ai-agents-for-beginners

मल्टि-एजेन्ट डिजाइन

(यस पाठको भिडियो हेर्न माथिको तस्बिरमा क्लिक गर्नुहोस्)

एआई एजेन्टहरूमा मेटाकग्निसन

परिचय

एआई एजेन्टहरूमा मेटाकग्निसन सम्बन्धी पाठमा स्वागत छ! यो अध्याय ती शुरुवातकर्ताहरूका लागि तयार गरिएको हो जो जान्न इच्छुक छन् कि कसरी एआई एजेन्टहरूले आफ्नो सोच्ने प्रक्रियाबारे सोच्छन्। यस पाठको अन्त्यमा, तपाईंले मुख्य अवधारणाहरू बुझ्नुहुनेछ र मेटाकग्निसनलाई एआई एजेन्ट डिजाइनमा प्रयोग गर्नका लागि व्यावहारिक उदाहरणहरूसँग सुसज्जित हुनुहुनेछ।

सिकाइ लक्ष्यहरू

यस पाठ पूरा गरेपछि, तपाईं सक्षम हुनुहुनेछ:

  1. एजेन्ट परिभाषाहरूमा तर्क लूपहरूको प्रभाव बुझ्न।
  2. आफैं सुधार गर्ने एजेन्टहरूलाई सहयो गर्न योजना बनाउने र मूल्याङ्कन गर्ने प्रविधिहरू प्रयोग गर्न।
  3. कार्यहरू पुरा गर्न कोडमा हेरफेर गर्न सक्षम आफ्नै एजेन्टहरू सिर्जना गर्न।

मेटाकग्निसनमा परिचय

मेटाकग्निसन भनेको उच्च-स्तरीय संज्ञानात्मक प्रक्रियाहरू हुन् जसले आफ्नो सोच्ने प्रक्रियाबारे सोच्ने कुरालाई जनाउँछ। एआई एजेन्टहरूका लागि, यसको अर्थ स्वयं-स्वीकृति र अघिल्लो अनुभवको आधारमा आफ्नो कार्यहरू मूल्याङ्कन र समायोजन गर्न सक्षम हुन हो। मेटाकग्निसन, वा “सोच्ने बारे सोच्न” एक महत्वपूर्ण अवधारणा हो एजेन्टिक एआई प्रणालीहरूको विकासमा। यसले एआई प्रणालीहरूलाई आफ्ना आन्तरिक प्रक्रियाहरूको बारेमा सचेत हुन र आफ्नो व्यवहारलाई अनुगमन, नियमन, र अनुकूल बनाउन सक्षम पार्छ। जस्तै हामीले कोठाको माहोल पढ्ने वा समस्यामा हेर्ने गर्छौं। उक्त आत्म-चेतनाले एआई प्रणालीहरूलाई राम्रो निर्णय लिन, त्रुटिहरू पहिचान गर्न, र समय अनुसार आफ्नो प्रदर्शन सुधार गर्न मद्दत गर्न सक्छ—फेरि ट्युरिंग परीक्षण र एआईले नियन्त्रण लिन सक्ने बहससँग जोडिएको।

एजेन्टिक एआई प्रणालीहरूको सन्दर्भमा, मेटाकग्निसनले विभिन्न चुनौतीहरूमा सहायता पुर्‍याउन सक्छ, जस्तै:

मेटाकग्निसन भनेको के हो?

मेटाकग्निसन, वा “सोच्दै सोच्ने,” उच्च-स्तरीय संज्ञानात्मक प्रक्रिया हो जसले आफ्नो संज्ञानात्मक प्रक्रियाहरूको आत्म-चेतना र आत्म-नियमन समावेश गर्छ। एआई को क्षेत्रमा, मेटाकग्निसनले एजेन्टहरूलाई आफ्नो रणनीतिहरू र कार्यहरू मूल्याङ्कन र अनुकूलन गर्न सशक्त बनाउँछ, जसले सुधारिएको समस्या समाधान र निर्णय क्षमताहरू ल्याउँछ। मेटाकग्निसन बुझेर, तपाईं त्यस्ता एआई एजेन्टहरू डिजाइन गर्न सक्नुहुन्छ जुन मात्र ज्यादा बुद्धिमान होइनन्, बरु अधिक अनुकूलनीय र प्रभावकारी हुन्छन्। साँचो मेटाकग्निसनमा, तपाईंले एआईलाई आफ्नै तर्कबारे स्पष्ट रूपमा तर्क गरिरहेको देख्नुहुनेछ।

उदाहरण: “मैले सस्तो उडानहरूलाई प्राथमिकता दिएँ किनभने… म सिधा उडानहरूबाट बाहिर हुन सक्छु, त्यसैले म फेरि जाँच गर्छु।”। कसरी वा किन यो निश्चित मार्ग छनोट गर्‍यो भन्ने कुरा ट्र्याक गर्दै।

मेटाकग्निसनको महत्त्व AI एजेन्टहरूमा

मेटाकग्निसन एआई एजेन्ट डिजाइनमा धेरै कारणले महत्वपूर्ण भूमिका खेल्दछ:

मेटाकग्निसनको महत्त्व

एआई एजेन्टका घटकहरू

मेटाकग्निटिभ प्रक्रियाहरूमा पसे पहिले, एआई एजेन्टका आधारभूत घटकहरू बुझ्न आवश्यक छ। एक एआई एजेन्ट सामान्यतया समावेश गर्दछ:

यी घटकहरू मिलेर एउटा “विशेषज्ञत्व एकाई” सिर्जना गर्छन् जसले विशिष्ट कार्यहरू पूरा गर्न सक्छ।

उदाहरण: एउटा यात्रा एजेन्टलाई विचार गर्नुहोस्, जसले तपाईंको छुट्ट्टी योजना मात्र गर्दैन तर वास्तविक-समय डेटा र अघिल्लो ग्राहक यात्राको अनुभवमा आधारित भएर आफ्नो मार्ग समायोजन गर्छ।

उदाहरण: यात्रा एजेन्ट सेवामा मेटाकग्निसन

कल्पना गर्नुहोस् तपाईं एउटा एआई संचालित यात्रा एजेन्ट सेवा डिजाइन गर्दै हुनुहुन्छ। यो एजेन्ट, “ट्राभल एजेन्ट,” प्रयोगकर्ताहरूलाई उनीहरूको छुट्ट्टी योजना बनाउन सहयोग पुर्‍याउँछ। मेटाकग्निसन समावेश गर्नको लागि, ट्राभल एजेन्टले आत्म-स्वीकृति र अघिल्लो अनुभवको आधारमा आफ्नो कार्यहरू मूल्याङ्कन र समायोजन गर्न आवश्यक हुन्छ। यहाँ कसरी मेटाकग्निसन भूमिका खेल्न सक्छ:

वर्तमान कार्य

वर्तमान कार्य प्रयोगकर्तालाई पेरिसको यात्रा योजना बनाउन सहयोग गर्नु हो।

कार्य पूरा गर्ने चरणहरू

  1. प्रयोगकर्ता प्राथमिकताहरू संकलन गर्नुहोस्: प्रयोगकर्तासँग उनीहरूको यात्रा मिति, बजेट, रुचिहरू (जस्तै सङ्ग्रहालयहरू, खानपान, किनमेल), र कुनै विशेष आवश्यकताहरू बारे सोध्नुहोस्।
  2. सूचना प्राप्त गर्नुहोस्: उडान विकल्पहरू, आवासहरू, आकर्षणहरू, र रेस्टुरेन्टहरू खोज्नुहोस् जुन प्रयोगकर्ता प्राथमिकतासँग मेल खान्छ।
  3. सिफारिसहरू सिर्जना गर्नुहोस्: उडान विवरण, होटल आरक्षणहरू, र सुझाएको गतिविधिहरू सहित व्यक्तिगत यात्रा कार्यक्रम प्रदान गर्नुहोस्।
  4. प्रतिक्रियाको आधारमा समायोजन गर्नुहोस्: प्रयोगकर्ताबाट सिफारिसहरूमा प्रतिक्रिया माग्नुहोस् र आवश्यक समायोजनहरू गर्नुहोस्।

आवश्यक स्रोतहरू

अनुभव र आत्म-प्रतिबिम्ब

ट्राभल एजेन्टले आफ्नो प्रदर्शन मूल्याङ्कन गर्न र अघिल्लो अनुभवबाट सिक्न मेटाकग्निसन प्रयोग गर्छ। उदाहरणका लागि:

