ai-agents-for-beginners

ਪਲੈਨਿੰਗ ਡਿਜ਼ਾਈਨ ਪੈਟਰਨ

(ਇਸ ਪਾਠ ਦਾ ਵੀਡੀਓ ਵੇਖਣ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ ‘ਤੇ ਕਲਿੱਕ ਕਰੋ)

ਪਲੈਨਿੰਗ ਡਿਜ਼ਾਈਨ

ਪਰੀਚਯ

ਇਹ ਪਾਠ ਕਵਰ ਕਰੇਗਾ

ਸਿੱਖਣ ਦੇ ਲਕੜੀ ਨਿਸ਼ਾਨੇ

ਇਸ ਪਾਠ ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਤੁਹਾਨੂੰ ਇਹ ਸਮਝ ਹੋਵੇਗੀ ਕਿ:

ਸਭਿਆਚਾਰੀ ਨਿਸ਼ਾਨਾ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਅਤੇ ਕੰਮ ਨੂੰ ਵੰਡੀ ਕਰਨਾ

ਲਕੜੀ ਨਿਸ਼ਾਨਿਆਂ ਅਤੇ ਕੰਮਾਂ ਦੀ ਪਰਿਭਾਸ਼ਾ

ਬਹੁਤ ਸਾਰੇ ਅਸਲ ਦੁਨੀਆ ਦੇ ਕੰਮ ਇੱਕ ਹੀ ਕਦਮ ਵਿੱਚ ਨਿਪਟਾਉਣ ਲਈ ਬਹੁਤ ਜਟਿਲ ਹੁੰਦੇ ਹਨ। ਇਕ AI ਏਜੰਟ ਨੂੰ ਆਪਣੀ ਯੋਜਨਾ ਅਤੇ ਕਰਵਾਈਆਂ ਲਈ ਇੱਕ ਸੰਖੇਪ ਮਕਸਦ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਨਿਸ਼ਾਨਾ ਸੋਚੋ:

"3-ਦਿਨਾਂ ਦਾ ਯਾਤਰਾ ਕਾਰਜਕ੍ਰਮ ਬਣਾੳ।"

ਜਦੋਂ ਕਿ ਇਹ ਕਹਿਣਾ ਸੌਖਾ ਹੈ, ਇਹ ਫਿਰ ਵੀ ਸੁਧਾਰ ਦੀ ਲੋੜ ਰੱਖਦਾ ਹੈ। ਨਿਸ਼ਾਨਾ ਜਿੰਨਾ ਸਪੱਸ਼ਟ ਹੋਵੇਗਾ, ਏਜੰਟ (ਅਤੇ ਕੋਈ ਵੀ ਮਨੁੱਖੀ ਸਹਿਯੋਗੀ) ਉਹਨਾ ਸਹੀ ਨਤੀਜੇ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਸਮਗ੍ਰੀਤ ਯਾਤਰਾ ਕਾਰਜਕ੍ਰਮ ਬਣਾਉਣਾ ਜਿਸ ਵਿੱਚ ਉਡਾਣਾਂ ਦੇ ਵਿਕਲਪ, ਹੋਟਲ ਦੀ ਸਿਫਾਰਿਸ਼ਾਂ, ਅਤੇ ਗਤਿਵਿਧੀਆਂ ਦੀ ਸਿਫਾਰਿਸ਼ਾਂ ਸ਼ਾਮਲ ਹਨ।

ਕੰਮ ਵੰਡਣਾ

ਵੱਡੇ ਜਾਂ ਜਟਿਲ ਕੰਮ ਛੋਟੇ, ਨਿਸ਼ਾਨਾ-ਕੇਂਦਰਤ ਉਪ-ਕੰਮਾਂ ਵਿੱਚ ਵੰਡੀ ਜਾਣ ‘ਤੇ ਜ਼ਿਆਦਾ ਸੰਭਾਲਣਯੋਗ ਬਣ ਜਾਂਦੇ ਹਨ। ਯਾਤਰਾ ਕਾਰਜਕ੍ਰਮ ਦੇ ਉਦਾਹਰਨ ਲਈ, ਤੁਸੀਂ ਨਿਸ਼ਾਨਾ ਨੂੰ ਵੰਡ ਸਕਦੇ ਹੋ:

