ai-agents-for-beginners
Context Engineering for AI Agents
(ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ ‘ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਇਸ ਪਾਠ ਦਾ ਵੀਡੀਓ ਵੇਖੋ)
ਤੁਸੀਂ ਜਿਸ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਇੱਕ AI ਏਜੰਟ ਬਣਾ ਰਹੇ ਹੋ ਉਸ ਦੀ ਜਟਿਲਤਾ ਨੂੰ ਸਮਝਣਾ ਇੱਕ ਭਰੋਸੇਯੋਗ ਏਜੰਟ ਬਣਾਉਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਸਾਨੂੰ ਐਸੇ AI ਏਜੰਟ ਬਣਾਉਣੇ ਚਾਹੀਦੇ ਹਨ ਜੋ ਪ੍ਰੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਤੋਂ ਪਰੇ ਜਟਿਲ ਲੋੜਾਂ ਨੂੰ ਨਿਭਾਉਣ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਜਾਣਕਾਰੀ ਦਾ ਪ੍ਰਬੰਧ ਕਰ ਸਕਣ।
ਇਸ ਪਾਠ ਵਿੱਚ ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਕੀ ਹੈ ਅਤੇ AI ਏਜੰਟ ਬਣਾਉਣ ਵਿੱਚ ਇਸਦਾ ਕੀ کردار ਹੈ।
Introduction
ਇਸ ਪਾਠ ਵਿੱਚ ਇਹ ਸ਼ামਿਲ ਹੋਵੇਗਾ:
• ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਕੀ ਹੈ ਅਤੇ ਇਹ ਪ੍ਰੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਤੋਂ ਕਿਵੇਂ ਵੱਖਰਾ ਹੈ।
• ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਰਣਨੀਤੀਆਂ, ਜਿਸ ਵਿੱਚ ਜਾਣਕਾਰੀ ਲਿਖਣ, ਚੁਣਨ, ਸੰਕੁਚਿਤ ਕਰਨ ਅਤੇ ਇਜ਼ੋਲੇਟ ਕਰਨ ਦੇ ਤਰੀਕੇ ਸ਼ਾਮਿਲ ਹਨ।
• ਆਮ ਕਾਂਟੈਕਸਟ ਫੇਲਿਯਰ ਜੋ ਤੁਹਾਡੇ AI ਏਜੰਟ ਨੂੰ ਡਿਰੇਲ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਠੀਕ ਕਰਨ ਦੇ ਤਰੀਕੇ।
Learning Goals
ਇਸ ਪਾਠ ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਜਾਣੋਗੇ ਅਤੇ ਸਮਝੋਗੇ ਕਿ:
• ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਇਸਨੂੰ ਪ੍ਰੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਤੋਂ ਕਿਵੇਂ ਵੱਖਰਾ ਕਰਨਾ ਹੈ।
• LLM ਐਪਲੀਕੇਸ਼ਨਜ਼ ਵਿੱਚ ਕਾਂਟੈਕਸਟ ਦੇ ਮੁੱਖ ਘਟਕਾਂ ਦੀ ਪਛਾਣ ਕਰਨ।
• ਏਜੰਟ ਦਰਜੀਆਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਲਿਖਣ, ਚੁਣਨ, ਸੰਕੁਚਿਤ ਕਰਨ ਅਤੇ ਇਜ਼ੋਲੇਟ ਕਰਨ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਲਾਗੂ ਕਰਨ।
• ਆਮ ਕਾਂਟੈਕਸਟ ਫੇਲਿਯਰਾਂ ਜਿਵੇਂ ਕਿ ਪੋਇਜ਼ਨਿੰਗ, ਧਿਆਨ ਭਟਕਾਉਣਾ, ਭ੍ਰਮ ਅਤੇ ਟਕਰਾਅ ਨੂੰ ਪਛਾਣਨਾ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਰੋਕਥਾਮ ਤਕਨੀਕਾਂ ਲਾਗੂ ਕਰਨਾ।
What is Context Engineering?
AI ਏਜੰਟਾਂ ਲਈ, ਕਾਂਟੈਕਸਟ ਉਹ ਚੀਜ਼ ਹੈ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ ਕਿ AI ਏਜੰਟ ਕਿਸੇ ਖਾਸ ਕਾਰਵਾਈ ਲਈ ਯੋਜਨਾ ਬਣਾਏਗਾ। ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਇਹ ਅਭਿਆਸ ਹੈ ਕਿ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾਵੇ ਕਿ AI ਏਜੰਟ ਕੋਲ ਅਗਲਾ ਕੰਮ ਪੂਰਾ ਕਰਨ ਲਈ ਸਹੀ ਜਾਣਕਾਰੀ ਹੈ। ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਆਕਾਰ ਵਿੱਚ ਸੀਮਤ ਹੁੰਦੀ ਹੈ, ਇਸ ਲਈ ਐਜੰਟ ਬਣਾਉਣ ਵਾਲਿਆਂ ਦੇ ਤੌਰ ‘ਤੇ ਸਾਨੂੰ ਸਿਸਟਮ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਬਣਾਉਣੀਆਂ ਪੈਂਦੀਆਂ ਹਨ ਜੋ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਵਿੱਚ ਜਾਣਕਾਰੀ ਜੋੜਨ, ਹਟਾਉਣ ਅਤੇ ਸੰਕੁਚਿਤ ਕਰਨ ਦਾ ਪ੍ਰਬੰਧ ਕਰ ਸਕਣ।