  1. प्रयोगकर्ता प्रतिक्रिया विश्लेषण: ट्राभल एजेन्टले प्रयोगकर्ता प्रतिक्रियालाई समीक्षा गरेर कुन सिफारिसहरू राम्रो सँग स्वीकारियो र कुन स्वीकारिएन भनी निर्धारण गर्छ। यसले आफ्नो भविष्यका सुझावहरू अनुकूल बनाउँछ।
  2. अनुकूलता: यदि कुनै प्रयोगकर्ताले पहिले धेरै भीड भएका स्थानहरू मन नपर्ने बताएको छ भने, ट्राभल एजेन्टले भविष्यमा पिक आवरहरूमा लोकप्रिय पर्यटकीय स्थानहरू सिफारिस नगर्नेछ।
  3. त्रुटि सुधार: यदि ट्राभल एजेन्टले अघिल्लो बुकिङमा गल्ती गर्‍यो भने, जस्तै पूरै बुक भएको होटल सुझाउनु, यसले सिफारिस गर्नु अघिल्लो उपलब्धता कडा रूपमा जाँच्न सिक्छ।

व्यावहारिक विकासकर्ता उदाहरण

यहाँ मेटाकग्निसन समावेश गर्दा ट्राभल एजेन्ट कोड कस्तो देखिन सक्छ भन्ने सरल उदाहरण छ:

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        # प्राथमिकताहरूको आधारमा उडान, होटेलहरू, र आकर्षणहरू खोज्नुहोस्
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        itinerary = create_itinerary(flights, hotels, attractions)
        return itinerary

    def adjust_based_on_feedback(self, feedback):
        self.experience_data.append(feedback)
        # प्रतिक्रिया विश्लेषण गर्नुहोस् र भविष्यका सिफारिसहरू समायोजन गर्नुहोस्
        self.user_preferences = adjust_preferences(self.user_preferences, feedback)

# उदाहरण प्रयोग
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)

किन मेटाकग्निसन महत्त्वपूर्ण छ

मेटाकग्निसन समावेश गरेर, ट्राभल एजेन्टले बढी व्यक्तिगत र सही यात्रा सिफारिसहरू प्रदान गर्न सक्छ, जसले समग्र प्रयोगकर्ता अनुभव सुधार गर्छ।

२। एजेन्टहरूमा योजना बनाउने

योजना बनाउनु एआई एजेन्ट व्यवहारको महत्वपूर्ण अंश हो। यसले लक्ष प्राप्त गर्न आवश्यक चरणहरू विनिर्देश गर्न समावेश गर्दछ, वर्तमान अवस्था, स्रोतहरू, र सम्भावित बाधाहरू विचार गर्दै।

योजनाका तत्त्वहरू

उदाहरण: ट्राभल एजेन्टले उपयोगकर्ता आफ्नो यात्रा योजना बनाउन प्रभावकारी रूपमा सहयोग पुर्‍याउन लाग्ने चरणहरू यहाँ छन्:

ट्राभल एजेन्टका लागि चरणहरू

१. प्रयोगकर्ता प्राथमिकताहरू संकलन गर्नुहोस्

२. सूचना प्राप्त गर्नुहोस्

३. सिफारिसहरू सिर्जना गर्नुहोस्

४. यात्रा कार्यक्रम प्रयोगकर्तालाई प्रस्तुत गर्नुहोस्

५. प्रतिक्रिया सङ्कलन गर्नुहोस्

६. प्रतिक्रियाको आधारमा समायोजन गर्नुहोस्

७. अन्तिम पुष्टि गर्नुहोस्

८. बुकिंग र पुष्टि आरम्भ गर्नुहोस्

९. चलिरहेको समर्थन प्रदान गर्नुहोस्

उदाहरण अन्तरक्रिया

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        itinerary = create_itinerary(flights, hotels, attractions)
        return itinerary

    def adjust_based_on_feedback(self, feedback):
        self.experience_data.append(feedback)
        self.user_preferences = adjust_preferences(self.user_preferences, feedback)

# बुकिङ अनुरोध भित्रको उदाहरण प्रयोग
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
travel_agent.adjust_based_on_feedback(feedback)

३। सुधारात्मक RAG प्रणाली

पहिले हामी RAG उपकरण र प्रि-एम्प्टिभ कन्टेक्स्ट लोड बीचको भिन्नता बुझ्नेछौं।

RAG vs Context Loading

रिट्रिभल-अग्मेन्टेड जेनेरेसन (RAG)

RAG ले पुनः प्राप्ति प्रणालीलाई एक उत्पादन मोडेलसँग जोड्छ। जब सोधपुछ गरिन्छ, पुनः प्राप्ति प्रणालीले बाह्य स्रोतबाट सम्बन्धित कागजात वा डाटा ल्याउँछ, र यस प्राप्त जानकारीलाई उत्पादन मोडेलको इनपुटमा वृद्धि गर्न प्रयोग गरिन्छ। यसले मोडेललाई अधिक सही र सान्दर्भिक उत्तरहरू उत्पन्न गर्न मद्दत गर्छ।

RAG प्रणालीमा, एजेन्टले ज्ञान आधारबाट सम्बन्धित जानकारी ल्याउँछ र उचित उत्तर वा कार्यहरू उत्पन्न गर्न प्रयोग गर्छ।

सुधारात्मक RAG दृष्टिकोण

सुधारात्मक RAG दृष्टिकोणले RAG प्रविधिहरू प्रयोग गरेर त्रुटिहरू सुधार गर्न र एआई एजेन्टहरूको सटीकता सुधार गर्न केन्द्रित छ। यसले समावेश गर्दछ:

१. प्रम्प्टिङ प्रविधि: एजेन्टलाई सम्बन्धित जानकारी ल्याउन मार्गनिर्देशन गर्ने विशिष्ट प्रम्प्टहरू प्रयोग गर्नु। २. उपकरण: एजेन्टलाई प्राप्त जानकारीको सान्दर्भिकता मूल्याङ्कन गर्न र सही उत्तर उत्पन्न गर्न सक्षम बनाउने एल्गोरिदम र संयन्त्रहरू कार्यान्वयन गर्नु। ३. मूल्याङ्कन: एजेन्टको प्रदर्शनलाई निरन्तर मूल्याङ्कन गर्दै यसको सटीकता र प्रभावकारिता सुधार गर्न समायोजनहरू गर्नु।

उदाहरण: खोज एजेन्टमा सुधारात्मक RAG

एउटा खोज एजेन्टलाई विचार गर्नुहोस् जुन वेबबाट जानकारी ल्याएर प्रयोगकर्ताको प्रश्नहरूको उत्तर दिन्छ। सुधारात्मक RAG दृष्टिकोणमा समावेश हुन सक्छ:

१. प्रम्प्टिङ प्रविधि: प्रयोगकर्ताको इनपुटमा आधारित खोज खोज प्रश्न तयार पार्नु। २. उपकरण: प्राकृतिक भाषा प्रशोधन र मेशिन लर्निंग एल्गोरिदमहरू प्रयोग गरेर खोज नतिजाहरू वर्गीकरण र फिल्टर गर्नु। ३. मूल्याङ्कन: प्रयोगकर्ता प्रतिक्रियाको विश्लेषण गरेर प्राप्त जानकारीमा भएका त्रुटिहरू पहिचान र सुधार गर्नु।

ट्राभल एजेन्टमा सुधारात्मक RAG

सुधारात्मक RAG (रिट्रिभल-अग्मेन्टेड जेनेरेसन) ले एआईको जानकारी ल्याउने र उत्पन्न गर्ने क्षमता बढाउँछ भने कुनै पनि त्रुटिहरूलाई सुधार गर्दछ। आउनुहोस्, ट्राभल एजेन्टले कसरी सुधारात्मक RAG दृष्टिकोण प्रयोग गरेर अझ सही र सान्दर्भिक यात्रा सिफारिसहरू प्रदान गर्न सक्छ बुझौं।

यसमा समावेश छ:

ट्राभल एजेन्टमा सुधारात्मक RAG कार्यान्वयनका चरणहरू

१. प्रारम्भिक प्रयोगकर्ता अन्तरक्रिया

२. सूचना प्राप्ति

३. प्रारम्भिक सिफारिसहरू सिर्जना गर्नु

४. प्रयोगकर्ता प्रतिक्रिया सङ्कलन

५. सुधारात्मक RAG प्रक्रिया

व्यावहारिक उदाहरण

यहाँ ट्राभल एजेन्टमा सुधारात्मक RAG दृष्टिकोण समावेश गर्ने सरल पाइथन कोड उदाहरण छ:

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        itinerary = create_itinerary(flights, hotels, attractions)
        return itinerary

    def adjust_based_on_feedback(self, feedback):
        self.experience_data.append(feedback)
        self.user_preferences = adjust_preferences(self.user_preferences, feedback)
        new_itinerary = self.generate_recommendations()
        return new_itinerary

# उदाहरण प्रयोग
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
new_itinerary = travel_agent.adjust_based_on_feedback(feedback)
print("Updated Itinerary:", new_itinerary)