ਹਰ ਉਪ-ਕੰਮ ਨੂੰ ਫਿਰ ਸਮਰਪਿਤ ਏਜੰਟਾਂ ਜਾਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੁਆਰਾ ਸੰਪੰਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇੱਕ ਏਜੰਟ ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਵਧੀਆ ਉਡਾਣ ਸੌਦੇ ਖੋਜਣ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰੇ, ਦੂਜਾ ਹੋਟਲ ਬੁਕਿੰਗ ‘ਤੇ, ਆਦਿ। ਇੱਕ ਸਮਨਵੇਤ ਜਾਂ “ਡਾਊਨਸਟ੍ਰੀਮ” ਏਜੰਟ ਫਿਰ ਇਹਨਾਂ ਨਤੀਜਿਆਂ ਨੂੰ ਇਕਠਾ ਕਰਕੇ ਆਖਰੀ ਯੂਜ਼ਰ ਲਈ ਇੱਕ ਸਮੱਗਰੀ ਯਾਤਰਾ ਕਾਰਜਕ੍ਰਮ ਤਯਾਰ ਕਰ ਸਕਦਾ ਹੈ।

ਇਹ ਮੌਡੀਊਲਰ ਪਹੁੰਚ ਵਾਧੂ ਸੁਧਾਰਾਂ ਦੀ ਵੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਤੁਸੀਂ ਖਾਣ-ਪੀਣ ਸਿਫਾਰਿਸ਼ਾਂ ਜਾਂ ਸਥਾਨਕ ਗਤਿਵਿਧੀ ਸੁਝਾਵਾਂ ਲਈ ਵਿਸ਼ੇਸ਼ ਏਜੰਟ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਯਾਤਰਾ ਕਾਰਜਕ੍ਰਮ ਨੂੰ ਸੁਧਾਰ ਸਕਦੇ ਹੋ।

ਸੰਰਚਿਤ ਨਿੱਕਾਸ਼

ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਸੰਰਚਿਤ ਨਿੱਕਾਸ਼ ਜਿਵੇਂ ਕਿ JSON ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਡਾਊਨਸਟ੍ਰੀਮ ਏਜੰਟਾਂ ਜਾਂ ਸੇਵਾਵਾਂ ਲਈ ਪੜ੍ਹਨ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਵਿੱਚ ਆਸਾਨ ਹੁੰਦਾ ਹੈ। ਇਹ ਖਾਸ ਤੌਰ ‘ਤੇ ਮੁਲਟੀ-ਏਜੰਟ ਸੰਦਰਭ ਵਿੱਚ ਲਾਭਦਾਇਕ ਹੈ, ਜਿੱਥੇ ਇਹ ਕੰਮ ਯੋਜਨਾ ਦੇ ਨਿੱਕਾਸ਼ ਨੂੰ ਮਿਲਣ ਤੋਂ ਬਾਅਦ ਕੀਤਾ ਜਾ ਸਕਦੇ ਹਨ।

ਹੇਠਾਂ ਦਿੱਤਾ ਪਾਇਥਨ ਸਨਿੱਪੇਟ ਇੱਕ ਸਿੱਧਾ ਪਲੈਨਿੰਗ ਏਜੰਟ ਦਿਖਾਉਂਦਾ ਹੈ ਜੋ ਇੱਕ ਨਿਸ਼ਾਨਾ ਨੂੰ ਉਪ-ਕੰਮਾਂ ਵਿੱਚ ਵੰਡੀਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸੰਰਚਿਤ ਯੋਜਨਾ ਤਿਆਰ ਕਰਦਾ ਹੈ:

from pydantic import BaseModel
from enum import Enum
from typing import List, Optional, Union
import json
import os
from typing import Optional
from pprint import pprint
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# ਯਾਤਰਾ ਸੱਬਟਾਸ্ক ਮਾਡਲ
class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum  # ਅਸੀਂ ਟਾਸਕ ਏਜੰਟ ਨੂੰ ਸੌਂਪਣਾ ਚਾਹੁੰਦੇ ਹਾਂ

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)

