ai-agents-for-beginners
एआई एजेन्टहरूको लागि मेमोरी
एआई एजेन्टहरू सिर्जना गर्दा विशेष फाइदाहरूको चर्चा गर्दा मुख्य दुई कुरा विदेशी छन्: कार्यहरू पूरा गर्न उपकरणहरू बोलाउने क्षमता र समयसँगै सुधार गर्ने क्षमता। मेमोरी एउटा आधार हो आफूलाई सुधार्ने एजेन्ट सिर्जना गर्न जसले हाम्रा प्रयोगकर्ताहरूका लागि राम्रो अनुभवहरू सिर्जना गर्न सक्छ।
यस पाठमा, हामी एआई एजेन्टहरूको लागि मेमोरी भनेको के हो र हामी कसरी यसलाई व्यवस्थापन गर्न सक्छौं र हाम्रा अनुप्रयोगहरूको फाइदाका लागि प्रयोग गर्न सक्छौं भन्ने कुरा हेर्नेछौं।
परिचय
यो पाठले समेट्नेछ:
• एआई एजेन्ट मेमोरी बुझ्न: मेमोरी के हो र किन एजेन्टहरूको लागि आवश्यक छ।
• मेमोरी लागू गर्ने र भण्डारण गर्ने: तपाइँका एआई एजेन्टहरूमा मेमोरी क्षमताहरू थप्ने व्यावहारिक विधिहरू, छोटो अवधिको र लामो अवधिको मेमोरीमा ध्यान केन्द्रित गरी।
• एआई एजेन्टहरूलाई आत्म-सुधार गर्ने बनाउने: कसरी मेमोरीले एजेन्टहरूलाई विगतको अन्तरक्रियाबाट सिक्न र समयसँगै सुधार गर्न सक्षम बनाउँछ।
उपलब्ध कार्यान्वयनहरू
यस पाठमा दुई व्यापक नोटबुक ट्युटोरियलहरू छन्:
• 13-agent-memory.ipynb: मेमोरीलाई Mem0 र Azure AI Search प्रयोग गरी माइक्रोसफ्ट एजेन्ट फ्रेमवर्कसहित कार्यान्वयन गर्दछ
• 13-agent-memory-cognee.ipynb: Cognee प्रयोग गरी संरचित मेमोरी कार्यान्वयन गर्दछ, जुन embeddings द्वारा समर्थित ज्ञान ग्राफ स्वचालित रूपमा बनाउँछ, ग्राफलाई दृश्यात्मक बनाउँछ, र बौद्धिक पुनःप्राप्ति प्रदान गर्दछ
सिकाइ लक्ष्यों
यो पाठ पूरा गरेपछि, तपाईले जान्नु हुनेछ कसरी:
• विभिन्न प्रकारका एआई एजेन्ट मेमोरीहरू फरक पार्ने, जसमा कार्य गर्ने, छोटो अवधिको, र लामो अवधिको मेमोरी समावेश छन्, साथै व्यक्तित्व र एपिसोडिक मेमोरीजस्ता विशेषीकृत प्रकारहरू पनि।
• माइक्रोसफ्ट एजेन्ट फ्रेमवर्क प्रयोग गरी छोटो अवधिको र लामो अवधिको मेमोरी कार्यान्वयन र व्यवस्थापन गर्ने, जसमा Mem0, Cognee, ह्वाइटबोर्ड मेमोरी जस्ता उपकरणहरू प्रयोग गरेर र Azure AI Search सँग एकीकरण पनि समावेश छ।
• आत्म-सुधार गर्ने एआई एजेन्टहरूको सिद्धान्तहरू बुझ्ने र कसरी बलियो मेमोरी व्यवस्थापन प्रणालीहरूले निरन्तर सिकाइ र अनुकूलनमा योगदान पुर्याउँछन्।
एआई एजेन्ट मेमोरी बुझ्न
यसको मूलमा, एआई एजेन्टहरूको लागि मेमोरीले तिनीहरूलाई जानकारी राख्न र सम्झन अनुमति दिने संयन्त्रहरूलाई जनाउँछ। यो जानकारी कुनै कुराकानीका विशेष विवरण, प्रयोगकर्ताको प्राथमिकताहरू, विगतका कार्यहरू, वा सिकिएका ढाँचाहरू हुन सक्छन्।
मेमोरी बिना, एआई अनुप्रयोगहरू प्रायः राज्यहीन हुन्छन्, जसको मतलब प्रत्येक अन्तरक्रिया शून्यदेखि सुरु हुन्छ। यसले दोहोरिने र निराशाजनक प्रयोगकर्ता अनुभव ल्याउँछ जहाँ एजेन्टले “अघिल्लो सन्दर्भ वा प्राथमिकताहरू बिर्सन्छ”।
मेमोरी किन महत्वपूर्ण छ?