प्रि-एम्प्टिभ कन्टेक्स्ट लोड

प्रि-एम्प्टिभ कन्टेक्स्ट लोडले मोडलमा क्वेरी प्रक्रिया गर्नु भन्दा पहिले सम्बन्धित सन्दर्भ वा पृष्ठभूमि जानकारी लोड गर्ने प्रक्रिया समावेश गर्दछ। यसको मतलब मोडललाई सुरु देखि नै यो जानकारी उपलब्ध हुन्छ, जसले यसलाई थप जानकारी प्राप्त गर्नुपर्ने आवश्यक बिना धेरै जानकार उत्तरहरू उत्पन्न गर्न मद्दत पुर्‍याउन सक्छ।

यहाँ Python मा एउटा ट्राभल एजेन्ट एप्लिकेसनको लागि प्रि-एम्प्टिभ कन्टेक्स्ट लोड कस्तो देखिन सक्छ भन्ने सरल उदाहरण छ:

class TravelAgent:
    def __init__(self):
        # लोकप्रिय गन्तव्यहरू र तिनीहरूको जानकारी प्रि-लोड गर्नुहोस्
        self.context = {
            "Paris": {"country": "France", "currency": "Euro", "language": "French", "attractions": ["Eiffel Tower", "Louvre Museum"]},
            "Tokyo": {"country": "Japan", "currency": "Yen", "language": "Japanese", "attractions": ["Tokyo Tower", "Shibuya Crossing"]},
            "New York": {"country": "USA", "currency": "Dollar", "language": "English", "attractions": ["Statue of Liberty", "Times Square"]},
            "Sydney": {"country": "Australia", "currency": "Dollar", "language": "English", "attractions": ["Sydney Opera House", "Bondi Beach"]}
        }

    def get_destination_info(self, destination):
        # प्रि-लोड गरिएको सन्दर्भबाट गन्तव्य जानकारी ल्याउनुहोस्
        info = self.context.get(destination)
        if info:
            return f"{destination}:\nCountry: {info['country']}\nCurrency: {info['currency']}\nLanguage: {info['language']}\nAttractions: {', '.join(info['attractions'])}"
        else:
            return f"Sorry, we don't have information on {destination}."

# प्रयोगको उदाहरण
travel_agent = TravelAgent()
print(travel_agent.get_destination_info("Paris"))
print(travel_agent.get_destination_info("Tokyo"))

व्याख्या

१. इनिशियलाइजेशन (__init__ विधि): TravelAgent कक्षा लोकप्रिय गन्तव्यहरू जस्तै पेरिस, टोकीयो, न्यूयोर्क, र सिड्नी का बारेमा जानकारी समावेश गर्ने एउटा शब्दकोश प्रि-लोड गर्छ। यस शब्दकोशमा प्रत्येक गन्तव्यको देश, मुद्रा, भाषा, र मुख्य आकर्षणहरू जस्ता विवरणहरू छन्।

२. जानकारी प्राप्ति (get_destination_info विधि): प्रयोगकर्ताले कुनै विशेष गन्तव्यको बारेमा सोध्दा, get_destination_info विधिले प्रि-लोड गरिएको सन्दर्भ शब्दकोशबाट सम्बन्धित जानकारी ल्याउँछ।

सन्दर्भलाई प्रि-लोड गरेर, ट्राभल एजेन्ट एप्लिकेसनले वास्तविक समयमा बाह्य स्रोतबाट सूचना खोज्नु पर्ने बिना प्रयोगकर्ताका प्रश्नहरूमा छिटो प्रतिक्रिया दिन सक्छ। यसले एप्लिकेसनलाई थप कुशल र द्रुत बनाउँछ।

योजना शुरू गर्दा लक्ष्य सहितको प्रारम्भिक योजना बनाउने

योजनालाई एक लक्ष्यसँग शुरू गर्नु भनेको स्पष्ट उद्देश्य वा लक्ष्य नतिजा लिएर सुरु गर्नु हो। यस लक्ष्यलाई प्रारम्भमा परिभाषित गरेर, मोडल यसलाई iterative प्रक्रियामा मार्गदर्शक सिद्धान्तको रूपमा प्रयोग गर्न सक्छ। यसले प्रत्येक पुनरावृत्तिलाई इच्छित परिणामतर्फ लैजान सहयोग पुर्याउँछ, जसले प्रक्रियालाई थप प्रभावकारी र केन्द्रित बनाउँछ।

यहाँ Python मा ट्राभल एजेन्टका लागि लक्ष्य सहितको यात्रा योजना कसरी प्रारम्भ गर्ने भन्ने उदाहरण छ:

परिदृश्य

एउटा ट्राभल एजेन्टले ग्राहकका प्राथमिकता र बजेट अनुसार निजी छुट्टी योजना बनाउन चाहन्छ। लक्ष्य भनेको ग्राहकको सन्तुष्टि अधिकतम गर्ने यात्रा तालिका तयार गर्नु हो।

कदमहरू

१. ग्राहकका प्राथमिकता र बजेट परिभाषित गर्नुहोस्। २. यी प्राथमिकताहरूलाई आधार बनाएर प्रारम्भिक योजना बनाउनुहोस्। ३. पुनरावृत्ति गर्दै योजनालाई सुधार गर्नुहोस्, ग्राहक सन्तुष्टिलाई अधिकतम गर्दै।

Python कोड

class TravelAgent:
    def __init__(self, destinations):
        self.destinations = destinations

    def bootstrap_plan(self, preferences, budget):
        plan = []
        total_cost = 0

        for destination in self.destinations:
            if total_cost + destination['cost'] <= budget and self.match_preferences(destination, preferences):
                plan.append(destination)
                total_cost += destination['cost']

        return plan

    def match_preferences(self, destination, preferences):
        for key, value in preferences.items():
            if destination.get(key) != value:
                return False
        return True

    def iterate_plan(self, plan, preferences, budget):
        for i in range(len(plan)):
            for destination in self.destinations:
                if destination not in plan and self.match_preferences(destination, preferences) and self.calculate_cost(plan, destination) <= budget:
                    plan[i] = destination
                    break
        return plan

    def calculate_cost(self, plan, new_destination):
        return sum(destination['cost'] for destination in plan) + new_destination['cost']

# उदाहरण प्रयोग
destinations = [
    {"name": "Paris", "cost": 1000, "activity": "sightseeing"},
    {"name": "Tokyo", "cost": 1200, "activity": "shopping"},
    {"name": "New York", "cost": 900, "activity": "sightseeing"},
    {"name": "Sydney", "cost": 1100, "activity": "beach"},
]

preferences = {"activity": "sightseeing"}
budget = 2000

travel_agent = TravelAgent(destinations)
initial_plan = travel_agent.bootstrap_plan(preferences, budget)
print("Initial Plan:", initial_plan)

refined_plan = travel_agent.iterate_plan(initial_plan, preferences, budget)
print("Refined Plan:", refined_plan)

कोड व्याख्या

१. इनिशियलाइजेशन (__init__ विधि): TravelAgent कक्षा सम्भावित गन्तव्यहरूको सूचीसँग इनिशियलाइज गरिएको छ, जसका प्रत्येक गन्तव्यमा नाम, लागत र गतिविधिको प्रकार जस्ता गुणहरू छन्।

२. योजना शुरू गर्नु (bootstrap_plan विधि): यो विधिले ग्राहकका प्राथमिकता र बजेटको आधारमा प्रारम्भिक यात्रा योजना बनाउँछ। गन्तव्यहरूको सूचीबाट ती गन्तव्यहरू छनोट गर्दछ जुन ग्राहकको प्राथमिकतासँग मेल खान्छन् र बजेटमा फिट हुन्छन्।

३. प्राथमिकता मिलाउने (match_preferences विधि): यो विधिले गन्तव्य ग्राहकको प्राथमिकतासँग मेल खान्छ कि होइन जाँच्छ।

४. योजना पुनरावृत्ति गर्नु (iterate_plan विधि): यो विधिले प्रारम्भिक योजनालाई सुधार गर्दै योजना भित्रको प्रत्येक गन्तव्यलाई ग्राहकको प्राथमिकता र बजेट सिमाना अनुकूल राम्रो विकल्पले प्रतिस्थापन गर्न प्रयास गर्छ।

५. लागत गणना (calculate_cost विधि): यो विधिले वर्तमान योजनाको कुल लागत गणना गर्छ, सम्भावित नयाँ गन्तव्य समावेश गरी।

उदाहरण प्रयोग

स्पष्ट लक्ष्य (जस्तै ग्राहक सन्तुष्टि अधिकतम गर्नु) सहित योजना शुरू गरी पुनरावृत्ति गर्दै योजना सुधार गर्दा, ट्राभल एजेन्टले ग्राहकका लागि अनुकूलन र अधिकतम गरिएको यात्रा तालिका तयार गर्न सक्छ। यसले सुनिश्चित गर्दछ कि यात्रा योजना सुरुबाटै ग्राहकको प्राथमिकता र बजेटसँग मेल खान्छ र प्रत्येक पुनरावृत्तिमा सुधार हुन्छ।