Prompt Engineering vs Context Engineering
ਪ੍ਰੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਇੱਕ ਸਿੰਗਲ ਸੈੱਟ ਸਥਿਰ ਹਦਾਇਤਾਂ ‘ਤੇ ਕੇਂਦਰਿਤ ਹੁੰਦੀ ਹੈ ਤਾਂ ਜੋ AI ਏਜੰਟਾਂ ਨੂੰ ਨਿਯਮਾਂ ਦੇ ਇੱਕ ਸੈੱਟ ਨਾਲ ਪ੍ਰਭਾਵੀ ਰੀਤਿ ਨਿਰਦੇਸ਼ ਕੀਤਾ ਜਾ ਸਕੇ। ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਇਨਫੋਰਮੇਸ਼ਨ ਦੇ ਡਾਇਨਾਮਿਕ ਸੈੱਟ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਬਾਰੇ ਹੈ, ਜਿਸ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਪ੍ਰੰਪਟ ਵੀ ਸ਼ਾਮਿਲ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਸਮੇਂ ਦੇ ਨਾਲ AI ਏਜੰਟ ਕੋਲ ਜਿਸ ਦੀ ਲੋੜ ਹੈ ਉਹ ਉਪਲਬਧ ਰਹੇ। ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਮੁੱਖ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੁਹਰਾਉਣਯੋਗ ਅਤੇ ਭਰੋਸੇਯੋਗ ਬਣਾਇਆ ਜਾਵੇ।
Types of Context
ਯਾਦ ਰੱਖਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਕਾਂਟੈਕਸਟ ਸਿਰਫ ਇੱਕ ਚੀਜ਼ ਨਹੀਂ ਹੈ। AI ਏਜੰਟ ਨੂੰ ਜੋ ਜਾਣਕਾਰੀ ਚਾਹੀਦੀ ਹੈ ਉਹ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਆ ਸਕਦੀ ਹੈ ਅਤੇ ਇਹ ਸਾਡੀ-Jਬ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ ਕਿ ਏਜੰਟ ਨੂੰ ਇਹ ਸਰੋਤ ਉਪਲਬਧ ਕਰਵਾਈਏ:
AI ਏਜੰਟ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਕਾਂਟੈਕਸਟ ਦੇ ਕਿਸਮਾਂ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹਨ:
• ਹਦਾਇਤਾਂ: ਇਹ ਏਜੰਟ ਦੇ “ਨਿਯਮਾਂ” ਵਰਗੀਆਂ ਹੁੰਦੀਆਂ ਹਨ – ਪ੍ਰੰਪਟ, ਸਿਸਟਮ ਸੁਨੇਹੇ, ਫਿਊ-ਸ਼ਾਟ ਉਦਾਹਰਣ (AI ਨੂੰ ਕੋਈ ਕੰਮ ਕਿਵੇਂ ਕਰਨਾ ਹੈ ਦਿਖਾਉਂਦੇ ਹੋਏ), ਅਤੇ ਉਪਕਰਨਾਂ ਦੀਆਂ ਵੇਰਵਣੀਆਂ ਜੋ ਇਹ ਵਰਤ ਸਕਦਾ ਹੈ। ਇੱਥੇ ਪ੍ਰੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਦਾ ਧਿਆਨ ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਨਾਲ ਮਿਲਦਾ ਹੈ।
• ਜਾਣਕਾਰੀ (Knowledge): ਇਸ ਵਿੱਚ ਤੱਥ, ਡੈਟਾਬੇਸ ਤੋਂ ਪ੍ਰਾਪਤ ਜਾਣਕਾਰੀ, ਜਾਂ ਲੰਬੇ ਸਮੇਂ ਦੀ ਯਾਦਾਂ ਸ਼ਾਮਿਲ ਹਨ ਜੋ ਏਜੰਟ ਨੇ ਇਕੱਤਰ ਕੀਤੀਆਂ ਹਨ। ਜੇਕਰ ਏਜੰਟ ਨੂੰ ਵੱਖ-ਵੱਖ ਨੋਲੇਜ ਸਟੋਰ ਅਤੇ ਡੈਟਾਬੇਸਾਂ ਤੱਕ ਪਹੁੰਚ ਦੀ ਲੋੜ ਹੋਵੇ ਤਾਂ ਇਸ ਵਿੱਚ Retrieval Augmented Generation (RAG) ਸਿਸਟਮ ਨੂੰ ਇਕਠੇ ਕਰਨ ਦੀ ਗੱਲ ਵੀ ਆਉਂਦੀ ਹੈ।
• ਟੂਲਜ਼: ਇਹ ਬਾਹਰੀ ਫੰਕਸ਼ਨਾਂ, APIs ਅਤੇ MCP Servers ਦੀਆਂ ਪਰਿਭਾਸ਼ਾਵਾਂ ਹਨ ਜੋ ਏਜੰਟ ਬੁਲਾ ਸਕਦਾ ਹੈ, ਨਾਲ ਹੀ ਉਨ੍ਹਾਂ ਦੇ ਵਰਤੋਂ ਤੋਂ ਮਿਲਣ ਵਾਲੇ ਫੀਡਬੈਕ (ਨਤੀਜੇ) ਵੀ।
• ਵਰਤਾਲਾਪ ਇਤਿਹਾਸ: ਉਪਭੋਗਤਾ ਨਾਲ ਚੱਲ ਰਹੀ ਗੱਲਬਾਤ। ਸਮੇਂ ਦੇ ਨਾਲ, ਇਹ ਗੱਲਬਾਤਾਂ ਲੰਬੀਆਂ ਅਤੇ ਜ਼ਿਆਦਾ ਜਟਿਲ ਹੋ ਜਾਂਦੀਆਂ ਹਨ ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਵਿੱਚ ਜਗ੍ਹਾ ਘੇਰ ਲੈਂਦੀਆਂ ਹਨ।
• ਉਪਭੋਗਤਾ ਦੀਆਂ ਪਸੰਦਾਂ: ਸਮੇਂ ਨਾਲ ਉਪਭੋਗਤਾ ਦੀਆਂ ਪਸੰਦਾਂ ਜਾਂ ਨਾਪਸੰਦ ਬਾਰੇ ਸਿੱਖੀ ਗਈ ਜਾਣਕਾਰੀ। ਇਹਨਾਂ ਨੂੰ ਸਟੋਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਮੁੱਖ ਫੈਸਲੇ ਕਰਨ ਸਮੇਂ ਸਹਾਇਤਾ ਲਈ ਬੁਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
