ਜਦੋਂ AI ਏਜੰਟਾਂ ਬਣਾਉਣ ਦੇ ਵਿਸ਼ੇਸ਼ ਫਾਇਦਿਆਂ ਦੀ ਗੱਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਮੁੱਖ ਤੌਰ ‘ਤੇ ਦੋ ਚੀਜ਼ਾਂ ‘ਤੇ ਚਰਚਾ ਹੁੰਦੀ ਹੈ: ਟਾਸਕ ਪੂਰੇ ਕਰਨ ਲਈ ਟੂਲਜ਼ ਨੂੰ ਕਾਲ ਕਰਨ ਦੀ ਸਮਰਥਾ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ ਕਰਨ ਦੀ ਯੋਗਤਾ। ਮੈਮੋਰੀ ਉਹ ਅਧਾਰ ਹੈ ਜਿਸ ‘ਤੇ ਸਵੈ-ਸੁਧਾਰ ਕਰਨ ਵਾਲੇ ਏਜੰਟ ਬਣਾਏ ਜਾਂਦੇ ਹਨ ਜੋ ਸਾਡੇ ਯੂਜ਼ਰਾਂ ਲਈ ਵਧੀਆ ਅਨੁਭਵ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ।
ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ AI ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ ਕੀ ਹੈ ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਪ੍ਰਬੰਧਿਤ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਫਾਇਦੇ ਲਈ ਕਿਵੇਂ ਵਰਤ ਸਕਦੇ ਹਾਂ।
ਇਸ ਪਾਠ ਵਿੱਚ ਇਹ ਕਵਰ ਕੀਤਾ ਜਾਵੇਗਾ:
• AI ਏਜੰਟ ਮੈਮੋਰੀ ਨੂੰ ਸਮਝਣਾ: ਮੈਮੋਰੀ ਕੀ ਹੈ ਅਤੇ ਇਹ ਏਜੰਟਾਂ ਲਈ ਕਿਉਂ ਜ਼ਰੂਰੀ ਹੈ।
• ਮੈਮੋਰੀ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਅਤੇ ਸਟੋਰ ਕਰਨਾ: ਆਪਣੇ AI ਏਜੰਟਾਂ ਵਿੱਚ ਮੈਮੋਰੀ ਸਮਰਥਾ ਸ਼ਾਮਲ ਕਰਨ ਦੇ ਵਿਹੰਗਮ ਤਰੀਕੇ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਸ਼ਾਰਟ-ਟਰਮ ਅਤੇ ਲਾਂਗ-ਟਰਮ ਮੈਮੋਰੀ ‘ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਗਿਆ ਹੈ।
• AI ਏਜੰਟਾਂ ਨੂੰ ਸਵੈ-ਸੁਧਾਰਕ ਬਣਾਉਣਾ: ਮੈਮੋਰੀ ਕਿਵੇਂ ਪਿਛਲੇ ਇੰਟਰੈਕਸ਼ਨ ਤੋਂ ਸਿੱਖਣ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ ਕਰਨ ਵਿੱਚ ਏਜੰਟਾਂ ਦੀ ਮਦਦ ਕਰਦੀ ਹੈ।
ਇਸ ਪਾਠ ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਇਹ ਜਾਣ ਸਕੋਗੇ:
• AI ਏਜੰਟ ਮੈਮੋਰੀ ਦੇ ਵੱਖ-ਵੱਖ ਪ੍ਰਕਾਰਾਂ ਵਿੱਚ ਅੰਤਰ ਕਰਨਾ, ਜਿਵੇਂ ਕਿ ਵਰਕਿੰਗ, ਸ਼ਾਰਟ-ਟਰਮ, ਅਤੇ ਲਾਂਗ-ਟਰਮ ਮੈਮੋਰੀ, ਅਤੇ ਵਿਸ਼ੇਸ਼ਕ੍ਰਿਤ ਰੂਪਾਂ ਜਿਵੇਂ ਕਿ ਪੇਰਸੋਨਾ ਅਤੇ ਐਪੀਸੋਡਿਕ ਮੈਮੋਰੀ।