पुन: र्याङ्किङ र स्कोरिङका लागि LLM को लाभ उठाउने

ठूलो भाषा मोडेलहरू (LLMs) पुन: र्याङ्किङ र स्कोरिङका लागि प्रयोग गर्न सकिन्छ जसले प्राप्त दस्तावेजहरू वा उत्पन्न प्रतिक्रियाहरूको सान्दर्भिकता र गुणस्तर मूल्याङ्कन गर्छ। यसरी काम गर्छ:

प्राप्ति: सुरुमा सोधपुछको आधारमा उम्मेदवार दस्तावेज या प्रतिक्रियाहरूको सेट ल्याइन्छ।

पुन: र्याङ्किङ: LLM ले ती उम्मेदवारहरूलाई सान्दर्भिकता र गुणस्तरको आधारमा पुन: क्रमबद्ध गर्दछ। यसले सबैभन्दा सान्दर्भिक र उच्च गुणस्तरको जानकारी पहिला प्रस्तुत हुन सुनिश्चित गर्छ।

स्कोरिङ: LLM ले प्रत्येक उम्मेदवारलाई सान्दर्भिकता र गुणस्तर प्रतिबिम्बित गर्ने स्कोर दिएको छ। यसले प्रयोगकर्ताको लागि सर्वोत्तम जबाफ वा दस्तावेज छनोटमा मद्दत गर्छ।

LLM हरूलाई पुन: र्याङ्किङ र स्कोरिङमा प्रयोग गरेर, प्रणालीले थप सही र सान्दर्भिक जानकारी प्रदान गरी समग्र प्रयोगकर्ता अनुभव सुधार गर्न सक्छ।

यहाँ Python मा कसरी ट्राभल एजेन्टले आफ्ना प्रयोगकर्ताको प्राथमिकतामा आधारित यात्रा गन्तव्यहरू पुन: र्याङ्क र स्कोर गर्न LLM प्रयोग गर्न सक्छ भन्ने उदाहरण छ:

परिदृश्य - प्राथमिकताका आधारमा यात्रा

एउटा ट्राभल एजेन्टले ग्राहकका प्राथमिकताका आधारमा सबैभन्दा राम्रो यात्रा गन्तव्य सिफारिस गर्न चाहन्छ। LLM ले गन्तव्यहरूलाई पुन: र्याङ्क र स्कोर गर्दै सबैभन्दा सान्दर्भिक विकल्पहरू प्रस्तुत गर्नेछ।

कदमहरू:

१. प्रयोगकर्ताका प्राथमिकताहरू सङ्कलन गर्नुहोस्। २. सम्भावित यात्रा गन्तव्यहरूको सूची प्राप्त गर्नुहोस्। ३. LLM प्रयोग गरि प्राथमिकताको आधारमा गन्तव्यहरू पुन: र्याङ्क र स्कोर गर्नुहोस्।

यहाँ पहिलेको उदाहरणलाई Azure OpenAI सेवाहरू प्रयोग गरेर कसरी अपडेट गर्ने देखाइन्छ:

आवश्यकता

१. तपाईंसँग Azure सदस्यता हुनुपर्छ। २. Azure OpenAI स्रोत सिर्जना गर्नुहोस् र आफ्नो API कुञ्जी प्राप्त गर्नुहोस्।

उदाहरण Python कोड

import requests
import json

class TravelAgent:
    def __init__(self, destinations):
        self.destinations = destinations

    def get_recommendations(self, preferences, api_key, endpoint):
        # Azure OpenAI को लागि प्रॉम्प्ट सिर्जना गर्नुहोस्
        prompt = self.generate_prompt(preferences)
        
        # अनुरोधको लागि हेडरहरू र पेलोड परिभाषित गर्नुहोस्
        headers = {
            'Content-Type': 'application/json',
            'Authorization': f'Bearer {api_key}'
        }
        payload = {
            "prompt": prompt,
            "max_tokens": 150,
            "temperature": 0.7
        }
        
        # रि-रैंक गरिएको र स्कोर गरिएको गन्तव्यहरू प्राप्त गर्न Azure OpenAI API कल गर्नुहोस्
        response = requests.post(endpoint, headers=headers, json=payload)
        response_data = response.json()
        
        # सिफारिशहरू निकाल्नुहोस् र फर्काउनुहोस्
        recommendations = response_data['choices'][0]['text'].strip().split('\n')
        return recommendations

    def generate_prompt(self, preferences):
        prompt = "Here are the travel destinations ranked and scored based on the following user preferences:\n"
        for key, value in preferences.items():
            prompt += f"{key}: {value}\n"
        prompt += "\nDestinations:\n"
        for destination in self.destinations:
            prompt += f"- {destination['name']}: {destination['description']}\n"
        return prompt

# उदाहरण प्रयोग
destinations = [
    {"name": "Paris", "description": "City of lights, known for its art, fashion, and culture."},
    {"name": "Tokyo", "description": "Vibrant city, famous for its modernity and traditional temples."},
    {"name": "New York", "description": "The city that never sleeps, with iconic landmarks and diverse culture."},
    {"name": "Sydney", "description": "Beautiful harbour city, known for its opera house and stunning beaches."},
]

preferences = {"activity": "sightseeing", "culture": "diverse"}
api_key = 'your_azure_openai_api_key'
endpoint = 'https://your-endpoint.com/openai/deployments/your-deployment-name/completions?api-version=2022-12-01'

travel_agent = TravelAgent(destinations)
recommendations = travel_agent.get_recommendations(preferences, api_key, endpoint)
print("Recommended Destinations:")
for rec in recommendations:
    print(rec)

कोड व्याख्या - प्राथमिकता बुकर

१. इनिशियलाइजेशन: TravelAgent कक्षा सम्भावित यात्रा गन्तव्यहरूको सूचीसँग इनिशियलाइज गरिएको छ, जसमा नाम र वर्णन जस्ता गुणहरू छन्।

२. सिफारिस प्राप्त गर्नु (get_recommendations विधि): यो विधिले प्रयोगकर्ताका प्राथमिकताहरूको आधारमा Azure OpenAI सेवाका लागि प्रश्न तयार गर्छ र Azure OpenAI API मा HTTP POST अनुरोध पठाएर गन्तव्यहरू पुन: र्याङ्क र स्कोर गरिएका सिफारिस प्राप्त गर्छ।

३. प्रश्न निर्माण (generate_prompt विधि): यो विधिले Azure OpenAI का लागि प्रयोगकर्ताका प्राथमिकता र गन्तव्यहरूको सूची सहितको प्रश्न तयार गर्छ। प्रश्नले मोडललाई दिइएका प्राथमिकताहरूको आधारमा गन्तव्यहरू पुन: र्याङ्क र स्कोर गर्न मार्गदर्शन गर्छ।

४. API कल: requests लाइब्रेरी प्रयोग गरी Azure OpenAI API अन्तिम बिन्दुमा HTTP POST अनुरोध गरिन्छ। प्रतिक्रियाले पुन: र्याङ्क र स्कोर गरिएका गन्तव्यहरू समावेश गर्छ।

५. उदाहरण प्रयोग: ट्राभल एजेन्टले प्रयोगकर्ताका प्राथमिकताहरू (जस्तै साइटसिइङ र विविध संस्कृति मा रुचि) सङ्कलन गरी Azure OpenAI सेवा प्रयोग गरेर पुन: र्याङ्क र स्कोर गरिएको सिफारिस प्राप्त गर्छ।

your_azure_openai_api_key लाई आफ्नो वास्तविक Azure OpenAI API कुञ्जीसँग र https://your-endpoint.com/... लाई Azure OpenAI डिप्लोयमेन्टको वास्तविक अन्तिम बिन्दु URL सँग परिवर्तन गर्न सुनिश्चित गर्नुहोस्।

LLM लाई पुन: र्याङ्किङ र स्कोरिङको लागि उपयोग गरेर, ट्राभल एजेन्टले ग्राहकहरूलाई थप व्यक्तिगत र सान्दर्भिक यात्रा सिफारिसहरू प्रदान गर्न सक्छ, जसले उनीहरूको समग्र अनुभव सुधार गर्दछ।

RAG: प्राम्पटिङ प्रविधि बनाम उपकरण

Retrieval-Augmented Generation (RAG) AI एजेन्ट विकासमा प्राम्पटिङ प्रविधि तथा उपकरण दुवै हुन सक्छ। यी दुई बीचको भिन्नता बुझेर तपाईंले आफ्नो परियोजनामा RAG लाई प्रभावकारी रूपमा प्रयोग गर्न सक्नुहुन्छ।

RAG प्राम्पटिङ प्रविधिको रूपमा

यसको अर्थ के हो?