# ਯੂਜ਼ਰ ਸੁਨੇਹਾ นิਧਾਰਿਤ ਕਰੋ
system_prompt = """You are a planner agent.
    Your job is to decide which agents to run based on the user's request.
    Provide your response in JSON format with the following structure:
{'main_task': 'Plan a family trip from Singapore to Melbourne.',
 'subtasks': [{'assigned_agent': 'flight_booking',
               'task_details': 'Book round-trip flights from Singapore to '
                               'Melbourne.'}
    Below are the available agents specialised in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests"""

user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"

response = client.create_response(input=user_message, instructions=system_prompt)

response_content = response.output_text
pprint(json.loads(response_content))

ਮੁਲਟੀ-ਏਜੰਟ ਆਰਕੇਸਟ੍ਰੇਸ਼ਨ ਨਾਲ ਪਲੈਨਿੰਗ ਏਜੰਟ

ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ, ਇੱਕ ਸੈਮਾਂਟਿਕ ਰਾਊਟਰ ਏਜੰਟ ਇੱਕ ਉਪਭੋਗਤਾ ਦੀ ਬੇਨਤੀ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ (ਜਿਵੇਂ, “ਮੈਂ ਆਪਣੀ ਯਾਤਰਾ ਲਈ ਹੋਟਲ ਯੋਜਨਾ ਚਾਹੀਦੀ ਹੈ।”)।

ਫਿਰ ਪਲੈਨਰ:


from pydantic import BaseModel

from enum import Enum
from typing import List, Optional, Union

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# ਯਾਤਰੀ ਸਬਟਾਸਕ ਮਾਡਲ

class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum # ਅਸੀਂ ਟਾਸਕ ਨੂੰ ਏਜੰਟ ਨੂੰ ਸੌਂਪਣਾ ਚਾਹੁੰਦੇ ਹਾਂ

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool
import json
import os
from typing import Optional

from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

# ਕਲਾਈੰਟ ਬਣਾਓ

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)

from pprint import pprint

# ਯੂਜ਼ਰ ਸੁਨੇਹਾ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ

system_prompt = """You are a planner agent.
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests"""

user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"

response = client.create_response(input=user_message, instructions=system_prompt)

response_content = response.output_text

# ਜਵਾਬ ਸਮੱਗਰੀ ਨੂੰ JSON ਵਜੋਂ ਲੋਡ ਕਰਨ ਤੋਂ ਬਾਅਦ ਪ੍ਰਿੰਟ ਕਰੋ

pprint(json.loads(response_content))

ਅਗਲਾ ਹੈ ਪਿਛਲੇ ਕੋਡ ਤੋਂ ਨਿੱਕਾਸ਼ ਜੋ ਤੁਸੀਂ ਫਿਰ ਇਸ ਸੰਰਚਿਤ ਨਿੱਕਾਸ਼ ਨੂੰ assigned_agent ਨੂੰ ਰੂਟ ਕਰਨ ਅਤੇ ਯਾਤਰਾ ਯੋਜਨਾ ਨੂੰ ਆਖਰੀ ਉਪਭੋਗਤਾ ਲਈ ਖੁਲਾਸਾ ਕਰਨ ਲਈ ਵਰਤ ਸਕਦੇ ਹੋ।

{
    "is_greeting": "False",
    "main_task": "Plan a family trip from Singapore to Melbourne.",
    "subtasks": [
        {
            "assigned_agent": "flight_booking",
            "task_details": "Book round-trip flights from Singapore to Melbourne."
        },
        {
            "assigned_agent": "hotel_booking",
            "task_details": "Find family-friendly hotels in Melbourne."
        },
        {
            "assigned_agent": "car_rental",
            "task_details": "Arrange a car rental suitable for a family of four in Melbourne."
        },
        {
            "assigned_agent": "activities_booking",
            "task_details": "List family-friendly activities in Melbourne."
        },
        {
            "assigned_agent": "destination_info",
            "task_details": "Provide information about Melbourne as a travel destination."
        }
    ]
}

