ai-agents-for-beginners

AI ကိုယ်စားလှယ်များအတွက် မှတ်ဥာဏ်

AI ကိုယ်စားလှယ်များ ဖန်တီးခြင်း၏ ထူးခြားသောအကျိုးကျေးဇူးများကို ဆွေးနွေးသောအခါ၊ အဓိကအဖြစ် ဆွေးနွေးသည့်အချက် နှစ်ခုမှာ တာဝန်များကို ပြီးစီးဖို႕ ကိရိယာများ ခေါ်ယူနိုင်ခြင်းနှင့် အချိန်ကုန်တိုးတက်တတ်ခြင်းတို့ ဖြစ်သည်။ မှတ်ဥာဏ်သည် အသုံးပြုသူများအတွက် ပိုမိုကောင်းမွန်သော အတွေ့အကြုံများ ဖန်တီးနိုင်သည့် ကိုယ်တိုင်တိုးတက်တတ်သည့် ကိုယ်စားလှယ်တစ်ဦးအား ဖန်တီးရာ၏ အခြေခံဖြစ်သည်။

ဤသင်ခန်းစာတွင် AI ကိုယ်စားလှယ်များ အတွက် မှတ်ဥာဏ်ဆိုတာ ဘယ်လို အရာဖြစ်ပြီး၊ ဒါကို မည်သို့ ကိုင်တွယ်စီမံ၍ ကျွန်ုပ်တို့ရဲ့ အပလီကေးရှင်းများအတွက် အကျိုးရှိစေမလဲ ဆိုတာကို ကြည့်ရှုပါမည်။

နိဒါန်း

ဤသင်ခန်းစာတွင် ပါဝင်မည့်အကြောင်းအရာများမှာ -

• AI ကိုယ်စားလှယ် မှတ်ဥာဏ်ကို သိရှိနားလည်ခြင်း - မှတ်ဥာဏ်ဆိုတာဘာလဲ၊ အကြောင်းအရင်းဘာလဲ၊ ကိုယ်စားလှယ်များအတွက် အရေးကြီးပုံကို။

• မှတ်ဥာဏ် ဆောက်လုပ်ခြင်းနှင့် သိမ်းဆည်းခြင်း - သင့် AI ကိုယ်စားလှယ်များတွင် အတိုကောက်နှင့် အရှည်သော မှတ်ဥာဏ် လုပ်ဆောင်ချက်များ ဖြည့်စွက်သုံးစွဲရန် လက်တွေ့နည်းလမ်းများ။

• AI ကိုယ်စားလှယ်များကို ကိုယ်တိုင်တိုးတက်လာစေခြင်း - မှတ်ဥာဏ်က အရင်ပြောဆိုမှုများအပေါ်မှ သင်ယူတိုးတက်နိုင်ရန် မည်သို့ကူညီပေးသလဲ။

ရနိုင်သော အကောင်အထည်ဖော်မှုများ

ဤသင်ခန်းစာတွင် ပြည့်စုံပါသော နိုတ်ဘုတ် သင်ခန်းစာ နှစ်ခု ပါဝင်သည် -

• 13-agent-memory.ipynb - Mem0 နှင့် Azure AI Search ကို Semantic Kernel framework ဖြင့် အသုံးပြု၍ မှတ်ဥာဏ်ကို ဆောင်ရွက်သည်။

• 13-agent-memory-cognee.ipynb - Cognee အသုံးပြုပြီး ဖွဲ့စည်းပြီးသော မှတ်ဥာဏ်ကို အလိုအလျောက် အကြောင်းအရာရက်ဂြာဖ် တည်ဆောက်ခြင်း၊ ရုပ်ပြခြင်းနှင့် တော်ဝင်စွာ ရှာဖွေမှုကို အကောင်အထည်ဖော်သည်။

သင်ယူရမည့် ရည်မှန်းချက်များ

ဤသင်ခန်းစာ ပြီးမြောက်ပြီးနောက် သင်သည် -

• AI ကိုယ်စားလှယ်များ မှတ်ဥာဏ် မျိုးစုံကို ခွဲခြားသိရှိနိုင်ခြင်း - အလုပ်လုပ်ခြင်း, အတိုလေ့ မှတ်ဥာဏ်, အရှည်လေ့ မှတ်ဥာဏ်, နောက်ထပ် ဝိသေသလက္ခဏာများကဲ့သို့ ပုဂ္ဂိုလ်ရေးနှင့် မှတ်ဥာဏ် ဖြစ်စေခြင်းတို့ ဖြစ်သည်။