यसले कसरी काम गर्छ:

१. प्राम्पट तयार गर्नुहोस्: काम वा प्रयोगकर्ताको इनपुट अनुसार राम्रोसँग संरचित प्राम्पट वा प्रश्नहरू बनाउनुहोस्। २. जानकारी प्राप्त गर्नुहोस्: प्राम्पटहरूको प्रयोग गरी पूर्वनिर्धारित ज्ञान आधार वा डेटासेटबाट सान्दर्भिक डाटा खोज्नुहोस्। ३. प्रतिक्रिया उत्पन्न गर्नुहोस्: प्राप्त जानकारीलाई जनरेटिभ AI मोडलसँग संयोजन गरी समग्र र सुसंगत प्रतिक्रिया उत्पादन गर्नुहोस्।

ट्राभल एजेन्टमा उदाहरण:

RAG उपकरणको रूपमा

यसको अर्थ के हो?

यसले कसरी काम गर्छ:

१. एकीकरण: AI एजेन्टको वास्तुकलामा RAG समावेश गरी स्वचालित रूपमा प्राप्ति र उत्पादन कार्यहरू सञ्चालन गर्न दिनुहोस्। २. स्वचालन: उपकरणले सम्पूर्ण प्रक्रिया प्रबन्ध गर्छ, प्रयोगकर्ता इनपुट प्राप्त गर्नु देखि अन्तिम प्रतिक्रिया उत्पन्न गर्नु सम्म, प्रत्येक चरणको लागि स्पष्ट प्राम्पट आवश्यक्ता बिना। ३. क्षमता: प्राप्ति र उत्पादन प्रक्रियालाई साङ्लो गरेर एजेन्टको प्रदर्शन बढाउँछ, छिटो र अधिक सही प्रतिक्रिया दिन सक्षम बनाउँछ।

ट्राभल एजेन्टमा उदाहरण:

तुलना

पक्ष प्राम्पटिङ प्रविधि उपकरण
म्यानुअल बनाम स्वचालित प्रत्येक प्रश्नको लागि म्यानुअल प्राम्पट तयार गर्ने। प्राप्ति र उत्पादन प्रक्रिया स्वचालित।
नियन्त्रण प्राप्ति प्रक्रियामा बढी नियन्त्रण दिन्छ। प्राप्ति र उत्पादनलाई साङ्लो र स्वचालित बनाउँछ।
लचिलोपन विशेष आवश्यकताहरू अनुसार अनुकूलित प्राम्पट अनुमति दिन्छ। ठूलो स्तरमा कार्यान्वयनका लागि अधिक प्रभावकारी।
जटिलता प्राम्पट तयार गर्न र परिमार्जन गर्न आवश्यक छ। AI एजेन्टको वास्तुकलामा सजिलै एकीकृत गर्न सकिन्छ।

व्यवहारिक उदाहरणहरू

प्राम्पटिङ प्रविधि उदाहरण:

def search_museums_in_paris():
    prompt = "Find top museums in Paris"
    search_results = search_web(prompt)
    return search_results

museums = search_museums_in_paris()
print("Top Museums in Paris:", museums)

उपकरण उदाहरण:

class Travel_Agent:
    def __init__(self):
        self.rag_tool = RAGTool()

    def get_museums_in_paris(self):
        user_input = "I want to visit museums in Paris."
        response = self.rag_tool.retrieve_and_generate(user_input)
        return response

travel_agent = Travel_Agent()
museums = travel_agent.get_museums_in_paris()
print("Top Museums in Paris:", museums)

सान्दर्भिकता मूल्याङ्कन

सान्दर्भिकताको मूल्याङ्कन AI एजेन्टको प्रदर्शनमा महत्वपूर्ण पक्ष हो। यसले सुनिश्चित गर्दछ कि एजेन्टले प्राप्त र उत्पन्न गरेको जानकारी उपयुक्त, सही, र प्रयोगकर्ताका लागि उपयोगी छ। सान्दर्भिकता मूल्याङ्कन कसरी गर्ने भनेर व्यवहारिक उदाहरण र प्रविधिहरू सहित अन्वेषण गरौं।

सान्दर्भिकता मूल्याङ्कनका मुख्य अवधारणाहरू

१. सन्दर्भ सचेतना:

२. सटीकता:

३. प्रयोगकर्ताको अभिप्राय:

४. प्रतिपुष्टि चक्र:

सान्दर्भिकता मूल्याङ्कनका व्यवहारिक प्रविधिहरू

१. सान्दर्भिकता स्कोरिङ:

२. फिल्टरिंग र र्याङ्किङ:

३. प्राकृतिक भाषा प्रशोधन (NLP):

४. प्रयोगकर्ताको प्रतिपुष्टि समायोजन:

उदाहरण: ट्राभल एजेन्टमा सान्दर्भिकता मूल्याङ्कन

यहाँ ट्राभल एजेन्टले यात्रा सिफारिसहरूको सान्दर्भिकता कसरी मूल्याङ्कन गर्ने व्यावहारिक उदाहरण छ:

class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}
        self.experience_data = []

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

    def retrieve_information(self):
        flights = search_flights(self.user_preferences)
        hotels = search_hotels(self.user_preferences)
        attractions = search_attractions(self.user_preferences)
        return flights, hotels, attractions

    def generate_recommendations(self):
        flights, hotels, attractions = self.retrieve_information()
        ranked_hotels = self.filter_and_rank(hotels, self.user_preferences)
        itinerary = create_itinerary(flights, ranked_hotels, attractions)
        return itinerary

    def filter_and_rank(self, items, query):
        ranked_items = sorted(items, key=lambda item: self.relevance_score(item, query), reverse=True)
        return ranked_items[:10]  # शीर्ष १० सान्दर्भिक वस्तुहरू फर्काउनुहोस्

    def relevance_score(self, item, query):
        score = 0
        if item['category'] in query['interests']:
            score += 1
        if item['price'] <= query['budget']:
            score += 1
        if item['location'] == query['destination']:
            score += 1
        return score

    def adjust_based_on_feedback(self, feedback, items):
        for item in items:
            if item['name'] in feedback['liked']:
                item['relevance'] += 1
            if item['name'] in feedback['disliked']:
                item['relevance'] -= 1
        return items

# प्रयोगको उदाहरण
travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = travel_agent.generate_recommendations()
print("Suggested Itinerary:", itinerary)
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_items = travel_agent.adjust_based_on_feedback(feedback, itinerary['hotels'])
print("Updated Itinerary with Feedback:", updated_items)

उद्देश्यसहित खोजी

उद्देश्यसहित खोजी भनेको प्रयोगकर्ताको प्रश्नको पछाडि रहेको के आधार वा उद्देश्य बुझेर सबैभन्दा सान्दर्भिक र उपयोगी जानकारी प्राप्त गरी उत्पन्न गर्नु हो। यो केवल कुञ्जीशब्द मिलाउने भन्दा पर जान्छ र प्रयोगकर्ताको वास्तविक आवश्यकताहरुलाई बुझ्न केन्द्रित हुन्छ।

उद्देश्यसहित खोजीमा मुख्य अवधारणाहरू

१. प्रयोगकर्ताको अभिप्राय बुझ्नु:

२. सन्दर्भ सचेतना:

३. प्राकृतिक भाषा प्रशोधन (NLP):

४. वैयक्तिकरण:

व्यवहारिक उदाहरण: ट्राभल एजेन्टमा उद्देश्यसहित खोजी

ट्राभल एजेन्टलाई उदाहरण लिएर उद्देश्यसहित खोजी कसरी कार्यान्वयन गर्ने हेरौं।

१. प्रयोगकर्ताका प्राथमिकता सङ्कलन गर्नु

   class Travel_Agent:
       def __init__(self):
           self.user_preferences = {}

       def gather_preferences(self, preferences):
           self.user_preferences = preferences

२. प्रयोगकर्ताको अभिप्राय बुझ्नु

   def identify_intent(query):
       if "book" in query or "purchase" in query:
           return "transactional"
       elif "website" in query or "official" in query:
           return "navigational"
       else:
           return "informational"

३. सन्दर्भ सचेतना

   def analyze_context(query, user_history):
       # सन्दर्भ बुझ्नको लागि वर्तमान सोधपुछलाई प्रयोगकर्ताको इतिहाससँग मिलाउनुहोस्
       context = {
           "current_query": query,
           "user_history": user_history
       }
       return context

  1. नतिजा खोज्ने र व्यक्तिगत बनाउने

    def search_with_intent(query, preferences, user_history):
    intent = identify_intent(query)
    context = analyze_context(query, user_history)
    if intent == "informational":
        search_results = search_information(query, preferences)
    elif intent == "navigational":
        search_results = search_navigation(query)
    elif intent == "transactional":
        search_results = search_transaction(query, preferences)
    personalized_results = personalize_results(search_results, user_history)
    return personalized_results

def search_information(query, preferences):
    # जानकारीमूलक उद्देश्यका लागि उदाहरण खोजी तर्क
    results = search_web(f"best {preferences['interests']} in {preferences['destination']}")
    return results

def search_navigation(query):
    # नेभिगेशनल उद्देश्यका लागि उदाहरण खोजी तर्क
    results = search_web(query)
    return results

def search_transaction(query, preferences):
    # लेनदेन उद्देश्यका लागि उदाहरण खोजी तर्क
    results = search_web(f"book {query} to {preferences['destination']}")
    return results

def personalize_results(results, user_history):
    # उदाहरण व्यक्तिगतकरण तर्क
    personalized = [result for result in results if result not in user_history]
    return personalized[:10]  # शीर्ष १० व्यक्तिगत परिणामहरू फिर्ता गर्नुहोस्

