ai-agents-for-beginners
AI एजेन्टहरूको लागि मेमोरी
AI एजेन्टहरू सिर्जना गर्दा विशेष फाइदाहरूको चर्चा गर्दा मुख्य रूपमा दुई कुरा छलफल गरिन्छ: कार्यहरू पूरा गर्न उपकरणहरू कल गर्न सक्षम हुनु र समयसँगै सुधार गर्ने क्षमता। एउटा आत्म-सुधार गर्ने एजेन्ट सिर्जना गर्ने आधारशिला मेमोरी हो जसले हाम्रो प्रयोगकर्ताहरूका लागि राम्रो अनुभव सिर्जना गर्न सक्छ।
यस पाठमा, हामी AI एजेन्टहरूको लागि मेमोरी के हो र हामी यसलाई कसरी व्यवस्थापन गर्न सक्छौं र हाम्रा अनुप्रयोगहरूको लाभका लागि कसरी प्रयोग गर्ने बारेमा हेर्नेछौं।
परिचय
यस पाठले निम्न विषयहरू समेट्नेछ:
• AI एजेन्ट मेमोरी बुझ्नु: मेमोरी के हो र एजेन्टहरूको लागि किन आवश्यक छ।
• मेमोरीको कार्यान्वयन र भण्डारण: तपाईंका AI एजेन्टहरूमा मेमोरी क्षमताहरू थप्ने व्यवहारिक विधिहरू, छोटो अवधिको र दीर्घकालीन मेमोरीमा केन्द्रित।
• AI एजेन्टहरूलाई आत्म-सुधार गर्ने बनाउनु: मेमोरीले एजेन्टहरूलाई अघिल्लो अन्तरक्रियाबाट सिक्न र समयसँगै सुधार गर्न कसरी सक्षम बनाउँछ।
उपलब्ध कार्यान्वयनहरू
यस पाठमा दुई व्यापक नोटबुक ट्युटोरियलहरू समावेश छन्:
• 13-agent-memory.ipynb: Mem0 र Azure AI Search लाई Semantic Kernel फ्रेमवर्कसँग प्रयोग गरेर मेमोरी कार्यान्वयन गर्दछ
• 13-agent-memory-cognee.ipynb: Cognee प्रयोग गरेर संरचित मेमोरी कार्यान्वयन गर्दछ, स्वत: ज्ञान ग्राफ निर्माण गरेर इम्बेडिङ्सद्वारा समर्थित, ग्राफ दृश्याकरण, र बुद्धिमत्तापूर्वक पुन: प्राप्ति गर्दछ
सिकाइ लक्ष्यहरू
यस पाठ पूरा गरेपछि, तपाईं जान्ने हुनुहुनेछ कसरी:
• AI एजेन्ट मेमोरीका विभिन्न प्रकारहरू बीच फरक पार्ने, जसमा कार्यशील, छोटो अवधिको, र दीर्घकालीन मेमोरी समावेश छन्, साथै विशेष प्रकारहरू जस्तै पर्सोना र एपिसोडिक मेमोरी।
• Semantic Kernel फ्रेमवर्क प्रयोग गरी AI एजेन्टहरूको लागि छोटो अवधिको र दीर्घकालीन मेमोरी कार्यान्वयन र व्यवस्थापन गर्ने, Mem0, Cognee, Whiteboard मेमोरी जस्ता उपकरणहरू लाभ उठाउँदै, र Azure AI Searchसँग एकीकृत गर्दै।
• आत्म-सुधार गर्ने AI एजेन्टहरूको सिद्धान्तहरू बुझ्ने र कसरी मजबूत मेमोरी व्यवस्थापन प्रणालीहरूले निरन्तर सिकाइ र अनुकूलनमा योगदान पुर्याउँछन्।
AI एजेन्ट मेमोरी बुझ्नु
मूल रूपमा, AI एजेन्टहरूको लागि मेमोरीले तिनीहरूलाई सूचना राख्न र सम्झन सक्षम गर्ने माध्यमहरूलाई जनाउँछ। यो जानकारी वार्तालापको विशिष्ट विवरण, प्रयोगकर्ताको प्राथमिकताहरू, अघिल्लो क्रियाकलापहरू, वा सिकिएका ढाँचाहरू हुन सक्छ।
मेमोरी बिना, AI अनुप्रयोगहरू प्रायः स्टेटलेस हुन्छन्, जसको अर्थ हरेक अन्तरक्रिया नयाँबाट सुरु हुन्छ। यसले प्रयोगकर्ताको जिज्ञासा र निराशा पैदा गर्ने दोहोरिएको र अप्ठ्यारो अनुभव बनाउँछ जहाँ एजेन्टले अघिल्लो सन्दर्भ वा प्राथमिकताहरू “भुल्छ”।
मेमोरी किन महत्त्वपूर्ण छ?