ਪਿਛਲੇ ਕੋਡ ਨਮੂਨੇ ਨਾਲ ਇੱਕ ਉਦਾਹਰਨ ਨੋਟਬੁੱਕ ਇੱਥੇ ਉਪਲਬਧ ਹੈ ਇੱਥੇ।

ਦੁਹਰਾਉਣ ਵਾਲੀ ਯੋਜਨਾ ਬਣਾਉਣਾ

ਕੁਝ ਕੰਮਾਂ ਲਈ ਇਕ ਦੂਜੇ ਨਾਲ ਵਾਪਸੀ-ਵਾਲੀ ਕਾਰਵਾਈ ਜਰੂਰੀ ਹੁੰਦੀ ਹੈ ਜਾਂ ਦੁਬਾਰਾ ਯੋਜਨਾ ਬਣਾਉਣੀ ਪੈਂਦੀ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਉਪ-ਕੰਮ ਦਾ ਨਤੀਜਾ ਅਗਲੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇ ਏਜੰਟ ਉਡਾਣਾਂ ਦੀ ਬੁਕਿੰਗ ਦੌਰਾਨ ਅਣਮੁਲਾਂ ਡੇਟਾ ਫਾਰਮੈਟ ਮਿਲਦਾ ਹੈ, ਓਹਨੂੰ ਆਪਣੇ ਰਣਨੀਤੀ ਨੂੰ ਅਡਾਪਟ ਕਰਨਾ ਪੈ ਸਕਦਾ ਹੈ ਪਹਿਲਾਂ ਹੀ ਹੋਟਲ ਬੁਕਿੰਗ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉਪਭੋਗਤਾ ਦਾ ਫੀਡਬੈਕ (ਜਿਵੇਂ ਕਿ ਕੋਈ ਮਨੁੱਖ ਪਹਿਲਾਂ ਦੀ ਉਡਾਣ ਚਾਹੁੰਦਾ ਹੈ) ਇੱਕ ਅੰਸ਼ਿਕ ਦੁਬਾਰਾ-ਯੋਜਨਾ ਤਰੱਕਸ਼ਿਲ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਗਤੀਸ਼ੀਲ, ਦੁਹਰਾਉਣ ਵਾਲਾ ਰਵੱਈਆ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਆਖਰੀ ਹੱਲ ਅਸਲ ਦੁਨੀਆ ਦੀਆਂ ਪਾਬੰਦੀਆਂ ਅਤੇ ਬਦਲਦੇ ਉਪਭੋਗਤਾ ਪਸੰਦਾਂ ਨਾਲ ਮਿਲਦਾ-ਜੁਲਦਾ ਹੈ।

ਉਦਾਹਰਨ ਕੋਡ

import os
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential
#.. ਪਿਛਲੇ ਕੋਡ ਵਾਂਗ ਹੀ ਅਤੇ ਯੂਜ਼ਰ ਇਤਿਹਾਸ, ਮੌਜੂਦਾ ਯੋਜਨਾ ਪਾਸ ਕਰੋ

system_prompt = """You are a planner agent to optimize the
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests"""

user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"

response = client.create_response(
    input=user_message,
    instructions=system_prompt,
    context=f"Previous travel plan - {TravelPlan}",
)
# .. ਮੁੜ ਯੋਜਨਾ ਬਣਾਓ ਅਤੇ ਕਾਰਜਾਂ ਨੂੰ ਸੰਬੰਧਤ ਏਜੰਟਾਂ ਨੂੰ ਭੇਜੋ

ਵਧੇਰੇ ਵਿਸਤ੍ਰਿਤ ਯੋਜਨਾ ਲਈ, ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਲਈ Magnetic One ਬਲੌਗਪੋਸਟ ਨੂੰ ਵੇਖੋ ਜਿਸ ਵਿੱਚ ਜਟਿਲ ਕੰਮਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਜਨਰਲਿਸਟ ਮੁਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿੱਤੀ ਗਈ ਹੈ।