• Semantic Kernel framework အသုံးပြုပြီး Mem0, Cognee, Whiteboard memory အစရှိသည့် ကိရိယာများနှင့် Azure AI Search နှင့် ပေါင်းစပ်၍ AI ကိုယ်စားလှယ်များအတွက် အတိုလေ့ နှင့် အရှည်လေ့ မှတ်ဥာဏ်တို့ကို ဖန်တီးစီမံနိုင်ခြင်း။

• ကိုယ်တိုင်သင်ယူတိုးတက်လာနိုင်သည့် AI ကိုယ်စားလှယ်များ၏ မူဝါဒများနားလည်ရခြင်း နှင့် သံလွင့်စွမ်းရည်ရှိသော မှတ်ဥာဏ် စီမံခန့်ခွဲမှုစနစ်များက ဆက်တိုက်သင်ယူခြင်းနှင့် စိစစ်ပြုပြင်မှုတွင် မည်သို့ အထောက်အကူပြုသလဲ ဆိုတာကို သိရှိခြင်း။

AI ကိုယ်စားလှယ်မှတ်ဥာဏ် နားလည်ခြင်း

အခြေခံအားဖြင့် AI ကိုယ်စားလှယ်များအတွက် မှတ်ဥာဏ်ဆိုသည်မှာ ၎င်းတို့သိရှိထားသည်ကို သိမ်းဆည်းထားပြီး ပြန်လည်မှတ်မိရန် ခွင့်ပြုသော မော်ကွန်းများဖြစ်သည်။ ဤသတင်းပေးချက်များတွင် စကားပြောဆိုမှု အသေးစိတ်များ၊ အသုံးပြုသူ စိတ်ကြိုက်အကြောင်းအရာများ၊ အတိတ်လုပ်ဆောင်မှုများ သို့မဟုတ် သင်ယူထားသော ပုံစံများ ပါဝင်နိုင်သည်။

မှတ်ဥာဏ်မရှိပါက၊ AI အပလီကေးရှင်းများသည် လိုက်လံဆွေးနွေးသောအခါတိုင်း မျက်စိသစ်ကဲ့သို့ စတင်ရမည်ဖြစ်ပြီး၊ ၎င်းအနေဖြင့် စကားဝိုင်း သို့မဟုတ် စိတ်တိုင်းကျ အကြောင်းအရာများကို “မေ့”သွားခြင်းကြောင့် ပြန်လည်လှုပ်ရှားမှုမှာ ထပ်တလဲလဲဖြစ်ပြီး အသုံးပြုသူအတွက် စိတ်ပျက်စရာ ဖန်တီးမည်ဖြစ်သည်။

မှတ်ဥာဏ်သည် အရေးကြီးပါသလား?

ကိုယ်စားလှယ်၏နိုင်ငံတော်မှတ်တမ်းစွမ်းရည်သည် အတိတ်အချက်အလက်များကို ပြန်လည်မှတ်ယူ၍ အသုံးပြုနိုင်မှုနှင့် နက်နက်ရှိုင်းရှိုင်း ချိတ်ဆက်နေသည်။ မှတ်ဥာဏ်က ကိုယ်စားလှယ်များအား -

• ပြန်လည်သုံးသပ်စေသည် - အတိတ်လုပ်ဆောင်ချက်များနှင့် ရလဒ်များမှ သင်ယူပြောင်းလဲခြင်း။

• ပေါင်းသင်းဆက်ဆံမှု ရှုမောမှုနှင့် - ဆက်လက်ဖွယ်ရာ စကားစမြည်ထားရှိခြင်း။

• ကြိုတင်ကာကွယ်မှုနှင့် တုံ့ပြန်နိုင်မှု - သမိုင်းအချက်အလက်အပေါ်မူတည်၍ လိုအပ်ချက်များ ခန့်မှန်းခြင်း သို့မဟုတ် မှန်ကန် တုံ့ပြန်ခြင်း။

• ကိုယ်တိုင်လှုပ်ရှားမှု - သိမ်းဆည်းထားသော အသိပညာများကို အသုံးပြုကာ ပိုမိုကိုယ်ပိုင် လုပ်ဆောင်နိုင်ခြင်း။

မှတ်ဥာဏ်ကို ထည့်သွင်းဆောင်ရွက်ခြင်း၏ ရည်ရွယ်ချက်မှာ ကိုယ်စားလှယ်များ ပါဝါရှိပြီး အတော်လေး တပ်မက်စွာ လုပ်ဆောင်နိုင်စေရန်ဖြစ်သည်။