  2. उदाहरण प्रयोग

    travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
user_history = ["Louvre Museum website", "Book flight to Paris"]
query = "best museums in Paris"
results = search_with_intent(query, preferences, user_history)
print("Search Results:", results)

4. उपकरणको रूपमा कोड उत्पादन

कोड उत्पादन गर्ने एजेन्टहरूले AI मोडेलहरू प्रयोग गरेर कोड लेख्छन् र कार्यान्वयन गर्छन्, जटिल समस्याहरू समाधान गर्छन् र कार्यहरू स्वचालित गर्छन्।

कोड उत्पादन गर्ने एजेन्टहरू

कोड उत्पादन गर्ने एजेन्टहरूले उत्प्रेरक AI मोडेलहरू प्रयोग गरेर कोड लेख्छन् र कार्यान्वयन गर्छन्। यी एजेन्टहरूले विभिन्न प्रोग्रामिङ भाषाहरूमा कोड सिर्जना र चलाएर जटिल समस्याहरू समाधान गर्न, कार्यहरू स्वचालित गर्न, र महत्वपूर्ण सूचनाहरू प्रदान गर्न सक्छन्।

व्यावहारिक प्रयोगहरू

  1. स्वचालित कोड उत्पादन: विशिष्ट कार्यहरूको लागि कोड स्निपेटहरू उत्पादन गर्नुहोस्, जस्तै डाटा विश्लेषण, वेब स्क्र्यापिङ, वा मेशिन लर्निङ।
  2. RAG को रूपमा SQL: डेटाबेसहरूबाट डाटा प्राप्त गर्न र व्यवस्थापन गर्न SQL प्रश्नहरू प्रयोग गर्नुहोस्।
  3. समस्या समाधान: विशिष्ट समस्याहरू समाधान गर्न कोड सिर्जना र कार्यान्वयन गर्नुहोस्, जस्तै एल्गोरिदमहरू अनुकूलन गर्न वा डाटा विश्लेषण गर्न।

उदाहरण: डाटा विश्लेषणका लागि कोड उत्पादन गर्ने एजेन्ट

कल्पना गर्नुहोस् कि तपाईंले कोड उत्पादन गर्ने एजेन्ट डिजाइन गर्दै हुनुहुन्छ। यसरी काम गर्न सक्छ:

  1. कार्य: ट्रेन्ड र ढाँचाहरू पहिचान गर्न डाटा सेट विश्लेषण गर्नुहोस्।
  2. चरणहरू:
    • डाटा सेटलाई डाटा विश्लेषण उपकरणमा लोड गर्नुहोस्।
    • डाटा फिल्टर गर्न र समेकित गर्न SQL प्रश्नहरू बनाउनुस्।
    • प्रश्नहरू कार्यान्वयन गरी परिणामहरू प्राप्त गर्नुहोस्।
    • परिणामहरूको आधारमा भिजुअलाइजेसन र सूचनाहरू उत्पादन गर्नुहोस्।
  3. आवश्यक स्रोतहरू: डाटा सेट पहुँच, डाटा विश्लेषण उपकरणहरू, र SQL क्षमता।
  4. अनुभव: भूतपूर्व विश्लेषण परिणामहरू प्रयोग गरेर भविष्यका विश्लेषणहरूको शुद्धता र सान्दर्भिकता सुधार गर्नुहोस्।

उदाहरण: ट्राभल एजेन्टका लागि कोड उत्पादन गर्ने एजेन्ट

यस उदाहरणमा, हामीले ट्राभल योजना बनाउन प्रयोगकर्ताहरूलाई सहयोग गर्ने कोड उत्पादन गर्ने एजेन्ट, ट्राभल एजेन्ट डिजाइन गर्नेछौं जसले कोड उत्पादन र कार्यान्वयन गरेर कामहरू जस्तै यात्रा विकल्पहरू ल्याउने, परिणामहरू फिल्टर गर्ने, र एउटा यात्रा तालिका संकलन गर्ने गर्दछ।

कोड उत्पादन गर्ने एजेन्टको अवलोकन

  1. प्रयोगकर्ता प्राथमिकताहरू संकलन: गन्तव्य, यात्रा मिति, बजेट, र रुचिहरूको लागि प्रयोगकर्ता इनपुट सङ्कलन गर्छ।
  2. डाटा ल्याउन कोड उत्पादन: उडान, होटल, र आकर्षणहरूको बारेमा डाटा प्राप्त गर्न कोड स्निपेटहरू सिर्जना गर्छ।
  3. उत्पन्न कोड कार्यान्वयन: वास्तविक समयमा जानकारी ल्याउन कोड चलाउँछ।
  4. यात्रा तालिका उत्पादन: प्राप्त डाटालाई व्यक्तिगत यात्रा योजना बनाउन संकलन गर्छ।
  5. प्रतिक्रियाका आधारमा समायोजन: प्रयोगकर्ताको प्रतिक्रिया प्राप्त गर्दै आवश्यक परे पुनः कोड उत्पादन गरी नतिजाहरू सुधार गर्छ।

चरणवद्ध कार्यान्वयन

  1. प्रयोगकर्ता प्राथमिकताहरू संकलन

    class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

  2. डाटा ल्याउन कोड उत्पादन

    def generate_code_to_fetch_data(preferences):
    # उदाहरण: प्रयोगकर्ता प्राथमिकताहरूमा आधारित उडानहरू खोज्न कोड उत्पन्न गर्नुहोस्
    code = f"""
    def search_flights():
        import requests
        response = requests.get('https://api.example.com/flights', params={preferences})
        return response.json()
    """
    return code

def generate_code_to_fetch_hotels(preferences):
    # उदाहरण: होटेलहरू खोज्न कोड उत्पन्न गर्नुहोस्
    code = f"""
    def search_hotels():
        import requests
        response = requests.get('https://api.example.com/hotels', params={preferences})
        return response.json()
    """
    return code

  3. उत्पन्न कोड कार्यान्वयन

    def execute_code(code):
    # exec प्रयोग गरेर उत्पन्न कोड चलाउनुहोस्
    exec(code)
    result = locals()
    return result

travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
   
flight_code = generate_code_to_fetch_data(preferences)
hotel_code = generate_code_to_fetch_hotels(preferences)
   
flights = execute_code(flight_code)
hotels = execute_code(hotel_code)

print("Flight Options:", flights)
print("Hotel Options:", hotels)

  4. यात्रा तालिका उत्पादन

    def generate_itinerary(flights, hotels, attractions):
    itinerary = {
        "flights": flights,
        "hotels": hotels,
        "attractions": attractions
    }
    return itinerary

attractions = search_attractions(preferences)
itinerary = generate_itinerary(flights, hotels, attractions)
print("Suggested Itinerary:", itinerary)

  5. प्रतिक्रियाका आधारमा समायोजन

    def adjust_based_on_feedback(feedback, preferences):
    # प्रयोगकर्ता प्रतिक्रियाको आधारमा प्राथमिकताहरू समायोजन गर्नुहोस्
    if "liked" in feedback:
        preferences["favorites"] = feedback["liked"]
    if "disliked" in feedback:
        preferences["avoid"] = feedback["disliked"]
    return preferences

feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences)
   
# अद्यावधिक प्राथमिकताहरूसँग कोड पुन: उत्पन्न गर्नुहोस् र कार्यान्वयन गर्नुहोस्
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)
   
updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)
   
updated_itinerary = generate_itinerary(updated_flights, updated_hotels, attractions)
print("Updated Itinerary:", updated_itinerary)

वातावरणीय सचेतना र तर्कलाई प्रयोग गर्दै

तालिकाको स्कीमाको आधारमा प्रश्न उत्पादन प्रक्रियालाई वातावरणीय सचेतना र तर्क प्रयोग गरेर उन्नत बनाउन सकिन्छ।

यहाँ कसरी गर्न सकिन्छ भन्ने एउटा उदाहरण छ:

  1. स्कीमा बुझ्न: प्रणाली तालिकाको स्कीमा बुझ्छ र यस जानकारीलाई प्रश्न उत्पादनमा आधार बनाउँछ।
  2. प्रतिक्रियाको आधारमा समायोजन: सिस्टमले प्रतिक्रिया अनुसार प्रयोगकर्ता प्राथमिकताहरू समायोजन गर्छ र स्कीमाका कुन क्षेत्रहरू अपडेट गर्नुपर्ने हुन्छ तर्क गर्छ।
  3. प्रश्न उत्पादन र कार्यान्वयन: नयाँ प्राथमिकताहरूको आधारमा उडान र होटल डाटा ल्याउन प्रश्नहरू उत्पादन र कार्यान्वयन गर्छ।