• AI ਏਜੰਟਾਂ ਲਈ ਸ਼ਾਰਟ-ਟਰਮ ਅਤੇ ਲਾਂਗ-ਟਰਮ ਮੈਮੋਰੀ ਨੂੰ ਲਾਗੂ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨਾ ਸੈਮੈਂਟਿਕ ਕਰਨਲ ਫਰੇਮਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਜਿਵੇਂ ਕਿ Mem0 ਅਤੇ ਵਾਈਟਬੋਰਡ ਮੈਮੋਰੀ ਵਰਗੇ ਟੂਲਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਅਤੇ Azure AI Search ਨਾਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ।
• ਸਵੈ-ਸੁਧਾਰਕ AI ਏਜੰਟਾਂ ਦੇ ਮੂਲ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਕਿਵੇਂ ਮਜ਼ਬੂਤ ਮੈਮੋਰੀ ਪ੍ਰਬੰਧਨ ਪ੍ਰਣਾਲੀਆਂ ਨਿਰੰਤਰ ਸਿੱਖਣ ਅਤੇ ਅਨੁਕੂਲਤਾ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੀਆਂ ਹਨ।
ਮੂਲ ਤੌਰ ‘ਤੇ, AI ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ ਉਹ ਮਕੈਨਿਜ਼ਮ ਹੈ ਜੋ ਉਨ੍ਹਾਂ ਨੂੰ ਜਾਣਕਾਰੀ ਨੂੰ ਰੱਖਣ ਅਤੇ ਯਾਦ ਕਰਨ ਦੀ ਯੋਗਤਾ ਦਿੰਦਾ ਹੈ। ਇਹ ਜਾਣਕਾਰੀ ਗੱਲਬਾਤ ਦੇ ਖਾਸ ਵੇਰਵੇ, ਯੂਜ਼ਰ ਦੀਆਂ ਪਸੰਦਾਂ, ਪਿਛਲੇ ਕਾਰਵਾਈਆਂ, ਜਾਂ ਸਿੱਖੇ ਪੈਟਰਨ ਹੋ ਸਕਦੇ ਹਨ।
ਮੈਮੋਰੀ ਤੋਂ ਬਿਨਾਂ, AI ਐਪਲੀਕੇਸ਼ਨ ਅਕਸਰ ਸਟੇਟਲੈਸ ਹੁੰਦੇ ਹਨ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਹਰ ਇੰਟਰੈਕਸ਼ਨ ਨਵੇਂ ਸਿਰੇ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਇਸ ਨਾਲ ਦੁਹਰਾਅ ਅਤੇ ਨਿਰਾਸ਼ਾਜਨਕ ਯੂਜ਼ਰ ਅਨੁਭਵ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਏਜੰਟ ਪਿਛਲੇ ਸੰਦਰਭ ਜਾਂ ਪਸੰਦਾਂ ਨੂੰ “ਭੁੱਲ” ਜਾਂਦਾ ਹੈ।
ਏਜੰਟ ਦੀ ਬੁੱਧੀਮਾਨੀ ਉਸਦੀ ਪਿਛਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਯਾਦ ਕਰਨ ਅਤੇ ਵਰਤਣ ਦੀ ਯੋਗਤਾ ਨਾਲ ਗਹਿਰਾਈ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ। ਮੈਮੋਰੀ ਏਜੰਟਾਂ ਨੂੰ ਇਹ ਬਣਾਉਂਦੀ ਹੈ:
• ਚਿੰਤਨਸ਼ੀਲ: ਪਿਛਲੇ ਕਾਰਵਾਈਆਂ ਅਤੇ ਨਤੀਜਿਆਂ ਤੋਂ ਸਿੱਖਣਾ।
• ਇੰਟਰੈਕਟਿਵ: ਚਰਚਾ ਦੇ ਦੌਰਾਨ ਸੰਦਰਭ ਨੂੰ ਕਾਇਮ ਰੱਖਣਾ।
• ਪ੍ਰੋਐਕਟਿਵ ਅਤੇ ਰੀਐਕਟਿਵ: ਪਿਛਲੇ ਡਾਟਾ ਦੇ ਆਧਾਰ ‘ਤੇ ਜ਼ਰੂਰਤਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਜਾਂ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੇਣਾ।
• ਸਵੈ-ਚਾਲਕ: ਸਟੋਰ ਕੀਤੀ ਜਾਣਕਾਰੀ ‘ਤੇ ਆਧਾਰਿਤ ਵਧੇਰੇ ਸਵੈ-ਨਿਰਭਰ ਹੋਣਾ।
ਮੈਮੋਰੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦਾ ਉਦੇਸ਼ ਏਜੰਟਾਂ ਨੂੰ ਵਧੇਰੇ ਭਰੋਸੇਯੋਗ ਅਤੇ ਯੋਗ ਬਣਾਉਣਾ ਹੈ।
ਇਸਨੂੰ ਇੱਕ ਟੁਕੜੇ ਕਾਗਜ਼ ਵਾਂਗ ਸੋਚੋ ਜੋ ਏਜੰਟ ਇੱਕ ongoing ਟਾਸਕ ਜਾਂ ਸੋਚਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਵਰਤਦਾ ਹੈ। ਇਹ ਤੁਰੰਤ ਜਾਣਕਾਰੀ ਰੱਖਦਾ ਹੈ ਜੋ ਅਗਲੇ ਕਦਮ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਹੈ।
AI ਏਜੰਟਾਂ ਲਈ, ਵਰਕਿੰਗ ਮੈਮੋਰੀ ਅਕਸਰ ਗੱਲਬਾਤ ਤੋਂ ਸਭ ਤੋਂ ਸਬੰਧਤ ਜਾਣਕਾਰੀ ਨੂੰ ਕੈਪਚਰ ਕਰਦੀ ਹੈ, ਭਾਵੇਂ ਪੂਰੀ ਚੈਟ ਹਿਸਟਰੀ ਲੰਬੀ ਜਾਂ ਕੱਟੀ ਹੋਈ ਹੋਵੇ। ਇਹ ਮੁੱਖ ਤੱਤਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਨ ‘ਤੇ ਧਿਆਨ ਦਿੰਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਜ਼ਰੂਰਤਾਂ, ਪ੍ਰਸਤਾਵਾਂ, ਫੈਸਲੇ, ਅਤੇ ਕਾਰਵਾਈਆਂ।
ਵਰਕਿੰਗ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਇੱਕ ਟ੍ਰੈਵਲ ਬੁਕਿੰਗ ਏਜੰਟ ਵਿੱਚ, ਵਰਕਿੰਗ ਮੈਮੋਰੀ ਯੂਜ਼ਰ ਦੀ ਮੌਜੂਦਾ ਬੇਨਤੀ ਨੂੰ ਕੈਪਚਰ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ “ਮੈਂ ਪੈਰਿਸ ਦੀ ਯਾਤਰਾ ਬੁੱਕ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ”। ਇਹ ਖਾਸ ਜ਼ਰੂਰਤ ਮੌਜੂਦਾ ਇੰਟਰੈਕਸ਼ਨ ਨੂੰ ਗਾਈਡ ਕਰਨ ਲਈ ਏਜੰਟ ਦੇ ਤੁਰੰਤ ਸੰਦਰਭ ਵਿੱਚ ਰੱਖੀ ਜਾਂਦੀ ਹੈ।