မှတ်ဥာဏ်အမ်ိုးအစားများ

အလုပ်လုပ်မှတ်ဥာဏ်

ဤသည်မှာ ကိုယ်စားလှယ်တစ်ဦး အတွင်း တစ်ခုတည်း ထပ်ဆက်ဖြစ်နေသည့် တာဝန် သို့မဟုတ် စဉ်းစားမှုဖြစ်စဉ်အတွင်း အသုံးပြုသော အချက်အလက်များအဖြစ် ယူဆပါ။ နောက်တစ်ခြေလှမ်းတွက်ချက်ရန် လိုအပ်သော အချက်အလက်များကို သိမ်းဆည်းထားသည်။

AI ကိုယ်စားလှယ်များအတွက် အလုပ်လုပ်မှတ်ဥာဏ်မှာ စကားပြောဆိုခြင်းမှ အရေးပါတဲ့ အချက်အလက်များကို ဖမ်းဆီးသည်၊ စကားဝိုင်း သမိုင်းတစ်ခုလုံး ရှည်လျားသောအားဖြင့် ပြန်နှောကျထား သော်လည်း အလုပ်လုပ်မှတ်ဥာဏ်သည် လိုအပ်သော အချက်အလက်များကို အထူးပြုစွာ ရွေးချယ်ထားသည်။ မလိုအပ်သော အချက်များကို မပါဝင်စေရန် ဦးစားပေးလေ့ရှိသည်။

အလုပ်လုပ်မှတ်ဥာဏ် နမူနာ

ခရီးသွားစာရင်းသွင်း ကိုယ်စားလှယ်တစ်ဦးတွင်၊ အသုံးပြုသူ၏ လက်ရှိတောင်းဆိုချက် “ပဲရစ်သို့ ခရီးစဉ်ပါမှတ်ပါ” ဟူသော အချက်ကို ထိပ်တန်းမှတ်ပုံတင်ထားသည်။ ဤလို သတ်မှတ်ချက်သည် လက်ရှိ ဆွေးနွေးမှုကို ဦးတည်ပေးသည်။

အတိုလေ့ မှတ်ဥာဏ်

ဤမှတ်ဥာဏ်အမျိုးအစားမှာ တစ်ခုတည်းသော စကားပြောဆိုမှု သို့မဟုတ် အစည်းအဝေးတစ်ခုတွင် သတင်းအချက်အလက်များကို သိမ်းဆည်းထားသည်။ ၎င်းသည် လတ်တလော စကားပြောဆိုမှုအကြောင်းအရာတွင် ပြန်လည်ရည်ညွှန်းနိုင်စေသည်။

အတိုလေ့ မှတ်ဥာဏ် နမူနာ

အသုံးပြုသူက “ပဲရစ်သို့ ရွေ့လျားရန် လေကြောင်းလက်မှတ်ဘယ်လောက်ကျသလဲ?” ဟု မေးပြီးနောက် “အဲဒါဆို ရှေ့မှာ အံ့သြဖွယ်နေရာတွေ ကော?” ဟု ဆက်လက်မေးခွန်းထပ်မံမေးပါက၊ အဆိုပါ အတိုလေ့ မှတ်ဥာဏ်က “အဲဒီမှာ” ဆိုသည်မှာ “ပဲရစ်” ကို ဤစကားဝိုင်းအတွင်းမှ ရည်ညွှန်းသည်ကို စိတ်တိုင်းကျ သိရှိအောင် စောင့်ကြည့်ပေးသည်။

အရှည်လေ့ မှတ်ဥာဏ်

ဤသည်မှာ လူအများစကားပြောဆိုမှုများနှင့် အစည်းအဝေးများ အတော်ကြာတိုးတက်စွာ နေထိုင်နေသော အချက်အလက်များ ဖြစ်သည်။ ၎င်းက ကိုယ်စားလှယ်များအား အသုံးပြုသူ စိတ်ကြိုက်ချက်များ၊ သမိုင်းဆက်ဆံမှုများ သို့မဟုတ် ယေဘုယျအသိပညာများကို ရေရှည်သိမ်းဆည်းစေရန် ခွင့်ပြုသည်။ အထူးသဖြင့် ပုဂ္ဂိုလ်ရေးအရ မတူညီစိတ်ကြိုက်မှုများအတွက် အရေးကြီးသော မှတ်ဥာဏ်ဖြစ်သည်။