Strategies for Effective Context Engineering
Planning Strategies
ਵਧੀਆ ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਚੰਗੀ ਯੋਜਨਾ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ। ਇੱਥੇ ਇੱਕ ਅਪ੍ਰੋਚ ਦਿੱਤੀ ਗਈ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਵਿਚਾਰ ਨੂੰ ਲਾਗੂ ਕਰਨ ਬਾਰੇ ਸੋਚਣਾ ਸ਼ੁਰੂ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀ:
- ਸਪਸ਼ਟ ਨਤੀਜੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ - ਜਿਹੜੇ ਕਾਰਜ AI ਏਜੰਟਾਂ ਨੂੰ ਸੌਂਪੇ ਜਾਣਗੇ ਉਹਨਾਂ ਦੇ ਨਤੀਜੇ ਸਪਸ਼ਟ ਤਰੀਕੇ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਉ - “ਜਦੋਂ AI ਏਜੰਟ ਆਪਣਾ ਕੰਮ ਮੁਕੰਮਲ ਕਰੇਗਾ ਤਾਂ ਦੁਨੀਆ ਕਿਵੇਂ ਦਿੱਸੇਗੀ?” ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਵਰਤੋਂਕਾਰ ਨੂੰ AI ਏਜੰਟ ਨਾਲ ਇੰਟਰਐਕਟ ਕਰਨ ਤੋਂ ਬਾਅਦ ਕਿਹੜਾ ਬਦਲਾਅ, ਜਾਣਕਾਰੀ ਜਾਂ ਜਵਾਬ ਮਿਲਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਕਾਂਟੈਕਸਟ ਦਾ ਨਕਸ਼ਾ ਬਣਾਓ - ਜਦੋਂ ਤੁਸੀਂ AI ਏਜੰਟ ਦੇ ਨਤੀਜੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਲੈਂਦੇ ਹੋ, ਤੁਹਾਨੂੰ ਇਹ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣਾ ਹੋਵੇਗਾ “ਇਸ ਕੰਮ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ AI ਏਜੰਟ ਨੂੰ ਕਿਹੜੀ ਜਾਣਕਾਰੀ ਦੀ ਲੋੜ ਹੈ?” ਇਸ ਤਰੀਕੇ ਨਾਲ ਤੁਸੀਂ ਇਹ ਨਕਸ਼ਾ ਬਣਾਉਣਾ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਉਹ ਜਾਣਕਾਰੀ ਕਿੱਥੇ ਲੱਭ ਸਕੀਦੀ ਹੈ।
- ਕਾਂਟੈਕਸਟ ਪਾਈਪਲਾਈਨ ਬਣਾਓ - ਹੁਣ ਜਦੋਂ ਤੁਸੀਂ ਜਾਣ ਲਿਆ ਕਿ ਜਾਣਕਾਰੀ ਕਿੱਥੇ ਹੈ, ਤੁਹਾਨੂੰ ਇਹ ਸਵਾਲ ਪੁੱਛਣਾ ਹੋਵੇਗਾ “ਏਜੰਟ ਇਹ ਜਾਣਕਾਰੀ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰੇਗਾ?” ਇਹ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ RAG, MCP ਸਰਵਰਾਂ ਦੇ ਉਪਯੋਗ ਅਤੇ ਹੋਰ ਟੂਲਜ਼।
Practical Strategies
ਯੋਜਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਪਰ ਜਦੋਂ ਜਾਣਕਾਰੀ ਸਾਡੇ ਏਜੰਟ ਦੀ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਵਿੱਚ ਆਉਣ ਲੱਗਦੀ ਹੈ, ਤਾਂ ਸਾਨੂੰ ਇਸਦਾ ਪ੍ਰਬੰਧ ਕਰਨ ਲਈ ਵਿਆਵਹਾਰਿਕ ਰਣਨੀਤੀਆਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ:
Managing Context
ਜਦੋਂ ਕਿ ਕੁਝ ਜਾਣਕਾਰੀ ਆਟੋਮੈਟਿਕ ਤੌਰ ‘ਤੇ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਵਿੱਚ ਜੋੜੀ ਜਾਏਗੀ, ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਇਸ ਜਾਣਕਾਰੀ ਲਈ ਇੱਕ ਹੋਰ ਸਰਗਰਮ ਭੂਮਿਕਾ ਨਿਭਾਉਣ ਬਾਰੇ ਹੈ ਜੋ ਕੁਝ ਰਣਨੀਤੀਆਂ ਰਾਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ:
-
ਏਜੰਟ ਸਕ੍ਰੈਚਪੈਡ ਇਹ ਇੱਕ ਐਸਾ ਢੰਗ ਹੈ ਜਿਸ ਨਾਲ AI ਏਜੰਟ ਸਿੰਗਲ ਸੈਸ਼ਨ ਦੌਰਾਨ ਮੌਜੂਦਾ ਕਾਰਜਾਂ ਅਤੇ ਉਪਭੋਗਤਾ ਇੰਟਰਐਕਸ਼ਨਾਂ ਬਾਰੇ ਸੰਬੰਧਿਤ ਨੋਟਸ ਲੈ ਸਕਦਾ ਹੈ। ਇਹ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਦੇ ਬਾਹਰ ਕਿਸੇ ਫਾਈਲ ਜਾਂ ਰਨਟਾਈਮ ਆਬਜੈਕਟ ਵਿੱਚ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿਸਨੂੰ ਜਰੂਰਤ ਪੈਣ ‘ਤੇ ਏਜੰਟ ਇਸ ਸੈਸ਼ਨ ਦੌਰਾਨ ਬਾਅਦ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕਰ ਸਕੇ।