ਇਹ ਪ੍ਰਕਾਰ ਦੀ ਮੈਮੋਰੀ ਇੱਕ ਗੱਲਬਾਤ ਜਾਂ ਸੈਸ਼ਨ ਦੇ ਦੌਰਾਨ ਜਾਣਕਾਰੀ ਨੂੰ ਰੱਖਦੀ ਹੈ। ਇਹ ਮੌਜੂਦਾ ਚੈਟ ਦਾ ਸੰਦਰਭ ਹੈ, ਜੋ ਏਜੰਟ ਨੂੰ ਡਾਇਲਾਗ ਵਿੱਚ ਪਿਛਲੇ ਟਰਨਾਂ ਦਾ ਹਵਾਲਾ ਦੇਣ ਦੀ ਯੋਗਤਾ ਦਿੰਦੀ ਹੈ।
ਸ਼ਾਰਟ ਟਰਮ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਜੇਕਰ ਯੂਜ਼ਰ ਪੁੱਛਦਾ ਹੈ, “ਪੈਰਿਸ ਲਈ ਫਲਾਈਟ ਦੀ ਕੀਮਤ ਕਿੰਨੀ ਹੋਵੇਗੀ?” ਅਤੇ ਫਿਰ ਅੱਗੇ ਪੁੱਛਦਾ ਹੈ “ਉਥੇ ਰਹਿਣ ਦੀ ਸਹੂਲਤ ਬਾਰੇ ਕੀ?”, ਤਾਂ ਸ਼ਾਰਟ-ਟਰਮ ਮੈਮੋਰੀ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਏਜੰਟ ਜਾਣਦਾ ਹੈ “ਉਥੇ” ਦਾ ਹਵਾਲਾ “ਪੈਰਿਸ” ਨੂੰ ਹੈ।
ਇਹ ਉਹ ਜਾਣਕਾਰੀ ਹੈ ਜੋ ਕਈ ਗੱਲਬਾਤਾਂ ਜਾਂ ਸੈਸ਼ਨਾਂ ਦੇ ਦੌਰਾਨ ਕਾਇਮ ਰਹਿੰਦੀ ਹੈ। ਇਹ ਏਜੰਟਾਂ ਨੂੰ ਯੂਜ਼ਰ ਦੀਆਂ ਪਸੰਦਾਂ, ਇਤਿਹਾਸਕ ਇੰਟਰੈਕਸ਼ਨ, ਜਾਂ ਆਮ ਗਿਆਨ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਤੱਕ ਯਾਦ ਰੱਖਣ ਦੀ ਯੋਗਤਾ ਦਿੰਦੀ ਹੈ। ਇਹ ਵਿਅਕਤੀਗਤ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ।
ਲਾਂਗ ਟਰਮ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਲਾਂਗ-ਟਰਮ ਮੈਮੋਰੀ ਇਹ ਸਟੋਰ ਕਰ ਸਕਦੀ ਹੈ ਕਿ “ਬੈਨ ਨੂੰ ਸਕੀਇੰਗ ਅਤੇ ਬਾਹਰੀ ਗਤੀਵਿਧੀਆਂ ਪਸੰਦ ਹਨ, ਮਾਊਂਟੇਨ ਵਿਊ ਨਾਲ ਕੌਫੀ ਪਸੰਦ ਹੈ, ਅਤੇ ਪਿਛਲੇ ਚੋਟ ਦੇ ਕਾਰਨ ਅਡਵਾਂਸਡ ਸਕੀ ਸਲੋਪਸ ਤੋਂ ਬਚਣਾ ਚਾਹੁੰਦਾ ਹੈ”। ਇਹ ਜਾਣਕਾਰੀ, ਪਿਛਲੇ ਇੰਟਰੈਕਸ਼ਨ ਤੋਂ ਸਿੱਖੀ ਗਈ, ਭਵਿੱਖ ਦੇ ਯਾਤਰਾ ਯੋਜਨਾ ਸੈਸ਼ਨਾਂ ਵਿੱਚ ਸਿਫਾਰਸ਼ਾਂ ਨੂੰ ਬਹੁਤ ਹੀ ਵਿਅਕਤੀਗਤ ਬਣਾਉਂਦੀ ਹੈ।
ਇਹ ਵਿਸ਼ੇਸ਼ਕ੍ਰਿਤ ਮੈਮੋਰੀ ਪ੍ਰਕਾਰ ਏਜੰਟ ਨੂੰ ਇੱਕ ਸਥਿਰ “ਪ੍ਰਸਨਾਲਿਟੀ” ਜਾਂ “ਪੇਰਸੋਨਾ” ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਇਹ ਏਜੰਟ ਨੂੰ ਆਪਣੇ ਬਾਰੇ ਜਾਂ ਆਪਣੇ ਇਰਾਦੇ ਵਾਲੇ ਰੋਲ ਬਾਰੇ ਵੇਰਵੇ ਯਾਦ ਰੱਖਣ ਦੀ ਯੋਗਤਾ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇੰਟਰੈਕਸ਼ਨ ਵਧੇਰੇ ਸੁਗਮ ਅਤੇ ਕੇਂਦਰਿਤ ਹੁੰਦੇ ਹਨ।