အရှည်လေ့ မှတ်ဥာဏ် နမူနာ

နှစ်ရှည်လေ့ မှတ်ဥာဏ်တစ်ခုသည် “ဘင်သည် ကျင်းခြင်းနှင့် ပြင်ပလှုပ်ရှားမှုများကို နှစ်သက်ပြီး တောင်တန်းမြင်ကွင်းပါ ကော်ဖီကို နှစ်သက်ပြီး မကြာသေးမီအခါ ဒဏ်ရာကြောင့် အဆင့်မြင့်ကျင်းစိမျ့ခြင်းများမှ ရှောင်ရှားလိုသည်” ဆိုသောအချက်များကို သိမ်းဆည်းထားနိုင်သည်။ ၎င်းသည် ယခင်ဆွေးနွေးမှုများမှ သင်ယူထားသော ဖြစ်စဉ်များဖြစ်ပြီး နောက်ကြောင်းခရီးစဉ် စီမံကိန်းများတွင် ပိုမိုပုဂ္ဂိုလ်ရေးတိကျစွာ အကြံပြုချက်များ ပေးရန် ထိရောက်စေသည်။

ပုဂ္ဂိုလ်ရေး မှတ်ဥာဏ်

ဤအထူးပြုမှတ်ဥာဏ် အမျိုးအစားသည် ကိုယ်စားလှယ်တစ်ဦးအနေဖြင့် တိကျပြတ်သားသော “တည်ငြိမ်သော ပုဂ္ဂိုလ်ရေး” သို့မဟုတ် “ပုဂ္ဂိုလ်ရေးတစ်ခု” ဖွံ့ဖြိုးတိုးတက်စေရန် ကူညီပေးသည်။ ၎င်းသည် ကိုယ်စားလှယ်၏ ကိုယ်ပိုင်အကြောင်းအရာ သို့မဟုတ် ရည်မှန်းထားသော အခန်းကဏ္ဍအကြောင်း အချက်အလက်များ သိမ်းဆည်းထားခြင်းဖြင့် ဆက်သွယ်မှုများကို ပိုမိုပေါင်းစည်းထားအောင် ဆောင်ရွက်ပေးပါသည်။

ပုဂ္ဂိုလ်ရေး မှတ်ဥာဏ် နမူနာ

ခရီးသွားကိုယ်စားလှယ်သည် “ကျင်းစီစဉ်ရာ ဆရာကြီး” အဖြစ် ဒီဇိုင်းထုတ်ထားပါက ပုဂ္ဂိုလ်ရေး မှတ်ဥာဏ်သည် ၎င်းအခန်းကဏ္ဍကို ကွက်ကျက်တွဲဖက်၍ တုံ့ပြန်ချက်များတွင် ကျွမ်းကျင်သူတစ်ဦး၏ စကားသံနှင့် အသိပညာ လိုက်လျောညီထွေမည်ဖြစ်သည်။

လုပ်ငန်းစဉ်/အပေါ်တိုက်မှတ်ဥာဏ်

ဤမှတ်ဥာဏ်သည် တစ်စဉ်ဆက်တစ်ဆက် ဖြစ်သော ဖက်စပ်ထားသော တာဝန်တစ်ခုအတွင်း ကိုယ်စားလှယ် လုပ်ဆောင်သည့် အဆင့်ဆင့်များကို သိမ်းဆည်းထားသည်၊ ထိုလုပ်ဆောင်ချက်များအောင်မြင်မှုနှင့် မအောင်မြင်မှုတို့ပါဝင်သည်။ ၎င်းသည် အတိတ် “အပိုင်းများ” သို့မဟုတ် လက္ခဏာအဖြစ် အတွေ့အကြုံများကို ရှာဖွေချင်သူများအတွက် မှတ်သားထားခြင်းဖြစ်သည်။

အပေါ်တိုက်မှတ်ဥာဏ် နမူနာ

ကိုယ်စားလှယ်သည် လေကြောင်းလက်မှတ် တစ်စင်း ဝယ်ယူရန် လျှောက်ထားရာ မရရှိသည့်အတွက် ကျရှုံးခဲ့ပါက၊ အပေါ်တိုက်မှတ်ဥာဏ်သည် ၎င်းကို မှတ်သားကာ နောက်တစ်ကြိမ် ကြိုးပမ်းရာတွင် အစားထိုးလေ့လာသည့် လေကြောင်းလက်မှတ်များကို စမ်းသပ်ခြင်း သို့မဟုတ် အသုံးပြုသူအား ပိုမိုတိကျသော သိစိတ်ဖတ်စာဖြင့် အကြောင်းကြားပေးရန် ကူညီပေးနိုင်သည်။