-
ਯਾਦਾਂ (Memories) ਸਕ੍ਰੈਚਪੈਡ ਇੱਕ ਸੈਸ਼ਨ ਦੀ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਦੇ ਬਾਹਰ ਜਾਣਕਾਰੀ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਚੰਗੇ ਹਨ। ਯਾਦਾਂ ਏਜੰਟਾਂ ਨੂੰ ਬਹੁਤ ਸਾਰੇ ਸੈਸ਼ਨਾਂ ਦੇ 동안 ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਸਟੋਰ ਅਤੇ ਰੀਟਰੀਵ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਇਹ ਵਿੱਚ ਸੰਖੇਪ, ਉਪਭੋਗਤਾ ਪਸੰਦਾਂ ਅਤੇ ਭਵਿੱਖ ਵਿੱਚ ਸੁਧਾਰ ਲਈ ਫੀਡਬੈਕ ਸ਼ਾਮਿਲ ਹੋ ਸਕਦੇ ਹਨ।
-
ਕਾਂਟੈਕਸਟ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਨਾ ਜਦੋਂ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਵਧਦੀ ਹੈ ਅਤੇ ਆਪਣੀ ਸੀਮਾ ਦੇ ਨੇੜੇ ਆਉਂਦੀ ਹੈ, ਤਾਂ ਸਮਰੀਕਰਨ ਅਤੇ ਟ੍ਰਿਮਿੰਗ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਵਰਤੀ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਵਿੱਚ ਸਿਰਫ ਸਭ ਤੋਂ ਉਚਿਤ ਜਾਣਕਾਰੀ ਰੱਖਣ ਜਾਂ ਪੁਰਾਣੇ ਸੁਨੇਹਿਆਂ ਨੂੰ ਹਟਾਉਣ ਦਾ ਵਿਕਲਪ شامِل ਹੈ।
-
ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ ਵਿਕਸਿਤ ਕਰਨਾ ਇੱਕ ਕਿਸਮ ਦੀ ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਹੈ ਕਿਉਂਕਿ ਹਰ ਏਜੰਟ ਆਪਣੀ ਖ਼ੁਦ ਦੀ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਰੱਖਦਾ ਹੈ। ਇਹ ਕਾਂਟੈਕਸਟ ਕਿਵੇਂ ਸਾਂਝਾ ਅਤੇ ਵੱਖ-ਵੱਖ ਏਜੰਟਾਂ ਨੂੰ ਪਾਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਇਹ ਵੀ ਇਨ੍ਹਾਂ ਸਿਸਟਮਾਂ ਨੂੰ ਬਣਾਉਂਦੇ ਸਮੇਂ ਯੋਜਨਾ ਬਣਾਉਣ ਵਾਲੀ ਗੱਲ ਹੈ।
-
ਸੈਂਡਬਾਕਸ ਮਾਹੌਲ ਜੇ ਕਿਸੇ ਏਜੰਟ ਨੂੰ ਕੁਝ ਕੋਡ ਚਲਾਉਣ ਦੀ ਜਾਂ ਕਿਸੇ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਜਾਣਕਾਰੀ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇ, ਤਾਂ ਇਹ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਟੋਕਨ ਲੈ ਸਕਦਾ ਹੈ। ਇਸ ਸਾਰੀ ਜਾਣਕਾਰੀ ਨੂੰ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਵਿੱਚ रखने ਦੇ ਬਦਲੇ, ਏਜੰਟ ਇੱਕ ਸੈਂਡਬਾਕਸ ਮਾਹੌਲ ਵਰਤ ਸਕਦਾ ਹੈ ਜੋ ਇਹ ਕੋਡ ਚਲਾ ਸਕਦਾ ਹੈ ਅਤੇ ਸਿਰਫ ਨਤੀਜੇ ਅਤੇ ਹੋਰ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਨੂੰ ਪੜ੍ਹਦਾ ਹੈ।
-
ਰਨਟਾਈਮ ਸਟੇਟ ਆਬਜੈਕਟ ਇਹ ਉਸ ਸਮੇਂ ਦੀ ਸਥਿਤੀ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਜਾਣਕਾਰੀ ਦੇ ਕਨਟੇਨਰ ਬਣਾਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਏਜੰਟ ਨੂੰ ਕੁਝ ਖ਼ਾਸ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਇੱਕ ਜਟਿਲ ਕਾਰਜ ਲਈ, ਇਸ ਨਾਲ ਏਜੰਟ ਨੂੰ ਹਰ ਸਬਟਾਸਕ ਦੇ ਨਤੀਜੇ ਇਕ-ਇਕ ਕਰਕੇ ਸਟੋਰ ਕਰਨ ਦੀ ਯੋਗਤਾ ਮਿਲਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਕਾਂਟੈਕਸਟ ਸਿਰਫ ਉਸ ਖ਼ਾਸ ਸਬਟਾਸਕ ਨਾਲ ਜੁੜਿਆ ਰਹਿੰਦਾ ਹੈ।
Example of Context Engineering
ਮੰਨੋ ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਇੱਕ AI ਏਜੰਟ “ਮੇਰੇ ਲਈ ਪੈਰਿਸ ਦੀ ਯਾਤਰਾ ਬੁੱਕ ਕਰੋ.”