एजेन्टको बुद्धिमत्ता यसको अघिल्लो जानकारी सम्झने र प्रयोग गर्ने क्षमतासँग गहिरो सम्बन्धित छ। मेमोरीले एजेन्टहरूलाई:
• प्रतिबिम्बित: अघिल्लो क्रियाकलाप र परिणामबाट सिक्न।
• अन्तरक्रियात्मक: चलिरहेको सम्वादमा सन्दर्भ कायम राख्न।
• पूर्वसूचित र प्रतिक्रिया दिने: ऐतिहासिक डाटामा आधारित आवश्यकतालाई अनुमान लगाउन वा ठीक उत्तर दिन।
• स्वतन्त्र: संग्रहित ज्ञानबाट आत्मनिर्भर रूपमा सञ्चालन गर्न।
मेमोरी कार्यान्वयन गर्ने उद्देश्य एजेन्टहरूलाई थप भरपर्दो र सक्षम बनाउन हो।
मेमोरीका प्रकारहरू
कार्यशील मेमोरी
यसलाई एजेन्टले एउटा चलिरहेको एकल कार्य वा सोच प्रक्रियाको दौरान प्रयोग गर्ने स्क्र्याच कागजको टुक्रा जस्तो सोच्नुहोस्। यसले अर्को कदम गणना गर्न तत्काल आवश्यक जानकारी राख्दछ।
AI एजेन्टहरूको लागि, कार्यशील मेमोरी प्रायः वार्तालापबाट सबैभन्दा सान्दर्भिक जानकारी समात्छ, चाहे सम्पूर्ण च्याट इतिहास लामो वा छोटिएको किन नहोस्। यसले आवश्यक पहिचान, प्रस्तावहरू, निर्णयहरू, र क्रियाकलापहरू जस्ता मुख्य अंशहरू निकाल्नमा केन्द्रित हुन्छ।
कार्यशील मेमोरी उदाहरण
एक यात्रा बुकिंग एजेन्टमा, कार्यशील मेमोरीले प्रयोगकर्ताको हालको अनुरोध जस्तै “म पेरिस जानको लागि यात्रा बुक गर्न चाहन्छु” समात्छ। यो विशिष्ट आवश्यकता एजेन्टको तत्काल सन्दर्भमा राखिन्छ जसले वर्तमान अन्तरक्रिया मार्गदर्शन गर्छ।
छोटो अवधिको मेमोरी
यो प्रकारको मेमोरी एकल वार्तालाप वा सत्रको अवधिभर जानकारी राख्छ। यो वर्तमान च्याटको सन्दर्भ हो, जसले एजेन्टलाई संवादका अघिल्ला चरणहरूमा फर्केर हेर्न अनुमति दिन्छ।
छोटो अवधिको मेमोरी उदाहरण
यदि प्रयोगकर्ताले सोध्छ, “पेरिसको लागि फ्लाइटको लागत कति हुन्छ?” र त्यसपछि “त्यहाँ आवासको कस्तो व्यवस्थ छ?”, छोटो अवधिको मेमोरीले सुनिश्चित गर्छ कि एजेन्टलाई थाहा छ “त्यहाँ” भन्ने शब्दले सोही वार्तालाप भित्र “पेरिस” जनाउँछ।
दीर्घकालीन मेमोरी
यो प्रकारको सूचना धेरै वार्तालाप वा सत्रहरूमा रहने गर्दछ। यसले एजेन्टहरूलाई प्रयोगकर्ताका प्राथमिकताहरू, ऐतिहासिक अन्तरक्रिया, वा सामान्य ज्ञानको लामो अवधिको सम्झना राख्न मद्दत गर्छ। यो पर्सनलाइजेशनको लागि महत्त्वपूर्ण छ।
दीर्घकालीन मेमोरी उदाहरण
दीर्घकालीन मेमोरीले राख्न सक्छ कि “बेन स्कीइङ र बाहिरी गतिविधिहरू मन पराउँछ, पहाडको दृश्यसहित कफी मन पराउँछ, र अघिल्लो चोटका कारण उन्नत स्की ढलानहरूबाट बच्न चाहन्छ”। अघिल्ला अन्तरक्रियाबाट सिकिएको यो जानकारी भविष्यका यात्रा योजना सत्रहरूमा अत्यन्त व्यक्तिगत सुझावहरू दिनेछ।
पर्सोना मेमोरी