အင်တစ်တီ မှတ်ဥာဏ်

ဤသည်မှာ စကားပြောဆိုမှုများမှ လူများ၊ နေရာများ သို့မဟုတ် အရာဝတ္ထုများနှင့် ဖြစ်ရပ်များအချို့ကို သပိတ်ပုံဖော်၍ သိမ်းဆည်းထားခြင်း ဖြစ်သည်။ ၎င်းက ကိုယ်စားလှယ်အား ဆွေးနွေးသော အချက်အလက် အဓိကအစိတ်အပိုင်းများကို ဖွဲ့စည်းတည်ဆောက်နိုင်စေသည်။

အင်တစ်တီ မှတ်ဥာဏ် နမူနာ

ယခင်ခရီးစဉ်အကြောင်း စကားပြောစဉ်တွင် “ပဲရစ်,” “ဧဖယ်ကိုလ် မုန်း,” “Le Chat Noir စားသောက်ဆိုင်တွင် ညစာ” ဆိုသောအရာများအား အင်တစ်တီအဖြစ် ထုတ်ဖော်နိုင်သည်။ နောက်တစ်ကြိမ် ဆွေးနွေးရာတွင် “Le Chat Noir” ကို ပြန်လည်မှတ်သားကာ စာရင်းသွင်းရန် ကူညီနိုင်သည်။

ဖွဲ့စည်းထားသော RAG (Retrieval Augmented Generation)

RAG သည် ကျယ်ပြန့်သော နည်းပညာတစ်ခု ဖြစ်သော်လည်း၊ “ဖွဲ့စည်းထားသော RAG” သည် အင်အားကြီးသော မှတ်ဥာဏ်နည်းပညာအဖြစ် ဦးစားပေးဖော်ပြထားသည်။ ၎င်းသည် စကားပြောဆိုမှုများ၊ အီးမေးလ်များ၊ ရုပ်ပုံများကဲ့သို့သော မတူညီသော မူလအချက်အလက်များမှ ထူထောင်၍ ဖွဲ့စည်းထားသော အချက်အလက်များကို ဆွဲထုတ်ကာ တိကျမှန်ကန်မှု၊ ပြန်လည်မှတ်ယူမှုနှင့် တုံ့ပြန်မှုအမြန်နှုန်းကို မြှင့်တင်ရန် အသုံးပြုသည်။ စာသား ဆင်တူမှု အခြေပြု Classic RAG နှင့် မတူ၍ ဖွဲ့စည်းထားသည့် အချက်အလက်၏ ဖွဲ့စည်းတည်ငြိမ်မှုဖြင့်လည်း လုပ်ဆောင်သည်။

ဖွဲ့စည်းထားသော RAG နမူနာ

စကားလုံး သာ နှိုင်းယှဉ်ခြင်းမပြုဘဲ၊ ဖွဲ့စည်းထားသော RAG သည် အီးမေးလ်မှ ခရီးစဉ် အချက်အလက်များ (မည်သည့်နေရာသို့ သွားမလဲ၊ ရက်စွဲ၊ အချိန်၊ လေကြောင်းကုမ္ပဏီ) ကို ဖော်ထုတ်၍ ဖွဲ့စည်းထားသော ပုံစံဖြင့် သိမ်းဆည်းနိုင်သည်။ ၎င်းက “အင်တေဂရိတ် ပဲရစ်သို့ ကြာသပတေးနေ့တွင် ဘယ်လေကြောင်းလက်မှတ်ဝယ်ထားသလဲ?” ဟု တိကျသော မေးခွန်းများကို ဖြေရှင်းပေးနိုင်စေရန် ကူညီသည်။

မှတ်ဥာဏ် ဖန်တီးခြင်းနှင့် သိမ်းဆည်းခြင်း

AI ကိုယ်စားလှယ်များအတွက် မှတ်ဥာဏ်ထည့်သွင်းခြင်းသည် မှတ်ဥာဏ် စီမံခန့်ခွဲမှု ဖြင့် စနစ်တကျ လုပ်ဆောင်ရမည့် လုပ်ငန်းစဉ်ဖြစ်ပြီး၊ အချက်အလက်များကို ဖန်တီးခြင်း၊ သိမ်းဆည်းခြင်း၊ ပြန်လည်ရှာဖွေခြင်း၊ ပေါင်းစပ်ခြင်း၊ အသစ်ထည့်ခြင်း နှင့် အချက်အလက် များကို “မေ့သွားခြင်း” (သို့) ဖျက်သိမ်းခြင်း ပါဝင်သည်။ ဒီအတွက် ပြန်လည်ရှာဖွေရခြင်းမှာ အရေးကြီးဆုံးအချက်ဖြစ်သည်။

