပေါ်လာနိုင်သည့် နားမလည်မှုများ သို့မဟုတ် မှားယွင်းသော အဓိပ္ပာယ်ဖော်ထုတ်မှုများအတွက် ကျွန်ုပ်တို့အား တာဝန်မဲ့ကြောင်း အသိပေးပါသည်။

This site is open source. Improve this page.