ਸੰਖੇਪ

ਇਸ ਲੇਖ ਵਿੱਚ ਅਸੀਂ ਦੇਖਿਆ ਕਿ ਅਸੀਂ ਕਿਵੇਂ ਇੱਕ ਐਸਾ ਪਲੈਨਰ ਬਣਾ ਸਕਦੇ ਹਾਂ ਜੋ ਗਿਆ ਏਜੰਟਾਂ ਵਿੱਚੋਂ ਇਕਾਈਕ ਆਧਾਰ ‘ਤੇ ਚੁਣ ਸਕਦਾ ਹੈ। ਪਲੈਨਰ ਦਾ ਨਿੱਕਾਸ਼ ਕੰਮਾਂ ਨੂੰ ਵੰਡਦਾ ਹੈ ਅਤੇ ਏਜੰਟਾਂ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਉਹ ਕੰਮ ਕਰ ਸਕਣ। ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਏਜੰਟਾਂ ਕੋਲ ਉਹ ਫੰਕਸ਼ਨ/ਟੂਲ ਪਹੁੰਚ ਹੋਣਗੇ ਜੋ ਕੰਮ ਕਰਨ ਲਈ ਲਾਜ਼ਮੀ ਹਨ। ਇਸਦੇ ਨਾਲ ਨਾਲ, ਤੁਸੀਂ ਪ੍ਰਤੀਬਿੰਬਨ, ਸਾਰਾਂਸ਼ਕਾਰ ਅਤੇ ਰਾਉਂਡ-ਰੋਬਿਨ ਚੈਟ ਵਰਗੇ ਹੋਰ ਪੈਟਰਨ ਵੀ ਸ਼ਾਮਲ ਕਰਕੇ ਅੱਗੇ ਵਧੀਆ ਕਸਟਮਾਈਜ਼ ਕਰ ਸਕਦੇ ਹੋ।

ਹੋਰ ਵੱਡੇ ਸਾਦਨ

Magnetic One - ਇਹ ਜਟਿਲ ਕੰਮਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਜਨਰਲਿਸਟ ਮੁਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ ਹੈ ਅਤੇ ਇਸਨੇ ਕਈ ਚੁਣੌਤੀਭਰੇ ਏਜੰਟ ਬੈਂਚਮਾਰਕਾਂ ‘ਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਤੀਜੇ ਹਾਸਲ ਕੀਤੇ ਹਨ। ਹਵਾਲਾ: Magnetic One। ਇਸ ਇੰਪਲੀਮੈਂਟੇਸ਼ਨ ਵਿੱਚ ਆਰਕੇਸਟ੍ਰੇਟਰ ਟਾਸਕ ਵਿਸ਼ੇਸ਼ ਯੋਜਨਾਵਾਂ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਇਹਨਾਂ ਟਾਸਕਾਂ ਨੂੰ ਉਪਲਬਧ ਏਜੰਟਾਂ ਨੂੰ ਸੌਂਂਪਦਾ ਹੈ। ਯੋਜਨਾ ਤੋਂ ਇਲਾਵਾ, ਆਰਕੇਸਟ੍ਰੇਟਰ ਇੱਕ ਟ੍ਰੈਕਿੰਗ ਮਿਕੈਨਿਜ਼ਮ ਵੀ ਵਰਤਦਾ ਹੈ ਜੋ ਟਾਸਕ ਦੀ ਪ੍ਰਗਤੀ ਨੂੰ ਨਿਗਰਾਨੀ ਕਰਦਾ ਹੈ ਅਤੇ ਜ਼ਰੂਰੀ ਹੋਣ ‘ਤੇ ਦੁਬਾਰਾ ਯੋਜਨਾ ਬਣਾਉਂਦਾ ਹੈ।

ਪਲੈਨਿੰਗ ਡਿਜ਼ਾਈਨ ਪੈਟਰਨ ਬਾਰੇ ਹੋਰ ਸਵਾਲ ਹਨ?

ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲਣ, ਦਫਤਰ ਸਮਿਆਂ ਵਿੱਚ ਹਿੱਸਾ ਲੈਣ ਅਤੇ ਆਪਣੇ AI ਏਜੰਟਾਂ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਲੈਣ ਲਈ Microsoft Foundry Discord ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ।

ਪਿਛਲਾ ਪਾਠ

ਭਰੋਸੇਯੋਗ AI ਏਜੰਟ ਬਣਾਉਣਾ

ਅਗਲਾ ਪਾਠ

ਮੁਲਟੀ-ਏਜੰਟ ਡਿਜ਼ਾਈਨ ਪੈਟਰਨ

ਅਸਵੀਕਾਰੋਪਣ: ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।

This site is open source. Improve this page.