အထူးပြု မှတ်ဥာဏ် ကိရိယာများ

Mem0

ကိုယ်စားလှယ် မှတ်ဥာဏ်ကို သိမ်းဆည်း စီမံရန် နည်းလမ်းတစ်ခုမှာ Mem0 ကိရိယာ ကျသင့်သည်။ Mem0 သည် တိုင်တည်နေဆဲ မှတ်ဥာဏ်အလွှာအဖြစ် လုပ်ဆောင်ကာ ကိုယ်စားလှယ်များအား ဆက်ဆံမှုများကို ထပ်မံမှတ်မိစေရန်၊ အသုံးပြုသူစိတ်ကြိုက်ချက်များနှင့် တကယ်ဖြစ်ပေါ်နေသည့် အချက်အလက်များကို သိမ်းဆည်းရန် နှင့် အောင်မြင်ခြင်း မအောင်မြင်ခြင်းများမှ သင်ယူတိုးတက်နိုင်ရန် ခွင့်ပြုသည်။ ၎င်းသည် နိုင်ငံတော် ထားရှိခြင်းမရှိသော ကိုယ်စားလှယ်များအား နိုင်ငံတော်ထားသောကိုယ်စားလှယ်များအဖြစ် မပြောင်းလဲသွားစေသည်။

၎င်းသည် နှစ်ဆင့် မှတ်ဥာဏ် လမ်းကြောင်း: ဆွဲထုတ်ခြင်းနှင့် အသစ်ထည့်ခြင်း ဖြင့် လည်ပတ်သည်။ ပထမတစ်ခုမှာ ကိုယ်စားလှယ် Thread ထဲသို့ ပေးပို့ထားသော စကားစာများကို Mem0 ဝန်ဆောင်မှုသို့ ပို့ပြီး LLM (ကြီးမားသော ဘာသာစကား မော်ဒယ်) ကို သုံးကာ စကားပြောစဉ် သမိုင်းကို အကျဉ်းချုပ်ထားပြီး မှတ်ဥာဏ်အသစ်များကို ဆွဲထုတ်သည်။ နောက်တစ်ဆင့်မှာ LLM အခြေပြု အသစ်ထည့်ခြင်းအဆင့်ဖြစ်ပြီး အဲဒီမှတ်ဥာဏ်များကို ထည့်သွင်းဖို့၊ ပြင်ဆင်ဖို့ သို့မဟုတ် ဖျက်ပစ်ဖို့ ဆုံးဖြတ်ပြီး ဘာသာစကား၊ ရောင်ရမ်း၊ နှင့် Key-Value ဒေတာဘေ့စ်များပါဝင်နိုင်သည့် Hybrid ဒေတာအတိုင်အဆောင်ထဲ သိမ်းဆည်းသည်။ ဤစနစ်သည် မှတ်ဥာဏ် အမျိုးမျိုး ထောက်ပံ့၍ အင်တစ်တီများအကြား ဆက်ဆံရေးများ ထိန်းသိမ်းရန် ကာရက်ဖ် မှတ်ဥာဏ်ပါ ထည့်နိုင်သည်။

Cognee

နောက်ထပ် အင်အားကြီးသော နည်းလမ်းမှာ AI ကိုယ်စားလှယ်များအတွက် ဖွဲ့စည်းထားသောနှင့် မဖွဲ့စည်းထားသော ဒေတာများကို Embeddings ဖြင့် မေးမြန်းနိုင်သည့် အသိပညာ ရက်ဂြာဖ် သို့ ပြောင်းလဲပေးသည့် အဖွဲ့အစည်းသား Cognee ဖြစ်သည်။ Cognee သည် ယေဘုယျအား Vector ဆင်တူမှု ရှာဖွေမှုနှင့် ရက်ဂြာဖ် ဆက်စပ်မှုများ ပေါင်းစပ်ထားသည့် ဒွိတိယအဆင့် စတိုးအဆောက်အအုံ ကို ပေးဆောင်သည်၊ ၎င်းက ကိုယ်စားလှယ်များအား သတင်းအချက်အလက်များရဲ့ ဆင်တူမှုသာမက အကြောင်းအရာများ မည်သို့ ဆက်နွယ်နေသလဲကိုလည်း နားလည်စေသည်။