यो विशेष प्रकारको मेमोरीले एजेन्टलाई एक सुसंगत “व्यक्तित्व” वा “पर्सोना” विकास गर्न मद्दत गर्छ। यसले एजेन्टलाई आफैं वा यसको लक्षित भूमिकाको विवरण सम्झन अनुमति दिन्छ, जसले अन्तरक्रियालाई थप प्रवाहपूर्ण र केन्द्रित बनाउँछ।
पर्सोना मेमोरी उदाहरण
यदि यात्रा एजेन्टलाई “विशेषज्ञ स्की योजनाकार” बन्न डिजाइन गरिएको छ भने, पर्सोना मेमोरीले यस भूमिकालाई बलियो बनाउन सक्छ, र यसको प्रतिक्रियाहरूलाई विशेषज्ञको टोन र ज्ञानसँग मेल खाने बनाउँछ।
कार्यप्रवाह/एपिसोडिक मेमोरी
यो मेमोरीले जटिल कार्यको क्रममा एजेन्टले लिएका कदमहरूको अनुक्रम राख्छ, सफलताहरू र असफलताहरू सहित। यो विशेष “एपिसोडहरू” वा विगतका अनुभवहरूलाई सम्झने जस्तै हो जसबाट सिक्न सकिन्छ।
एपिसोडिक मेमोरी उदाहरण
यदि एजेन्टले कुनै विशेष फ्लाइट बुक गर्न प्रयास गर्यो तर उपलब्धताका कारण असफल भयो भने, एपिसोडिक मेमोरीले यस असफलतालाई अभिलेखित गर्न सक्छ, जसले पछि अर्को प्रयासमा वैकल्पिक फ्लाइटहरू प्रयास गर्न वा प्रयोगकर्तालाई सूचित गर्न एजेन्टलाई सक्षम बनाउँछ।
संस्था मेमोरी
यसमा वार्तालापहरूबाट विशिष्ट संस्था (जस्तै व्यक्ति, स्थान, वा वस्तुहरू) र घटनाहरू निकालेर सम्झने समावेश छ। यसले एजेन्टलाई छलफल गरिएका मुख्य तत्त्वहरूको संरचित समझ विकास गर्न अनुमति दिन्छ।
संस्था मेमोरी उदाहरण
अघिल्लो यात्राको बारेमा वार्तालापबाट, एजेन्टले “पेरिस,” “एउफिल टावर,” र “ले श्याट न्वार रेस्टुरेन्टमा डिनर” लाई संस्था रूपमा निकाल्न सक्छ। भविष्यको अन्तरक्रियामा, एजेन्टले “ले श्याट न्वार” सम्झनेछ र त्यहाँ नयाँ आरक्षण बनाउन प्रस्ताव गर्न सक्छ।
संरचित RAG (Retrieval Augmented Generation)
RAG व्यापक प्रविधि हो भने, “संरचित RAG” एक शक्तिशाली मेमोरी प्रविधिको रूपमा उल्लेख गरिएको छ। यसले विभिन्न स्रोतहरू (वार्तालाप, इमेल, तस्बिरहरू) बाट घना, संरचित जानकारी निकाल्छ र प्रतिक्रिया दिने क्रममा स्पष्टता, सम्झना, र गति बढाउन प्रयोग गर्छ। क्लासिक RAG जुन केवल सेम्यान्टिक समानतामा भर पर्छ भन्दा फरक, संरचित RAGले जानकारीको स्वाभाविक संरचनासँग काम गर्छ।
संरचित RAG उदाहरण
शब्द मिलाउनुको सट्टा, संरचित RAG ले इमेलबाट फ्लाइट विवरण (गन्तव्य, मिति, समय, एयरलाइन) पार्स गर्न सक्छ र तिनीहरूलाई संरचित तरिकाले भण्डारण गर्न सक्छ। यसले “म मंगलबार पेरिस जानको लागि कुन फ्लाइट बुक गरेँ?” जस्ता ठोस प्रश्नहरूको जवाफ दिन सक्षम बनाउँछ।
मेमोरी कार्यान्वयन र भण्डारण
AI एजेन्टहरूको मेमोरी कार्यान्वयनले व्यवस्थित प्रक्रिया समावेश गर्दछ जुन मेमोरी व्यवस्थापन हो, जसमा सृजना, भण्डारण, पुन: प्राप्ति, एकीकरण, अद्यावधिक, र यहाँसम्म कि “भुल्ने” (वा मेट्ने) समावेश छन्। पुन: प्राप्ति विशेषगरी महत्वपूर्ण हुन्छ।