एजेन्टको बुद्धिमत्ता गहिराईमा यसको विगत जानकारी सम्झने र प्रयोग गर्ने क्षमतामा जोडिएको छ। मेमोरीले एजेन्टहरूलाई बनाउन सक्छन्:
• प्रतिबिम्बात्मक: विगतका कार्य र परिणामहरूबाट सिक्ने।
• अन्तरक्रियात्मक: चलिरहेको कुराकानीको सन्दर्भ कायम राख्ने।
• प्रत्याशित र प्रतिक्रियाशील: आवश्यकताहरू अनुमान गर्ने वा ऐतिहासिक डेटा आधारमा उपयुक्त प्रतिक्रिया दिने।
• स्वतन्त्र: सञ्चित ज्ञानबाट अधिक स्वतन्त्र रूपमा सञ्चालन गर्ने।
मेमोरी कार्यान्वयन गर्ने उद्देश्य एजेन्टहरूलाई अझ भरपर्दो र सक्षम बनाउनु हो।
मेमोरीका प्रकारहरू
कार्य मेमोरी
यसलाई एउटा स्क्र्याच कागजको टुक्रा जस्तो सोच्न सकिन्छ जुन एजेन्टले एकल, चलिरहेको कार्य वा विचार प्रक्रियामा प्रयोग गर्छ। यसले पछि चरण गणना गर्न आवश्यक तत्काल जानकारी राख्दछ।
एआई एजेन्टहरूको लागि, कार्य मेमोरी प्रायः कुनै कुराकानीबाट सबैभन्दा सान्दर्भिक जानकारी समात्ने गर्दछ, चाहे पूरै च्याट इतिहास लामो वा कट गरिएको होस्। यसले आवश्यकताहरू, प्रस्तावहरू, निर्णयहरू, र कार्यहरू जस्ता प्रमुख तत्वहरू निकाल्न केन्द्रित हुन्छ।
कार्य मेमोरी उदाहरण
यात्रा बुकिङ एजेन्टमा, कार्य मेमोरीले प्रयोगकर्ताको हालको अनुरोध समात्न सक्छ, जस्तै “म पेरिसमा यात्रा बुक गर्न चाहन्छु”। यो विशेष आवश्यकतालाई एजेन्टको तत्काल सन्दर्भमा राखिन्छ जसले अहिलेको अन्तरक्रियालाई मार्गदर्शन गर्छ।
छोटो अवधिको मेमोरी
यस प्रकारको मेमोरीले एकल कुराकानी वा सत्रको अवधिको लागि जानकारी राख्छ। यो वर्तमान च्याटको सन्दर्भ हो, जसले एजेन्टलाई संवादका अघिल्लो चरणहरूलाई सन्दर्भ दिन अनुमति दिन्छ।
Microsoft Agent Framework Python SDK नमूनाहरूमा, यसलाई AgentSession सँग नक्सा गरिएको छ, जुन agent.create_session() द्वारा सिर्जना गरिएको हो। सत्र फ्रेमवर्कको भित्र निर्मित छोटो अवधिको मेमोरी हो: यो कुराकानी सन्दर्भ प्रयोग गर्दा उपलब्ध राख्छ तर सत्र समाप्त वा अनुप्रयोग पुनः सुरु हुँदा त्यो सन्दर्भ बचत हुँदैन। सत्रहरू पार गर्न आवश्यक तथ्य र प्राथमिकताहरूको लागि व्यापक मेमोरी प्रयोग गर्नुहोस्, प्रायः डेटाबेस, भेक्टर अनुक्रमणिका, वा अन्य स्थायी संग्रह मार्फत।
छोटो अवधिको मेमोरी उदाहरण