၎င်းသည် Vector ဆင်တူမှု၊ ရက်ဂြာဖ်ဖွဲ့စည်းမှုနှင့် LLM တွေးခေါ်ခြင်းများ ကို ပေါင်းစပ်ထားသည့် ဟိုက်ဘရစ် ပြန်လည်ရှာဖွေမှု တွင် ထူးချွန်သည်။ အစိတ်အပိုင်းပစ်လွှတ်ထားမှ စ၍ ရက်ဂြာဖ်သင့်မေးခွန်းဖြေဆိုခြင်းအထိ အကျိုးရှာဖွေစကားပြောသည်။ ၎င်းစနစ်တွင် အသက်ဝင်နေဆဲ မှတ်ဥာဏ် ပါဝင်ကာ ဆက်တိုက်တိုးတက်မှုနှင့် ကြီးထွားမှုရှိသော်လည်း တစ်ခုချင်းစီကို ဆက်သွယ်ထားသည့် ရက်ဂြာဖ်အဖြစ် မေးမြန်းနိုင်စေပြီး အတိုလေ့ ကာလနှင့် အရှည်လေ့ ပဲြဆင့် ပြင်ဆင်ထားသည်။

Cognee နိုတ်ဘုတ် သင်ခန်းစာ (13-agent-memory-cognee.ipynb) တွင် ဒီနှစ်ခု တို့ ပေါင်းစပ်သည့် မှတ်ဥာဏ်အလွှာဖန်တီးသည့် လက်တွေ့နမူနာများ ပါဝင်ပြီး၊ မတူကြောင်းမျိုးစုံ ဒေတာစုဆောင်းမှုများ ထည့်သွင်းခြင်း၊ အသိပညာ ရက်ဂြာဖ် ကို ရုပ်ပြခြင်း နှင့် ကိုယ်စားလှယ် အလိုအရ တော့ဘ်ရှာဖွေမှုပုံစံများဖြင့် မေးမြန်းခြင်းများ ပြသထားသည်။

RAG ဖြင့် မှတ်ဥာဏ် သိမ်းဆည်းခြင်း

Mem0 ကဲ့သို့ အထူးပြုမှတ်ဥာဏ်ကိရိယာများ အပြင် မိမိကိုယ်ပိုင် ဒေတာနှင့် ပေါင်းစပ်ထားသည့် Azure AI Search ကို မှတ်ဥာဏ် သိမ်းဆည်းခြင်းနှင့် ပြန်လည်ရှာဖွေရေး အထောက်အထားအဖြစ် အသုံးပြုနိုင်သည်၊ အထူးသဖြင့် ဖွဲ့စည်းထားသောRAG အတွက်။

ဤနည်းလမ်းက ကိုယ်စားလှယ်၏ တုံ့ပြန်ချက်များကို သင့်ကိုယ်ပိုင်ဒေတာဖြင့် အခြေခံစေပြီး ပိုမိုသက်ဆိုင်၍ တိကျမှန်ကန်သော ပြန်လည်ဖြေကြားမှုများ ပေးနိုင်စေသည်။ Azure AI Search သည် အသုံးပြုသူအလိုက် ခရီးသွားမှတ်စုများ၊ ထုတ်ကုန် မော်ကတ်များ သို့မဟုတ် အခြား အထူးလုပ်ငန်းအချက်အလက်များ သိမ်းဆည်းရာတွင် အသုံးဝင်သည်။

Azure AI Search သည် ဖွဲ့စည်းထားသော RAG ကို ထောက်ပံ့ကာ စကားပြောဆိုမှု သမိုင်းတွင်း၊ အီးမေးလ်များ သို့မဟုတ် ရုပ်ပုံများကဲ့သို့သော ကြီးမားသော ဒေတာသိုလှောင်မှုမှ အကြောင်းအရာ ထူထဲပြီး ဖွဲ့စည်းထားသော အချက်အလက်များကို ထုတ်ယူဖော်ထုတ်ရာတွင် ထူးခွန်သော တိကျမှုကျော်ကြားမှု နှင့် ပြန်လည်သတိရမှုများ ပေးသည်။ ၎င်းသည် ဓာတ်စာပိုင်းခွဲခြားခြင်းနှင့် ကွဲထွက်မှု ပုံစံများနှင့် နှိုင်းယှဉ်ပါက လူမူလွန်စွာ တိကျမှန်ကန်မှုနှင့် ပြန်လည်ရရှိမှုရှိစေသည်။

AI ကိုယ်စားလှယ်များကို ကိုယ်တိုင်တိုးတက်လာစေရန်

ကိုယ်တိုင်တိုးတက်လာသော ကိုယ်စားလှယ်များတွင် မကြာခဏ တွေ့ရသော ပုံစံမှာ “အသိပညာကိုယ်စားလှယ်” တစ်ဦး ထည့်သွင်းခြင်း ဖြစ်သည်။ ၎င်းကိုယ်စားလှယ်သည် အသုံးပြုသူနှင့် ကိုယ်စားလှယ်အဓိကအကြား ဖြစ်ပေါ်နေသော ဆွေးနွေးမှုကို လေ့လာကြည့်သည်။ ၎င်း၏တာဝန်မှာ -