यहाँ यी अवधारणाहरू समावेश गरिएको अद्यावधिक गरिएको Python कोडको उदाहरण छ:

def adjust_based_on_feedback(feedback, preferences, schema):
    # प्रयोगकर्ता प्रतिक्रियाको आधारमा प्राथमिकताहरू समायोजन गर्नुहोस्
    if "liked" in feedback:
        preferences["favorites"] = feedback["liked"]
    if "disliked" in feedback:
        preferences["avoid"] = feedback["disliked"]
    # अन्य सम्बन्धित प्राथमिकताहरू समायोजन गर्न स्कीमामा आधारित तर्क
    for field in schema:
        if field in preferences:
            preferences[field] = adjust_based_on_environment(feedback, field, schema)
    return preferences

def adjust_based_on_environment(feedback, field, schema):
    # स्कीमा र प्रतिक्रियाको आधारमा प्राथमिकताहरू समायोजन गर्न कस्टम तर्क
    if field in feedback["liked"]:
        return schema[field]["positive_adjustment"]
    elif field in feedback["disliked"]:
        return schema[field]["negative_adjustment"]
    return schema[field]["default"]

def generate_code_to_fetch_data(preferences):
    # अद्यावधिक प्राथमिकताहरूको आधारमा उडान डाटा ल्याउन कोड उत्पन्न गर्नुहोस्
    return f"fetch_flights(preferences={preferences})"

def generate_code_to_fetch_hotels(preferences):
    # अद्यावधिक प्राथमिकताहरूको आधारमा होटल डाटा ल्याउन कोड उत्पन्न गर्नुहोस्
    return f"fetch_hotels(preferences={preferences})"

def execute_code(code):
    # कोडको कार्यान्वयन सिमुलेट गर्नुहोस् र नक्कली डाटा फर्काउनुहोस्
    return {"data": f"Executed: {code}"}

def generate_itinerary(flights, hotels, attractions):
    # उडान, होटल, र आकर्षणको आधारमा यात्रा तालिका तयार गर्नुहोस्
    return {"flights": flights, "hotels": hotels, "attractions": attractions}

# उदाहरण स्कीमा
schema = {
    "favorites": {"positive_adjustment": "increase", "negative_adjustment": "decrease", "default": "neutral"},
    "avoid": {"positive_adjustment": "decrease", "negative_adjustment": "increase", "default": "neutral"}
}

# उदाहरण प्रयोग
preferences = {"favorites": "sightseeing", "avoid": "crowded places"}
feedback = {"liked": ["Louvre Museum"], "disliked": ["Eiffel Tower (too crowded)"]}
updated_preferences = adjust_based_on_feedback(feedback, preferences, schema)

# अद्यावधिक प्राथमिकताहरूसँग कोड पुनः उत्पन्न र कार्यान्वयन गर्नुहोस्
updated_flight_code = generate_code_to_fetch_data(updated_preferences)
updated_hotel_code = generate_code_to_fetch_hotels(updated_preferences)

updated_flights = execute_code(updated_flight_code)
updated_hotels = execute_code(updated_hotel_code)

updated_itinerary = generate_itinerary(updated_flights, updated_hotels, feedback["liked"])
print("Updated Itinerary:", updated_itinerary)

व्याख्या - प्रतिक्रियाको आधारमा बुकिंग

  1. स्कीमा सचेतना: schema शब्दकोशले कसरी प्रतिक्रिया अनुसार प्राथमिकताहरू समायोजन गर्नुपर्छ परिभाषित गर्छ। यसमा favorites र avoid जस्ता क्षेत्रहरू र तिनीहरूको अनुरूप समायोजनहरू समावेश छन्।
  2. प्राथमिकता समायोजन (adjust_based_on_feedback मेथड): यो मेथडले प्रयोगकर्ताको प्रतिक्रिया र स्कीमाको आधारमा प्राथमिकताहरू समायोजन गर्छ।
  3. पर्यावरण आधारित समायोजन (adjust_based_on_environment मेथड): यो मेथडले स्कीमा र प्रतिक्रियाको आधारमा समायोजनहरू अनुकूलन गर्छ।
  4. प्रश्न उत्पादन र कार्यान्वयन: प्रणालीले समायोजित प्राथमिकताहरूको आधारमा उडान र होटल डाटा ल्याउन कोड उत्पादन गर्दै प्रश्नहरू चलाउने नक्कल गर्छ।
  5. यात्रा तालिका उत्पादन: नयाँ उडान, होटल, र आकर्षण डाटाको आधारमा अद्यावधिक यात्रा तालिका बनाउँछ।

प्रणाली वातावरण-सचेत र स्कीमा आधारित तर्क राख्दा, यसले अधिक शुद्ध र सान्दर्भिक प्रश्नहरू उत्पन्न गर्न सक्छ, जसले राम्रो यात्रा सिफारिसहरू र व्यक्तिगत प्रयोगकर्ता अनुभव प्रदान गर्छ।

SQL लाई Retrieval-Augmented Generation (RAG) प्रविधिको रूपमा प्रयोग गर्नु

SQL (Structured Query Language) डेटाबेसहरूसँग अन्तरक्रिया गर्ने शक्तिशाली उपकरण हो। Retrieval-Augmented Generation (RAG) दृष्टिकोणको भागको रूपमा प्रयोग गर्दा, SQL ले डेटाबेसबाट सान्दर्भिक डाटा प्राप्त गरेर AI एजेन्टहरूमा प्रतिक्रियाहरू वा क्रियाहरू उत्पन्न गर्न सहयोग गर्छ। ट्राभल एजेन्ट सन्दर्भमा SQL लाई RAG प्रविधिको रूपमा कसरी प्रयोग गर्ने भन्ने कुरा बुझौं।

मुख्य अवधारणाहरू

  1. डेटाबेस अन्तरक्रिया:
    • SQL डेटाबेस क्वेरी गर्न, सान्दर्भिक सूचना प्राप्त गर्न, र डाटालाई सम्हाल्न प्रयोग हुन्छ।
    • उदाहरण: ट्राभल डेटाबेसबाट उडान विवरण, होटल सूचना, र आकर्षण प्राप्त गर्नु।
  2. RAG सँग एकिकरण:
    • SQL प्रश्नहरू प्रयोगकर्ता इनपुट र प्राथमिकताहरूको आधारमा उत्पन्न हुन्छन्।
    • प्राप्त डाटा तब व्यक्तिगत सिफारिसहरू वा क्रियाहरू उत्पन्न गर्न प्रयोग हुन्छ।
  3. डायनामिक प्रश्न उत्पादन:
    • AI एजेन्टले प्रसङ्ग र प्रयोगकर्ताका आवश्यकताअनुसार डायनामिक SQL प्रश्नहरू उत्पन्न गर्छ।
    • उदाहरण: बजेट, मिति, र रुचिहरूको आधारमा परिणाम फिल्टर गर्न SQL प्रश्न अनुकूलन।

प्रयोगहरू

उदाहरण: एउटा डाटा विश्लेषण एजेन्ट:

  1. कार्य: ट्रेन्डहरू पत्ता लगाउन डाटा सेट विश्लेषण गर्नुहोस्।
  2. चरणहरू:
    • डाटा सेट लोड गर्नुहोस्।
    • डाटा फिल्टर गर्न SQL प्रश्नहरू उत्पन्न गर्नुहोस्।
    • प्रश्नहरू कार्यान्वयन गरेर परिणामहरू प्राप्त गर्नुहोस्।
    • भिजुअलाइजेसन र सूचनाहरू उत्पादन गर्नुहोस्।
  3. स्रोतहरू: डाटा सेट पहुँच, SQL क्षमता।
  4. अनुभव: भूतपूर्व परिणामहरू प्रयोग गरेर भविष्यका विश्लेषणहरू सुधार गर्नुहोस्।

व्यावहारिक उदाहरण: ट्राभल एजेन्टमा SQL प्रयोग

  1. प्रयोगकर्ता प्राथमिकताहरू सङ्कलन

    class Travel_Agent:
    def __init__(self):
        self.user_preferences = {}

    def gather_preferences(self, preferences):
        self.user_preferences = preferences

  2. SQL प्रश्नहरू उत्पादन

    def generate_sql_query(table, preferences):
    query = f"SELECT * FROM {table} WHERE "
    conditions = []
    for key, value in preferences.items():
        conditions.append(f"{key}='{value}'")
    query += " AND ".join(conditions)
    return query

  3. SQL प्रश्नहरू कार्यान्वयन

    import sqlite3

def execute_sql_query(query, database="travel.db"):
    connection = sqlite3.connect(database)
    cursor = connection.cursor()
    cursor.execute(query)
    results = cursor.fetchall()
    connection.close()
    return results