यदि प्रयोगकर्ताले सोध्यो, “पेरिस उडानको कति खर्च हुन्छ?” र पछि “त्यहाँ आवासको अवस्था के हो?”, छोटो अवधिको मेमोरीले सुनिश्चित गर्दछ कि एजेन्टलाई थाहा छ “त्यहाँ” भन्नाले सोही कुराकानीमा “पेरिस” जनाउँछ।
लामो अवधिको मेमोरी
यो यस्तो सूचना हो जुन धेरै कुराकानीहरू वा सत्रहरूमा बाँच्छ। यसले एजेन्टहरूलाई प्रयोगकर्ताको प्राथमिकताहरू, ऐतिहासिक अन्तरक्रियाहरू, वा सामान्य ज्ञान दीर्घकालीन रूपमा सम्झन अनुमति दिन्छ। यो personalization का लागि महत्त्वपूर्ण छ।
लामो अवधिको मेमोरी उदाहरण
एउटा लामो अवधिको मेमोरीले यो जानकारी भण्डारण गर्न सक्छ कि “बेनलाई स्कीइङ र बाहिरी गतिविधिहरू मन पर्छ, उनी कफी पहाडी दृश्यसहित मन पराउँछन्, र विगत चोटको कारण उन्नत स्की ढलानहरूबाट बच्न चाहन्छन्”। यस जानकारीले भर्खरको अन्तरक्रियाबाट सिकेको भएर भविष्यका यात्रा योजना सत्रहरूमा सुझावहरूलाई अत्यन्त व्यक्तिगत बनाउँछ।
व्यक्तित्व मेमोरी
यो विशेष मेमोरी प्रकारले एजेन्टलाई एक सुसंगत “व्यक्तित्व” वा “persona” विकास गर्न मद्दत गर्दछ। यसले एजेन्टलाई आफ्नो बारे वा यसको उद्देश्यको भूमिका बारे विवरण सम्झन अनुमति दिन्छ, जसले अन्तरक्रियालाई बढी सहज र केन्द्रित बनाउँछ।
व्यक्तित्व मेमोरी उदाहरण यदि यात्रा एजेन्ट “विशेषज्ञ स्की योजनाकार” को रूपमा डिजाइन गरिएको छ भने, व्यक्तित्व मेमोरीले यो भूमिकालाई बलियो पार्छ, जसले यसको प्रतिक्रियाहरूलाई विशेषज्ञको शैली र ज्ञानसँग मेल खाने बनाउँछ।
वर्कफ्लो/एपिसोडिक मेमोरी
यो मेमोरीले कुनै जटिल कार्य गर्दा एजेन्टले लिएका कदमहरूको अनुक्रम राख्छ, जसमा सफलताहरू र असफलताहरू समावेश हुन्छन्। यो विशेष “एपिसोडहरू” वा विगत अनुभवहरू सम्झँदै तिनीहरूबाट सिक्ने जस्तो हो।
एपिसोडिक मेमोरी उदाहरण
यदि एजेन्टले कुनै विशिष्ट उडान बुक गर्न प्रयास गर्यो तर उपलब्धता नहुँदा असफल भयो भने, एपिसोडिक मेमोरीले यस असफलता रेकर्ड गर्न सक्छ, जसले अर्को प्रयासमा वैकल्पिक उडानहरूको प्रयास गर्न वा प्रयोगकर्तालाई सो मुद्दाबारे बढी जानकार रूपमा सूचित गर्न मद्दत गर्छ।
ईकाई मेमोरी
यसले कुराकानीबाट विशेष ईकाईहरू (जस्तै व्यक्ति, स्थान, वा वस्तुहरू) र घटनाहरू निकालेर सम्झने समावेश गर्दछ। यसले एजेन्टलाई कुराकानीमा छलफल गरिएका प्रमुख तत्वहरूको संरचित बुझाइ बनाउन अनुमति दिन्छ।