• ਇੱਕ ਸਧਾਰਣ ਏਜੰਟ ਜੋ ਸਿਰਫ ਪ੍ਰੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਵਰਤਦਾ ਹੈ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਕੇਵਲ ਇਹ ਜਵਾਬ ਦੇਵੇ: “ਠੀਕ ਹੈ, ਤੁਸੀਂ ਪੈਰਿਸ ਕਦੋਂ ਜਾਣਾ ਚਾਹੋਗੇ?”। ਇਸ ਨੇ ਸਿਰਫ ਉਪਭੋਗਤਾ ਦੇ ਸਿੱਧੇ ਪ੍ਰਸ਼ਨ ਨੂੰ ਉਸ ਸਮੇਂ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਦੋਂ ਉਪਭੋਗਤਾ ਨੇ ਪੁੱਛਿਆ ਸੀ।
• ਇੱਕ ਏਜੰਟ ਜੋ ਉਪਰ ਆਏ ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਰਣਨੀਤੀਆਂ ਵਰਤਦਾ ਹੈ ਉਹ ਕਾਫੀ ਹੋਰ ਕੰਮ ਕਰੇਗਾ। ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ, ਇਸ ਦੀ ਸਿਸਟਮ ਹੋ ਸਕਦਾ ਹੈ:
◦ ਤੁਹਾਡੇ ਕੈਲੰਡਰ ਨੂੰ ਚੈੱਕ ਕਰਨ ਲਈ ਉਪਲਬਧ ਤਾਰਿਖਾਂ (ਰੀਅਲ-ਟਾਈਮ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਨਾ)।
◦ ਪिछਲੀ ਯਾਤਰਾ ਪਸੰਦਾਂ ਨੂੰ ਯਾਦ ਕਰਨਾ (ਲੰਬੇ ਸਮੇਂ ਦੀ ਯਾਦ ਤੋਂ) ਜਿਵੇਂ ਤੁਹਾਡੀ ਮਨਪਸੰਦ ਏਅਰਲਾਈਨ, ਬਜਟ, ਜਾਂ ਕੀ ਤੁਸੀਂ ਸਿੱਧੀ ਉਡਾਣ ਪਸੰਦ ਕਰਦੇ ਹੋ।
◦ ਉਪਲਬਧ ਟੂਲਜ਼ ਦੀ ਪਛਾਣ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਫਲਾਈਟ ਅਤੇ ਹੋਟਲ ਬੁਕਿੰਗ ਵਾਲੇ ਟੂਲਜ਼।
- ਫਿਰ, ਇੱਕ ਉਦਾਹਰਣ ਜਵਾਬ ਹੋ ਸਕਦਾ ਹੈ: “ਹੈਲੋ [ਤੁਹਾਡਾ ਨਾਂ]! ਮੈਂ ਵੇਖਦਾ ਹਾਂ ਕਿ ਤੁਸੀਂ ਅਕਤੂਬਰ ਦੇ ਪਹਿਲੇ ਹਫਤੇ ਵਿੱਚ ਫ਼੍ਰੀ ਹੋ। ਕੀ ਮੈਂ ਤੁਹਾਡੇ ਲਿਆ [Preferred Airline] ਉੱਤੇ ਤੁਹਾਡੇ ਆਮ ਬਜਟ [Budget] ਦੇ ਅੰਦਰ ਸਿੱਧੀਆਂ ਉਡਾਣਾਂ ਲੱਭਾਂ?” ਇਹ ਸਮਰੱਥ, ਕਾਂਟੈਕਸਟ-ਆਵੇਅਰ ਜਵਾਬ ਕਾਂਟੈਕਸਟ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਤਾਕਤ ਦਿਖਾਉਂਦਾ ਹੈ।
Common Context Failures
Context Poisoning
ਇਹ ਕੀ ਹੈ: ਜਦੋਂ LLM ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਕੋਈ ਹਾਲੂਸੀਨੇਸ਼ਨ (ਗਲਤ ਜਾਣਕਾਰੀ) ਜਾਂ ਕੋਈ ਗਲਤੀ ਕਾਂਟੈਕਸਟ ਵਿੱਚ ਆ ਜਾਂਦੀ ਹੈ ਅਤੇ ਵਾਰ-ਵਾਰ ਹਵਾਲਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਅਸੰਭਵ ਲਕੜੀਆਂ ਦਾ ਪਿਛਾ ਕਰਨ ਲੱਗਦਾ ਹੈ ਜਾਂ ਮੈਲਿਆਂ ਭਰੀਆਂ ਰਣਨੀਤੀਆਂ ਵਿਕਸਿਤ ਕਰ ਲੈਂਦਾ ਹੈ।
ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ: ਕਾਂਟੈਕਸਟ ਵੈਲੀਡੇਸ਼ਨ ਅਤੇ ਕੁਆਰੰਟੀਨ ਲਾਗੂ ਕਰੋ। ਲੰਬੇ ਸਮੇਂ ਦੀ ਯਾਦ ਵਿੱਚ ਜਾਣਕਾਰੀ ਜੋੜਨ ਤੋਂ ਪਹਿਲਾਂ ਉਸਦੀ ਵੈਰੀਫਿਕੇਸ਼ਨ ਕਰੋ। ਜੇ ਸੰਭਾਵਿਤ ਪੋਇਜ਼ਨਿੰਗ ਪਈ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਖਰਾਬ ਜਾਣਕਾਰੀ ਦੇ ਫੈਲਣ ਨੂੰ ਰੋਕਣ ਲਈ ਨਵੀਆਂ ਤਾਜ਼ਾ ਕਾਂਟੈਕਸਟ ਧਾਰਾਵਾਂ ਸ਼ੁਰੂ ਕਰੋ।