विशेष मेमोरी उपकरणहरू
Mem0
एजेन्ट मेमोरी भण्डारण र व्यवस्थापन गर्ने एउटा तरिका भनेको Mem0 जस्ता विशेष उपकरणहरूको प्रयोग हो। Mem0 एउटा दिर्घकालीन मेमोरी तहको रूपमा काम गर्दछ, जसले एजेन्टहरूलाई सान्दर्भिक अन्तरक्रियाहरू सम्झन, प्रयोगकर्ता प्राथमिकताहरू र तथ्यात्मक सन्दर्भहरू भण्डारण गर्न, र सफलताको तथा असफलताको बाट सिक्न मद्दत गर्दछ। कल्पना यस्तो छ कि स्टेटलेस एजेन्टहरूलाई स्टेटफुल एजेन्टहरूमा परिणत गरिन्छ।
यो दुई-चरण मेमोरी पाइपलाइन: निष्कर्षण र अद्यावधिक मार्फत काम गर्छ। पहिले, एजेन्टको थ्रेडमा थपिएका सन्देशहरू Mem0 सेवामा पठाइन्छन्, जहाँ ठूलो भाषा मोडेल (LLM) ले वार्तालाप इतिहास संक्षेप गर्दछ र नयाँ मेमोरीहरू निकाल्छ। त्यसपछि, LLM-चालित अद्यावधिक चरणले यी मेमोरीहरू थप्ने, सुधार गर्ने, वा मेट्ने निर्णय गर्दछ, र तिनीहरूलाई भेक्टर, ग्राफ, र कुंजी-मूल्य डेटाबेसहरू सहित हाइब्रिड डेटास्टोरमा भण्डारण गर्दछ। यो प्रणाली विभिन्न मेमोरी प्रकारहरूसँग समर्थित छ र संस्था मेमोरी व्यवस्थापनका लागि ग्राफ मेमोरी समावेश गर्न सक्छ।
Cognee
अर्को शक्तिशाली विधि भनेको Cognee को प्रयोग हो, जुन AI एजेन्टहरूको लागि एक खुला स्रोत सेम्यान्टिक मेमोरी हो जसले संरचित र असंरचित डेटा क्वेरीयोग्य ज्ञान ग्राफहरूमा रूपान्तरण गर्छ जुन इम्बेडिङ्सद्वारा समर्थित हुन्छ। Cognee ले द्वैध भण्डारण वास्तुकला प्रदान गर्दछ जसले भेक्टर समानता खोजलाई ग्राफ सम्बन्धहरूसँग जोड्छ, जसले एजेन्टहरूलाई मात्र जानकारी समान छैन भन्न मात्रै हैन, तर अवधारणाहरू कसरी सम्बन्धित छन् त्यो बुझ्न सक्षम बनाउँछ।
यो हाइब्रिड पुन: प्राप्तिमा उत्कृष्ट छ जसले भेक्टर समानता, ग्राफ संरचना, र LLM तर्कको मिश्रण गर्दछ - कच्चा खण्ड खोजबाट ग्राफ-सचेत प्रश्न उत्तरसम्म। यो प्रणाली जिन्दा मेमोरी कायम राख्छ जुन विकासशील र बढ्दो रहन्छ र एक संयुक्त ग्राफको रूपमा क्वेरी योग्य हुन्छ, छोटो अवधिको सत्र सन्दर्भ र दीर्घकालीन दिर्घकालीन मेमोरी दुवैलाई समर्थन गर्छ।
Cognee नोटबुक ट्युटोरियल (13-agent-memory-cognee.ipynb)ले यो एकीकृत मेमोरी तह निर्माण देखाउँदछ, विविध डेटा स्रोतहरू इन्टेक गर्ने व्यवहारिक उदाहरणहरू, ज्ञान ग्राफ दृश्याकरण, र विभिन्न खोज रणनीतिहरूसँग क्वेरी गर्ने तरिकाहरू प्रदर्शन गर्दै।
RAG मार्फत मेमोरी भण्डारण
Mem0 जस्ता विशेष मेमोरी उपकरणहरूसँगै, तपाईंले Azure AI Search लाई मेमोरी भण्डारण र पुन: प्राप्तिको ब्याकएन्डको रूपमा प्रयोग गर्न सक्नुहुन्छ, विशेष गरी संरचित RAG को लागि।