ईकाई मेमोरी उदाहरण
एउटा विगत यात्राको कुराकानीबाट, एजेन्टले “पेरिस,” “एिफेल टावर,” र “Le Chat Noir रेस्टुरेन्टमा डिनर” जस्ता ईकाईहरू निकाल्न सक्छ। भविष्यमा अन्तरक्रियामा, एजेन्टले “Le Chat Noir” सम्झने र नयाँ आरक्षण गर्न प्रस्ताव गर्न सक्छ।
संरचित RAG (पुनःप्राप्ति बृद्धि जनरेशन)
जब कि RAG एउटा व्यापक प्रविधि हो, “संरचित RAG” एक शक्तिशाली मेमोरी प्रविधि को रूपमा प्रकाश पाएको छ। यसले विभिन्न स्रोतहरू (कुराकानीहरू, इमेलहरू, तस्वीरहरू) बाट गाढा, संरचित जानकारी निकाल्छ र यसको प्रयोग जवाफहरूमा सटीकता, पुनःप्राप्ति, र गति सुधार्न गर्छ। परम्परागत RAG जसले केवल अर्थ सम्बन्धितता प्रयोग गर्छ, त्यो भन्दा फरक संरचित RAGलाई जानकारीको स्वाभाविक संरचनासँग काम गर्ने मौका मिल्छ।
संरचित RAG उदाहरण
केवल कुञ्जी शब्द मेल खानेको सट्टा, संरचित RAG ले कुनै इमेलबाट उडान विवरणहरू (गन्तव्य, मिति, समय, एयरलाइन्स) पार्स गरेर संरचित तरिकाले भण्डारण गर्न सक्छ। यसले यस्तै प्रश्नहरूलाई सटीकता प्रदान गर्दछ: “मले मंगलबार पेरिसको लागि कुन उडान बुक गरेको हुँ?”
मेमोरी लागू गर्ने र भण्डारण गर्ने
एआई एजेन्टहरूको लागि मेमोरी लागू गर्नु भनेको एक व्यवस्थित प्रक्रियाले मेमोरी व्यवस्थापन गर्नु हो, जसमा उत्पादन गर्ने, भण्डारण गर्ने, पुनःप्राप्ति गर्ने, एकत्रित गर्ने, अपडेट गर्ने, र जानकारी “बिर्सने” (वा मेट्ने) पनि समावेश छ। पुनःप्राप्ति विशेष गरी महत्वपूर्ण पक्ष हो।
विशेषीकृत मेमोरी उपकरणहरू
Mem0
एजेन्ट मेमोरी भण्डारण र व्यवस्थापन गर्ने एउटा उपाय Mem0 जस्ता विशेष उपकरणहरूको प्रयोग हो। Mem0 एक स्थायी मेमोरी तहको रूपमा कार्य गर्छ, जसले एजेन्टहरूलाई सान्दर्भिक अन्तरक्रियाहरू सम्झन, प्रयोगकर्ताका प्राथमिकता र तथ्यात्मक सन्दर्भहरू भण्डारण गर्न, र समयसँगै सफलताहरू र असफलताबाट सिक्न मद्दत गर्दछ। विचार यहाँ यो हो कि राज्यहीन एजेन्टहरू राज्ययुक्त एजेन्टहरूमा परिणत हुन्छन्।