ਯਾਤਰਾ ਬੁਕਿੰਗ ਉਦਾਹਰਣ: ਤੁਹਾਡਾ ਏਜੰਟ ਇੱਕ ਛੋਟੇ ਸਥਾਨਕ ਹਵਾਈ ਅੱਡੇ ਤੋਂ ਦੂਰੇ ਅੰਤਰਰਾਸ਼ਟਰੀ ਸ਼ਹਿਰ ਤੱਕ ਦੀ ਸਿੱਧੀ ਉਡਾਣ ਦੀ ਹਾਲੂਸੀਨੇਸ਼ਨ ਕਰਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਅੰਤਰਰਾਸ਼ਟਰੀ ਉਡਾਣਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਨਹੀਂ ਕਰਦਾ। ਇਹ ਮੌਜੂਦ ਨਾ ਹੋਣ ਵਾਲੀ ਉਡਾਣ ਦੀ ਜਾਣਕਾਰੀ ਕਾਂਟੈਕਸਟ ਵਿੱਚ ਸੇਵ ਹੋ ਜਾਂਦੀ ਹੈ। ਬਾਅਦ ਵਿੱਚ, ਜਦੋਂ ਤੁਸੀਂ ਏਜੰਟ ਨੂੰ ਬੁੱਕ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹੋ, ਉਹ ਇਸ ਅਸੰਭਵ ਰੂਟ ਲਈ ਟਿਕਟ ਖੋਜਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਰਹਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕੋ ਹੀ ਗਲਤੀਆਂ ਦੁਹਰਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ।
ਸੋਲੂਸ਼ਨ: ਇੱਕ ਐਸਾ ਕਦਮ ਲਾਗੂ ਕਰੋ ਜੋ ਉਡਾਣਾਂ ਦੀ ਮੌਜੂਦਗੀ ਅਤੇ ਰੂਟਾਂ ਨੂੰ ਏਜੰਟ ਦੇ ਵਰਕਿੰਗ ਕਾਂਟੈਕਸਟ ਵਿੱਚ ਜੋੜਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਰੀਅਲ-ਟਾਈਮ API ਨਾਲ ਵੈਰੀਫਾਈ ਕਰੇ। ਜੇ ਵੈਰੀਫਿਕੇਸ਼ਨ ਫੇਲ ਹੋਵੇ, ਤਾਂ ਗਲਤ ਜਾਣਕਾਰੀ “ਕੁਆਰੰਟੀਨ” ਕੀਤੀ ਜਾਵੇ ਅਤੇ ਅਗਲੇ ਵਰਤੋਂ ਲਈ ਵਰਤੀ ਨਾ ਜਾਵੇ।
Context Distraction
ਇਹ ਕੀ ਹੈ: ਜਦੋਂ ਕਾਂਟੈਕਸਟ ਇੰਨਾ ਵੱਡਾ ਹੋ ਜਾਂਦਾ ਹੈ ਕਿ ਮਾਡਲ ਇਕੱਠੀ ਹੋਈ ਇਤਿਹਾਸ ਉੱਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਧਿਆਨ ਦੇਣ ਲੱਗਦਾ ਹੈ ਬਦਲੇ ਵਿੱਚ ਉਸ ਜੋ ਕੁਝ ਇਸ ਨੇ ਟ੍ਰੇਨਿੰਗ ਦੌਰਾਨ ਸਿੱਖਿਆ ਸੀ ਉਸਨੂੰ ਵਰਤਣ ਦੀ ਥਾਂ, ਜਿਸ ਨਾਲ ਦੁਹਰਾਉਣ ਵਾਲੀ ਜਾਂ ਬੇਕਾਰ ਕਾਰਵਾਈਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਮਾਡਲ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋ ਭਰੀ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਗਲਤੀਆਂ ਕਰਨ ਲੱਗਦੇ ਹਨ।
ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ: ਕਾਂਟੈਕਸਟ ਸਮਰੀਕਰਨ ਵਰਤੋ। ਇਕ ਨਿਰਧਾਰਤ ਸਮੇਂ ਬਾਅਦ ਇਕੱਠੀ ਕੀਤੀ ਜਾਣਕਾਰੀ ਨੂੰ ਛੋਟੀਆਂ ਸਮਰੀਆਂ ਵਿੱਚ ਸੰਕੁਚਿਤ ਕਰੋ, ਮਹੱਤਵਪੂਰਨ ਵਿਸਥਾਰ ਰੱਖਦੇ ਹੋਏ ਫ਼ਰਜ਼ੀ ਇਤਿਹਾਸ ਨੂੰ ਹਟਾ ਦਿਓ। ਇਹ ਧਿਆਨ ਨੂੰ “ਰੀਸੈਟ” ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਯਾਤਰਾ ਬੁਕਿੰਗ ਉਦਾਹਰਣ: ਤੁਸੀਂ ਬਹੁਤ ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਵੱਖ-ਵੱਖ ਸੁਪਨੇ ਵਾਲੀਆਂ ਯਾਤਰਾ ਮੰਜ਼ਿਲਾਂ ਬਾਰੇ ਗੱਲਬਾਤ ਕਰ ਰਹੇ ਹੋ, ਜਿਸ ਵਿੱਚ ਦੋ ਸਾਲ ਪਹਿਲਾਂ ਦੀ ਤੁਹਾਡੇ ਬੈਕਪੈਕਿੰਗ ਟ੍ਰਿਪ ਦੀ ਵਿਸਥਾਰਵਾਦ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਆਖਿਰਕਾਰ ਪੂਛਦੇ ਹੋ “ਅਗਲੇ ਮਹੀਨੇ ਲਈ ਮੈਂ ਇੱਕ ਸਸਤੀ ਉਡਾਣ ਲੱਭੋ,” ਤਾਂ ਏਜੰਟ ਪੁਰਾਣੀਆਂ, ਗੈਰ-ਸੰਬੰਧਿਤ ਵਿਸਥਾਰਾਂ ਵਿੱਚ ਫਸ ਜਾਂਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡੇ ਬੈਕਪੈਕਿੰਗ ਗੀਅਰ ਜਾਂ ਪੁਰਾਣੀਆਂ ਯਾਤਰਾ ਯੋਜਨਾਵਾਂ ਬਾਰੇ ਪੁੱਛਦਾ ਰਹਿੰਦਾ ਹੈ, ਤੁਹਾਡੀ ਮੌਜੂਦਾ ਬੇਨਤੀ ਦੀ ਅਣਦੇਖੀ ਕਰਦਾ ਹੈ।