यसले तपाईंको एजेन्टका प्रतिक्रियाहरूलाई आफ्नै डाटामा आधार दिलाउन मद्दत गर्दछ, जसले अझ सान्दर्भिक र सही उत्तर सुनिश्चित गर्छ। Azure AI Search प्रयोगकर्तालाई विशिष्ट यात्रा मेमोरीहरू, उत्पादन सूचीहरू, वा कुनै अन्य डोमेन-विशेष ज्ञान भण्डारण गर्न प्रयोग गर्न सकिन्छ।
Azure AI Search ले संरचित RAG जस्ता क्षमता समर्थन गर्दछ, जुन ठूलो डाटासेट जस्ता वार्तालाप इतिहास, इमेल, वा तस्बिरहरूबाट घना, संरचित जानकारी निकाल्न र पुनः प्राप्त गर्न दक्ष छ। यसले पारम्परिक टेक्स्ट खण्डीकरण र इम्बेडिङ् विधिहरूको तुलनामा “अतिमानवीय स्पष्टता र सम्झना” प्रदान गर्दछ।
AI एजेन्टहरूको आत्म-सुधार बनाउने
आत्म-सुधार गर्ने एजेन्टहरूको लागि सामान्य ढाँचा भनेको “ज्ञान एजेन्ट” परिचय गराउनु हो। यो छुट्टै एजेन्ट प्रयोगकर्ता र मुख्य एजेन्टबीचको मुख्य वार्तालाप निरीक्षण गर्छ। यसको भूमिका हो:
-
मूल्यवान जानकारी पहिचान गर्नु: वार्तालापको कुनै भाग सामान्य ज्ञान वा विशिष्ट प्रयोगकर्ता प्राथमिकताका रूपमा बचत योग्य छ कि छैन थाहा लगाउनु।
-
निष्कर्षण र संक्षेपण गर्नु: वार्तालापबाट आवश्यक ज्ञान वा प्राथमिकता सङ्कलन गर्नु।
-
ज्ञान आधारमा भण्डारण गर्नु: यो निकालेको जानकारी भेक्टर डेटाबेसमा राख्नु ताकि पछि पुन: प्राप्त गर्न सकियोस्।
-
भविष्यका क्वेरीहरूमा वृद्धि गर्नु: प्रयोगकर्ताले नयाँ क्वेरी सुरु गर्दा, ज्ञान एजेन्टले सान्दर्भिक सूचनाहरू पुन: प्राप्त गरी प्रयोगकर्ताको प्रम्प्टमा थप्छ, मुख्य एजेन्टलाई आवश्यक सन्दर्भ दिन्छ (RAG जस्तै)।
मेमोरीका लागि अनुकूलनहरू
• ढिलाइ व्यवस्थापन: प्रयोगकर्ता अन्तरक्रियाहरू ढिलो नहोस् भनेर, सुरुमै सस्तो र छिटो मोडेल प्रयोग गरेर छिटो जाँच गर्न सकिन्छ कि जानकारी भण्डारण वा पुन: प्राप्त गर्न उपयुक्त छ कि छैन, र आवश्यक परे मात्र जटिल निष्कर्षण/पुन: प्राप्ति प्रक्रिया चलाउनु।
• ज्ञान आधार मर्मत: बढ्दै गएको ज्ञान आधारका लागि, कम प्रयोग हुने जानकारी “कोल्ड स्टोरेज” मा सारेर लागत व्यवस्थापन गर्न सकिन्छ।
एजेन्ट मेमोरी सम्बन्धी थप प्रश्नहरू छन्?
Azure AI Foundry Discord मा सामेल हुनुहोस् अरु सिक्नेहरू संग भेटघाट गर्न, अफिस आवरहरूमा भाग लिन र तपाईंका AI एजेन्ट सम्बन्धी प्रश्नहरूको जवाफ पाउन।
अस्वीकरण: यस दस्तावेजलाई AI अनुवाद सेवा Co-op Translator प्रयोग गरी अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं भने पनि, कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अस्पष्टता हुन सक्छ। मूल भाषामा रहेको दस्तावेजलाई आधिकारिक स्रोतको रूपमा लिनुहोस। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हौंन।