1. တန်ဖိုးရှိသည့် အချက်အလက်များကို ဖော်ထုတ်ခြင်း - ဆွေးနွေးမှုမှ ဘယ်အချက်တွေကို ပုံမှန်အသိပညာ သို့မဟုတ် အသုံးပြုသူစိတ်ကြိုက်ချက်အဖြစ် သိမ်းဆည်းစရာ ရှိမရှိ ရှာဖွေခြင်း။

2. ဆွဲထုတ်ပြီး အကျဉ်းချုပ်ခြင်း - ဆွေးနွေးမှုမှ အဓိကသင်ယူချက် သို့မဟုတ် စိတ်ကြိုက်ချက်ကို အကျဉ်းချုပ်တင်ပြခြင်း။

3. အသိပညာ အခြေခံတွင် သိမ်းဆည်းခြင်း - ရှာဖွေတင်ပြနိုင်ရန် ထိုသတင်းအချက်အလက်များကို ဗက္တာဒေတာဘေ့စ်တွင် သိမ်းဆည်းခြင်း။

4. နောက်ထပ် မေးခွန်းများအား တိုးမြှင့်ခြင်း - အသုံးပြုသူသည် မေးခွန်းအသစ်တစ်ခု မေးသောအခါ အသိပညာကိုယ်စားလှယ်သည် သိမ်းဆည်းထားသည့် အချက်အလက်များ အသုံးချကာ အသုံးပြုသူ၏ မေးခွန်း အကြောင်းအရာသို့ တိုးထည့်ပေးခြင်းဖြင့် ကိုယ်စားလှယ် အဓိကကို အရေးကြီးသော ဆက်စပ်အကြောင်းအရာ များပေးပို့ပေးသည် (RAG ကဲ့သို့)။

မှတ်ဥာဏ်အတွက် ထိရောက်စွာ အဆင်ပြေစေရေး

• လျင်မြန်မှု စီမံမှု - အသုံးပြုသူ ဆက်သွယ်မှု တုန့်ပြန်မှုအား ကျန်ရွှံ့စေကာတဲ့ အတွက်၊ အစောပိုင်းတွင် သင့်တင့်စွာ မန်းတင်ပြောနိုင်သည့် ပုံစံတစ်ခု အသုံးပြုပြီး အရေးပါတဲ့ သတင်းအချက်အလက်များ သိမ်းဆည်းရန်၊ ပြန်လည်ရှာဖွေရန် ပြန်လည်ရှာဖွေအကြောင်းစစ်ဆေးရာတွင်သာ အပိုဆင်းကြီးအစိတ်အပိုင်းကို ဖော်ထုတ်ခေါ်ယူခြင်း ပြုလုပ်သည်။

• အသိပညာ အခြေခံ ပြုပြင်ထိန်းသိမ်းမှု - အသိပညာ အခြေခံသည် တိုးတက်တောင်းမှုများနှင့်အမျှ ကြီးထွားနေသောကြောင့် မကြာခဏမမေးသော အချက်အလက်များကို “အေးဂိုဏ်း အစုံ” သို့ ရွှေ့ပြောင်းထားကာ ကုန်ကျစရိတ် စီမံခြင်း။

ကိုယ်စားလှယ် မှတ်ဥာဏ်နှင့် ပတ်သက်၍ မေးလို့ ရမယ့် ထပ်မံမေးစရာများ ရှိပါသလား?

အခြားသင်ယူသူများနှင့် တွေ့ဆုံရန်၊ ရုံးချိန်များ ဆောင်ရွက်ရန်နှင့် AI ကိုယ်စားလှယ်များ ဆိုင်ရာ မေးခွန်းများ ပြန်လည်ဖြေရှင်းရန် Azure AI Foundry Discord တွင် ဆက်သွယ်ပူးပေါင်းပါ။

---

အတည်မပြုချက်
ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ဖြင့် ဘာသာပြန်ထားပါသည်။ တိကျမှုအတွက် ကြိုးစားထားသော်လည်း စက်ယန္တရား ဘာသာပြန်မှုတွင် အမှားများ သို့မဟုတ် တိကျမှုနည်းပါးမှုများ ဖြစ်ပေါ်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလ စာတမ်းကို သူမူဘာသာစကားဖြင့်သာ တရားဝင် အထောက်အထားအဖြစ် ယူဆသင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့လက်ရေး ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်မှုအပ်နှံမှုကြောင့်ဖြစ်ပေါ်နိုင်သော နားလည်မှုမှားယွင်းမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မရှိပါ။

This site is open source. Improve this page.