ਸੋਲੂਸ਼ਨ: ਨਿਰਧਾਰਤ ਮੋੜਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਬਾਅਦ ਜਾਂ ਜਦੋਂ ਕਾਂਟੈਕਸਟ ਵੱਧ ਜਾਵੇ, ਤਾਂ ਏਜੰਟ ਨੂੰ ਗੱਲਬਾਤ ਦੇ ਸਭ ਤੋਂ ਹਾਲੀਆ ਅਤੇ ਸੰਬੰਧਿਤ ਹਿੱਸਿਆਂ ਦਾ ਸਮਰੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ – ਤੁਹਾਡੀ ਮੌਜੂਦਾ ਯਾਤਰਾ ਦੀਆਂ ਤਾਰਿਖਾਂ ਅਤੇ ਮੰਜ਼ਿਲ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹੋਏ – ਅਤੇ ਅਗਲੇ LLM ਕਾਲ ਲਈ ਉਸ ਸੰਕੁਚਿਤ ਸਮਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਘਟੀਆ ਅਤੇ ਘੱਟ ਸੰਬੰਧਿਤ ਗੱਲਬਾਤ ਨੂੰ ਬਰਖਾਸਤ ਕਰਦੇ ਹੋਏ।
Context Confusion
ਇਹ ਕੀ ਹੈ: ਜਦੋਂ ਗੈਰ-ਜ਼ਰੂਰੀ ਕਾਂਟੈਕਸਟ, ਅਕਸਰ ਬਹੁਤ ਸਾਰੇ ਉਪਲਬਧ ਟੂਲਜ਼ ਦੇ ਰੂਪ ਵਿੱਚ, ਮਾਡਲ ਨੂੰ ਮਾੜੀਆਂ ਜਵਾਬਾਂ ਬਣਾਉਣ ਜਾਂ ਗੈਰ-ਸੰਬੰਧਿਤ ਟੂਲਜ਼ ਬੁਲਾਉਣ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਦਾ ਹੈ। ਛੋਟੇ ਮਾਡਲ ਇਸ ਦੇ ਲਈ ਖਾਸ ਤੌਰ ‘ਤੇ ਜ਼ਿਆਦਾ ਪ੍ਰਭਾਵੀ ਹੁੰਦੇ ਹਨ।
ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ: RAG ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟੂਲ ਲੋਡਆਉਟ ਪ੍ਰਬੰਧਨ ਲਾਗੂ ਕਰੋ। ਟੂਲ ਵਰਣਨਾਂ ਨੂੰ ਇੱਕ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸਟੋਰ ਕਰੋ ਅਤੇ ਹਰ ਖ਼ਾਸ ਕਾਰਜ ਲਈ ਸਿਰਫ਼ ਸਭ ਤੋਂ ਸੰਬੰਧਿਤ ਟੂਲਜ਼ ਚੁਣੋ। ਰਿਸਰਚ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਟੂਲ ਚੋਣਾਂ ਨੂੰ 30 ਤੋਂ ਘੱਟ ਰੱਖਣਾ ਚੰਗਾ ਹੈ।
ਯਾਤਰਾ ਬੁਕਿੰਗ ਉਦਾਹਰਣ: ਤੁਹਾਡੇ ਏਜੰਟ ਕੋਲ ਦਰਜਨਾਂ ਟੂਲਜ਼ ਦੀ ਪਹੁੰਚ ਹੈ: book_flight, book_hotel, rent_car, find_tours, currency_converter, weather_forecast, restaurant_reservations, ਆਦਿ। ਤੁਸੀਂ ਪੁੱਛਦੇ ਹੋ, “ਪੈਰਿਸ ਵਿੱਚ ਘੁੰਮਣ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਕੀ ਹੈ?” ਟੂਲਜ਼ ਦੀ ਵੱਡੀ ਗਿਣਤੀ ਕਾਰਨ, ਏਜੰਟ ਗੁੰਝਲਦਾਰ ਹੋ ਜਾਂਦਾ ਹੈ ਅਤੇ ਪੈਰਿਸ ਵਿੱਚ book_flight ਨੂੰ ਕਾਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਜਾਂ rent_car ਨੂੰ ਕਾਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ਹਾਲਾਂਕਿ ਤੁਸੀਂ ਜਨਤਕ ਆਵਾਜਾਈ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹੋ, ਕਿਉਂਕਿ ਟੂਲ ਵਰਣਨਾਂ ਇੱਕ-ਦੂਜੇ ਨਾਲ ਓਵਰਲੈਪ ਕਰ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਇਹ ਸਹੀ ਟੂਲ ਚੁਣਨ ਵਿੱਚ ਅਸਮਰੱਥ ਹੈ।
ਸੋਲੂਸ਼ਨ: ਟੂਲ ਵਰਣਨਾਂ ਉੱਤੇ RAG ਵਰਤੋ। ਜਦੋਂ ਤੁਸੀਂ ਪੈਰਿਸ ਵਿੱਚ ਘੁੰਮਣ ਬਾਰੇ ਪੁੱਛਦੇ ਹੋ, ਸਿਸਟਮ ਗਤੀਸ਼ੀਲ ਤੌਰ ‘ਤੇ ਕੇਵਲ ਸਭ ਤੋਂ ਸੰਬੰਧਿਤ ਟੂਲਜ਼ ਜਿਵੇਂ rent_car ਜਾਂ public_transport_info ਨੂੰ ਤੁਹਾਡੇ ਪ੍ਰਸ਼ਨ ਦੇ ਆਧਾਰ ‘ਤੇ ਰੀਟਰੀਵ ਕਰਦਾ ਹੈ, ਅਤੇ LLM ਲਈ ਇੱਕ ਕੇਂਦਰਿਤ “ਲੋਡਆਉਟ” ਪੇਸ਼ ਕਰਦਾ ਹੈ।
Context Clash
ਇਹ ਕੀ ਹੈ: ਜਦੋਂ ਕਾਂਟੈਕਸਟ ਵਿੱਚ ਵਿਵਾਦਪੂਰਕ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਗੈਰ-ਸੰਮੇਤਕ ਤਰਕਸ਼ੀਲਤਾ ਜਾਂ ਮਾੜੇ ਆਖ਼ਰੀ ਜਵਾਬ ਆਉਂਦੇ ਹਨ। ਇਹ ਅਕਸਰ ਤਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਜਾਣਕਾਰੀ ਵੱਖ-ਵੱਖ ਪੜਾਅ ਵਿੱਚ ਆਉਂਦੀ ਹੈ ਅਤੇ ਪਹਿਲੀਆਂ ਗਲਤ ਧਾਰਨਾਵਾਂ ਕਾਂਟੈਕਸਟ ਵਿੱਚ ਰਹਿ ਜਾਂਦੀਆਂ ਹਨ।
ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ: ਕਾਂਟੈਕਸਟ ਪ੍ਰੂਨਿੰਗ ਅਤੇ ਆਫਲੋਡਿੰਗ ਵਰਤੋ। ਪ੍ਰੂਨਿੰਗ ਦਾ ਮਤਲਬ ਪੁਰਾਣੀ ਜਾਂ ਟਕਰਾਉਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਨਵੇਂ ਵਿਵਰਣ ਆਉਣ ‘ਤੇ ਹਟਾਉਣਾ ਹੈ। ਆਫਲੋਡਿੰਗ ਮਾਡਲ ਨੂੰ ਇੱਕ ਵੱਖਰਾ “ਸਕ੍ਰੈਚਪੈਡ” ਵਰਕਸਪੇਸ ਦਿੰਦਾ ਹੈ ਤਾਂ ਜੋ ਜਾਣਕਾਰੀ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਜਾ ਸਕੇ ਬਿਨਾਂ ਮੁੱਖ ਕਾਂਟੈਕਸਟ ਨੂੰ ਭਰਿਆ ਕਰਨ ਦੇ।
ਯਾਤਰਾ ਬੁਕਿੰਗ ਉਦਾਹਰਣ: ਤੁਸੀਂ ਸ਼ੁਰੂ ਵਿੱਚ ਆਪਣੇ ਏਜੰਟ ਨੂੰ ਦੱਸਦੇ ਹੋ, “ਮੈਂ ਇ코ਨੋਮੀ ਕਲਾਸ ਵਿਚ ਉਡਾਣ ਲੈਣਾ ਚਾਹੁੰਦਾ ਹਾਂ.” ਬਾਅਦ ਵਿੱਚ ਗੱਲਬਾਤ ਦੌਰਾਨ ਤੁਸੀਂ ਆਪਣਾ ਮਨ ਬਦਲ ਕੇ ਕਹਿੰਦੇ ਹੋ, “ਅਸਲ ਵਿੱਚ, ਇਸ ਯਾਤਰਾ ਲਈ ਅਸੀਂ ਬਿਜ਼ਨੈਸ ਕਲਾਸ ਚਲਦੇ ਹਾਂ.” ਜੇ ਦੋਹਾਂ ਹਦਾਇਤਾਂ ਕਾਂਟੈਕਸਟ ਵਿੱਚ ਰਹਿੰਦੀਆਂ ਹਨ, ਤਾਂ ਏਜੰਟ ਨੂੰ ਟਕਰਾਉਣ ਵਾਲੇ ਖੋਜ ਨਤੀਜੇ ਮਿਲ ਸਕਦੇ ਹਨ ਜਾਂ ਇਹ ਪਸੰਦਾਂ ਵਿੱਚੋਂ ਕਿਸ ਨੂੰ ਤਰਜੀਹ ਦੇਵੇ ਇਹ ਬਾਰੇ ਉਲਝਣ ਹੋ ਸਕਦੀ ਹੈ।
ਸੋਲੂਸ਼ਨ: ਕਾਂਟੈਕਸਟ ਪ੍ਰੂਨਿੰਗ ਲਾਗੂ ਕਰੋ। ਜਦੋਂ ਕੋਈ ਨਵੀਂ ਹਦਾਇਤ ਪੁਰਾਣੀ ਹਦਾਇਤ ਨਾਲ ਵਿਰੋਧ ਕਰਦੀ ਹੈ, ਤਾਂ ਪੁਰਾਣੀ ਹਦਾਇਤ ਨੂੰ ਕਾਂਟੈਕਸਟ ਤੋਂ ਹਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਜਾਂ ਸਪਸ਼ਟ ਤੌਰ ‘ਤੇ ਓਵਰਰਾਈਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਵਿਕਲਪਕ ਤੌਰ ‘ਤੇ, ਏਜੰਟ ਟਕਰਾਉਣ ਵਾਲੀਆਂ ਪਸੰਦਾਂ ਨੂੰ ਫੈਸਲਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਾਂਝਾ ਕਰਨ ਲਈ ਇੱਕ ਸਕ੍ਰੈਚਪੈਡ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ, ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋਏ ਕਿ ਕੇਵਲ ਆਖ਼ਰੀ, ਸੰਗਤ ਹਦਾਇਤ ਉਸ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਦਾ ਮਾਰਗ ਦਰਸਾਵੇ।
Got More Questions About Context Engineering?
Join the Microsoft Foundry Discord to meet with other learners, attend office hours and get your AI Agents questions answered.
ਅਸਵੀਕਾਰਤਾ: ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਪੂਰੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਪਰ ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਪਸ਼ਟਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਹਿਮ ਜਾਣਕਾਰੀ ਲਈ ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਇਸਤੇਮਾਲ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤ ਸਮਝਾਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।