यो दुई-चरण मेमोरी पाइपलाइन: निकासी र अपडेट को माध्यमबाट काम गर्छ। पहिले, एजेन्टको थ्रेडमा थपिएका सन्देशहरू Mem0 सेवालाई पठाइन्छ, जुन ठूलो भाषा मोडेल (LLM) प्रयोग गरी कुराकानी इतिहास सारांशित र नयाँ मेमोरीहरू निकासी गर्छ। पछि, LLM-चालित अपडेट चरणले मेमोरीहरू थप्ने, संशोधन गर्ने, वा मेट्ने निर्धारण गर्छ, र तिनीहरूलाई भेक्टर, ग्राफ, र कुञ्जी-मूल्य डेटाबेसहरू सहितको हाइब्रिड डाटा स्टोरमा भण्डारण गर्छ। यस प्रणालीले विभिन्न मेमोरी प्रकारहरू पनि समर्थन गर्दछ र ईकाईहरू बीच सम्बन्धहरू व्यवस्थापन गर्न ग्राफ मेमोरी समावेश गर्न सक्छ।
Cognee
अर्को शक्तिशाली उपाय हो Cognee, जुन एआई एजेन्टहरूको लागि खुला स्रोत सिमान्टिक मेमोरी हो जुन संरचित र अपसंरचित डाटालाई embeddings द्वारा समर्थित प्रश्नयोग्य ज्ञान ग्राफमा परिणत गर्छ। Cognee ले द्वैध-स्टोर वास्तुकला प्रदान गर्छ जसले भेक्टर समानता खोज र ग्राफ सम्बन्धहरूलाई संयोजन गर्छ, जसले एजेन्टहरूलाई केवल जानकारी के समान छ बुझ्न होइन, तर अवधारणाहरू कसरी सम्बन्धित छन् पनि बुझ्न सक्षम बनाउँछ।
यो भेक्टर समानता, ग्राफ संरचना, र LLM तर्क मिश्रण गर्ने संकर पुनःप्राप्ति मा उत्कृष्ट छ - जाँच्ने भागहरूको कच्चा खोजदेखि ग्राफ-ज्ञानी प्रश्न उत्तरसम्म। प्रणालीले जीवित मेमोरी कायम राख्छ, जुन विकास हुँदै जान्छ र बढ्दै जान्छ भने पनि एकजुट ग्राफको रूपमा प्रश्नयोग्य रहन्छ, छोटो अवधिको सत्र सन्दर्भ र लामो अवधिको स्थायी मेमोरी दुवै समर्थन गर्दछ।
Cognee नोटबुक ट्युटोरियल (13-agent-memory-cognee.ipynb) यस एकीकृत मेमोरी तह निर्माण कसरी गर्ने देखाउँछ, विविध डाटा स्रोतहरू समाहित गर्ने, ज्ञान ग्राफ दृश्यात्मक बनाउने, र फरक एजेन्ट आवश्यकताहरू अनुसार विभिन्न खोज रणनीतिहरू प्रयोग गरी प्रश्न गर्ने व्यवहारिक उदाहरणहरूसहित।
RAG सँग मेमोरी भण्डारण
Mem0 जस्ता विशेष मेमोरी उपकरणहरूको बाहेक, तपाइँ Azure AI Search जस्ता बलियो खोज सेवाहरूलाई मेमोरी भण्डारण र पुनःप्राप्तिका लागि ब्याकएण्ड रूपमा प्रयोग गर्न सक्नुहुन्छ, विशेष गरी संरचित RAG लागि।
यसले तपाइँको एजेन्टको उत्तरहरूलाई तपाइँको आफ्नै डाटासँग आधारभूत बनाउन अनुमति दिन्छ, जसले बढी सान्दर्भिक र सही जवाफहरू सुनिश्चित गर्छ। Azure AI Search प्रयोगकर्ताको विशिष्ट यात्रा मेमोरीहरू, उत्पादन सूचीहरू, वा अन्य कुनै पनि डोमेन-विशिष्ट ज्ञान भण्डारण गर्न प्रयोग गर्न सकिन्छ।