  4. सिफारिसहरू उत्पादन

    def generate_recommendations(preferences):
    flight_query = generate_sql_query("flights", preferences)
    hotel_query = generate_sql_query("hotels", preferences)
    attraction_query = generate_sql_query("attractions", preferences)
       
    flights = execute_sql_query(flight_query)
    hotels = execute_sql_query(hotel_query)
    attractions = execute_sql_query(attraction_query)
       
    itinerary = {
        "flights": flights,
        "hotels": hotels,
        "attractions": attractions
    }
    return itinerary

travel_agent = Travel_Agent()
preferences = {
    "destination": "Paris",
    "dates": "2025-04-01 to 2025-04-10",
    "budget": "moderate",
    "interests": ["museums", "cuisine"]
}
travel_agent.gather_preferences(preferences)
itinerary = generate_recommendations(preferences)
print("Suggested Itinerary:", itinerary)

SQL प्रश्नहरूको उदाहरण

  1. उडान प्रश्न

    SELECT * FROM flights WHERE destination='Paris' AND dates='2025-04-01 to 2025-04-10' AND budget='moderate';

  2. होटल प्रश्न

    SELECT * FROM hotels WHERE destination='Paris' AND budget='moderate';

  3. आकर्षण प्रश्न

    SELECT * FROM attractions WHERE destination='Paris' AND interests='museums, cuisine';

Retrieval-Augmented Generation (RAG) प्रविधिको रूपमा SQL को प्रयोग गरेर, ट्राभल एजेन्ट जस्ता AI एजेन्टहरूले सान्दर्भिक डाटा गतिशील रूपमा प्राप्त गरी सही र व्यक्तिगत सिफारिसहरू प्रदान गर्न सक्छन्।

Metacognition को उदाहरण

त्यसैले metacognition को कार्यान्वयन प्रदर्शन गर्न, समस्या समाधान गर्दा आफ्नो निर्णय प्रक्रियामा आत्म-परावर्तन गर्ने एउटा साधारण एजेन्ट बनाऔं। यस उदाहरणका लागि, हामी एउटा प्रणाली निर्माण गर्नेछौं जहाँ एजेन्टले होटल छनोटलाई अनुकूलन गर्न प्रयास गर्छ, तर त्यसपछि आफ्नै तर्कलाई मूल्याङ्कन गरेर त्रुटि वा उपयुक्त नभएका छनोटहरू हुँदा आफ्नो रणनीति समायोजन गर्छ।

हामीले एउटा आधारभूत उदाहरणको प्रयोग गर्नेछौं जहाँ एजेन्ट मूल्य र गुणस्तरको संयोजनमा आधारित होटलहरू चयन गर्छ, तर आफ्नो निर्णयमा “प्रतिबिम्बन” गरी तदनुसार समायोजन गर्छ।

यसले metacognition कसरी देखाउँछ:

  1. प्रारम्भिक निर्णय: एजेन्टले गुणस्तर प्रभाव नबुझेको भए पनि सबैभन्दा सस्तो होटल छनोट गर्छ।
  2. प्रतिबिम्बन र मूल्याङ्कन: सुरुको छनोट पछि, एजेन्टले प्रयोगकर्ता प्रतिक्रियाको आधारमा होटल “खराब” छनोट हो कि होइन जाँच गर्छ। यदि होटलको गुणस्तर धेरै कम भयो भने, आफ्नो तर्कमा प्रतिबिम्बन गर्छ।
  3. रणनीति समायोजन: एजेन्टले आफ्नो प्रतिबिम्बनको आधारमा रणनीति समायोजन गरेर “सबैभन्दा सस्तो” बाट “सबैभन्दा गुणस्तरयुक्त” मा स्विच गर्छ, जसले भविष्यमा निर्णय प्रक्रियालाई सुधार गर्छ।

यहाँ एउटा उदाहरण छ:

class HotelRecommendationAgent:
    def __init__(self):
        self.previous_choices = []  # पहिले छनोट गरिएका होटेलहरू सङ्ग्रह गर्दछ
        self.corrected_choices = []  # सुधार गरिएका छनोटहरू सङ्ग्रह गर्दछ
        self.recommendation_strategies = ['cheapest', 'highest_quality']  # उपलब्ध रणनीतिहरू

    def recommend_hotel(self, hotels, strategy):
        """
        Recommend a hotel based on the chosen strategy.
        The strategy can either be 'cheapest' or 'highest_quality'.
        """
        if strategy == 'cheapest':
            recommended = min(hotels, key=lambda x: x['price'])
        elif strategy == 'highest_quality':
            recommended = max(hotels, key=lambda x: x['quality'])
        else:
            recommended = None
        self.previous_choices.append((strategy, recommended))
        return recommended

    def reflect_on_choice(self):
        """
        Reflect on the last choice made and decide if the agent should adjust its strategy.
        The agent considers if the previous choice led to a poor outcome.
        """
        if not self.previous_choices:
            return "No choices made yet."

        last_choice_strategy, last_choice = self.previous_choices[-1]
        # मानौं हामीसँग प्रयोगकर्ता प्रतिक्रिया छ जसले हामीलाई अन्तिम छनोट राम्रो थियो वा होइन भनेर बताउछ
        user_feedback = self.get_user_feedback(last_choice)

        if user_feedback == "bad":
            # यदि अघिल्लो छनोट असन्तोषजनक भयो भने रणनीति समायोजन गर्नुहोस्
            new_strategy = 'highest_quality' if last_choice_strategy == 'cheapest' else 'cheapest'
            self.corrected_choices.append((new_strategy, last_choice))
            return f"Reflecting on choice. Adjusting strategy to {new_strategy}."
        else:
            return "The choice was good. No need to adjust."

    def get_user_feedback(self, hotel):
        """
        Simulate user feedback based on hotel attributes.
        For simplicity, assume if the hotel is too cheap, the feedback is "bad".
        If the hotel has quality less than 7, feedback is "bad".
        """
        if hotel['price'] < 100 or hotel['quality'] < 7:
            return "bad"
        return "good"

# होटेलहरूको सूची नक्कल गर्नुहोस् (मूल्य र गुणस्तर)
hotels = [
    {'name': 'Budget Inn', 'price': 80, 'quality': 6},
    {'name': 'Comfort Suites', 'price': 120, 'quality': 8},
    {'name': 'Luxury Stay', 'price': 200, 'quality': 9}
]

# एउटा एजेन्ट सिर्जना गर्नुहोस्
agent = HotelRecommendationAgent()

# चरण १: एजेन्टले "सबैभन्दा सस्तो" रणनीति प्रयोग गरेर होटेल सिफारिस गर्छ
recommended_hotel = agent.recommend_hotel(hotels, 'cheapest')
print(f"Recommended hotel (cheapest): {recommended_hotel['name']}")

# चरण २: एजेन्टले छनोटमा पुनर्विचार गर्छ र आवश्यक भएमा रणनीति समायोजन गर्छ
reflection_result = agent.reflect_on_choice()
print(reflection_result)

# चरण ३: एजेन्टले फेरि सिफारिस गर्छ, यस पटक समायोजित रणनीति प्रयोग गरेर
adjusted_recommendation = agent.recommend_hotel(hotels, 'highest_quality')
print(f"Adjusted hotel recommendation (highest_quality): {adjusted_recommendation['name']}")

एजेन्टको Metacognition क्षमताहरू

यहाँ मुख्य कुरा एजेन्टको क्षमता हो:

यो metacognition को एउटा सरल रूप हो जहाँ प्रणाली आन्तरिक प्रतिक्रियाको आधारमा आफ्नो तर्क प्रक्रियालाई समायोजन गर्न सक्छ।

निष्कर्ष

Metacognition एक शक्तिशाली उपकरण हो जसले AI एजेन्टहरूको क्षमता महत्वपूर्ण रूपमा बढाउन सक्छ। Metacognitive प्रक्रियाहरू समावेश गरेर, तपाईं बुद्धिमान, अनुकूलनशील, र प्रभावकारी एजेन्टहरू डिजाइन गर्न सक्नुहुन्छ। थप स्रोतहरू प्रयोग गरेर AI एजेन्टहरूमा metacognition को रोचक संसार थप अन्वेषण गर्नुहोस्।

Metacognition Design Pattern सम्बन्धी थप प्रश्नहरू छ?

अन्य सिकाइताहरूसँग भेट गर्न, अफिस आवरहरूमा भाग लिन, र तपाईंका AI एजेन्ट सम्बन्धी प्रश्नहरू सोध्न Microsoft Foundry Discord मा सहभागी हुनुहोस्।

अघिल्लो पाठ

बहु-एजेन्ट डिजाइन ढाँचा

अर्को पाठ

उत्पादनमा AI एजेन्टहरू

अस्वीकरण: यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरेर अनुवाद गरिएको हो। हामी सही हुन प्रयास गर्छौं, तर कृपया जानकार हुनुस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। मूल दस्तावेज़ यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलत बुझाइ वा त्रुटिको लागि हामी जिम्मेवार छैनौं।

This site is open source. Improve this page.