Azure AI Search ले संरचित RAG जस्ता क्षमता समर्थन गर्दछ, जुन कुराकानी इतिहास, इमेलहरू, वा चित्रहरू जस्ता ठूलो डेटासेटहरूबाट गाढा, संरचित जानकारी निकाल्न र पुनःप्राप्ति गर्न उत्कृष्ट छ। यसले परम्परागत पाठ टुक्रा र embedding तरीकाहरू भन्दा “अति मानवीय सटीकता र पुनःप्राप्ति” प्रदान गर्दछ।
एआई एजेन्टहरूलाई आत्म-सुधार गर्ने बनाउने
आत्म-सुधार गर्ने एजेन्टहरूको लागि सामान्य ढाँचा एक “ज्ञान एजेन्ट” प्रस्तुत गर्नु हो। यो छुट्टै एजेन्ट प्रयोगकर्ता र मुख्य एजेन्टबीचको मुख्य कुराकानीलाई अवलोकन गर्छ। यसको भूमिका हो:
-
महत्त्वपूर्ण जानकारी पहिचान गर्नु: कुराकानीको कुनै भाग सामान्य ज्ञान वा विशिष्ट प्रयोगकर्ता प्राथमिकताका रूपमा बचत गर्न लायक छ कि छैन निर्धारण गर्नु।
-
निकासी र सारांश बनाउनु: कुराकानीबाट आवश्यक सिकाइ वा प्राथमिकता सङ्क्षेप गर्नु।
-
ज्ञान आधारमा भण्डारण गर्नु: यो निकालेको जानकारी, प्रायः भेक्टर डाटाबेसमा, भण्डारण गर्नु ताकि पछि पुनःप्राप्त गर्न सकियोस्।
-
भविष्यका प्रश्नहरू विस्थापित गर्नु: जब प्रयोगकर्ताले नयाँ प्रश्न सुरु गर्छ, ज्ञान एजेन्टले सान्दर्भिक भण्डारित जानकारी पुनःप्राप्त गर्छ र यसको प्रयोगकर्ता प्रॉम्प्टमा थप्छ, मुख्य एजेन्टलाई महत्वपूर्ण सन्दर्भ प्रदान गर्दै (RAG जस्तै)।
मेमोरीका लागि अनुकूलनहरू
• प्रतिक्रिया समय व्यवस्थापन: प्रयोगकर्ता अन्तरक्रियाहरू सुस्त नहुनेगरी, सस्तो र छिटो मोडेल प्रारम्भमा प्रयोग गरेर छिटो जाँच गर्ने कि जानकारी बचत वा पुनःप्राप्तिका लागि उपयुक्त छ कि छैन, र जटिल निकासी/पुनःप्राप्ति प्रक्रिया आवश्यक भएपछि मात्र चलाउने।
• ज्ञान आधार मर्मत सम्भार: बढिरहेको ज्ञान आधारका लागि कम प्रयोग हुने जानकारी “शीतल भण्डारण” मा सारेर लागत व्यवस्थापन गर्ने।
एजेण्ट मेमोरीबारे थप प्रश्नहरू छन्?
अन्य सिक्नेहरूसँग भेटघाट गर्न, अफिस घण्टा मा भाग लिन र आफ्ना एआई एजेन्ट सम्बन्धी प्रश्नहरू समाधान गर्न Microsoft Foundry Discord मा सामेल हुनुहोस्।
अघिल्लो पाठ
AI एजेन्टहरूको लागि सन्दर्भ इन्जिनियरिङ
अर्को पाठ
Microsoft एजेन्ट फ्रेमवर्क अन्वेषण
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।