ਪੇਰਸੋਨਾ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਜੇਕਰ ਟ੍ਰੈਵਲ ਏਜੰਟ ਨੂੰ “ਸਕੀ ਪਲਾਨਿੰਗ ਦਾ ਮਾਹਰ” ਬਣਨ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਪੇਰਸੋਨਾ ਮੈਮੋਰੀ ਇਸ ਰੋਲ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਇਸਦੇ ਜਵਾਬ ਇੱਕ ਮਾਹਰ ਦੇ ਟੋਨ ਅਤੇ ਗਿਆਨ ਦੇ ਨਾਲ ਸੰਗਤ ਬਣ ਜਾਂਦੇ ਹਨ।
ਇਹ ਮੈਮੋਰੀ ਇੱਕ ਜਟਿਲ ਟਾਸਕ ਦੌਰਾਨ ਏਜੰਟ ਦੁਆਰਾ ਕੀਤੇ ਕਦਮਾਂ ਦੇ ਕ੍ਰਮ ਨੂੰ ਸਟੋਰ ਕਰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਫਲਤਾਵਾਂ ਅਤੇ ਅਸਫਲਤਾਵਾਂ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਪਿਛਲੇ “ਐਪੀਸੋਡ” ਜਾਂ ਅਨੁਭਵਾਂ ਨੂੰ ਯਾਦ ਰੱਖਣ ਵਾਂਗ ਹੈ।
ਐਪੀਸੋਡਿਕ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਜੇਕਰ ਏਜੰਟ ਨੇ ਇੱਕ ਖਾਸ ਫਲਾਈਟ ਬੁੱਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਪਰ ਇਹ ਅਨੁਪਲਬਧਤਾ ਦੇ ਕਾਰਨ ਫੇਲ੍ਹ ਹੋ ਗਈ, ਤਾਂ ਐਪੀਸੋਡਿਕ ਮੈਮੋਰੀ ਇਸ ਅਸਫਲਤਾ ਨੂੰ ਰਿਕਾਰਡ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਨੂੰ ਵਿਅਕਤੀਗਤ ਤਰੀਕੇ ਨਾਲ ਦੂਜੀਆਂ ਫਲਾਈਟਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਜਾਂ ਯੂਜ਼ਰ ਨੂੰ ਇਸ ਮੁੱਦੇ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦੇਣ ਦੀ ਯੋਗਤਾ ਮਿਲਦੀ ਹੈ।
ਇਸ ਵਿੱਚ ਗੱਲਬਾਤਾਂ ਤੋਂ ਵਿਸ਼ੇਸ਼ ਐਨਟੀਟੀਆਂ (ਜਿਵੇਂ ਕਿ ਲੋਕ, ਸਥਾਨ, ਜਾਂ ਚੀਜ਼ਾਂ) ਅਤੇ ਘਟਨਾਵਾਂ ਨੂੰ ਕੈਪਚਰ ਅਤੇ ਯਾਦ ਰੱਖਣਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਏਜੰਟ ਨੂੰ ਚਰਚਾ ਕੀਤੇ ਗਏ ਮੁੱਖ ਤੱਤਾਂ ਦੀ ਸਟ੍ਰਕਚਰਡ ਸਮਝ ਬਣਾਉਣ ਦੀ ਯੋਗਤਾ ਦਿੰਦਾ ਹੈ।
ਐਨਟੀਟੀ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਪਿਛਲੇ ਯਾਤਰਾ ਬਾਰੇ ਗੱਲਬਾਤ ਤੋਂ, ਏਜੰਟ “ਪੈਰਿਸ,” “ਐਫਲ ਟਾਵਰ,” ਅਤੇ “Le Chat Noir ਰੈਸਟੋਰੈਂਟ ਵਿੱਚ ਡਿਨਰ” ਨੂੰ ਐਨਟੀਟੀਆਂ ਵਜੋਂ ਕੈਪਚਰ ਕਰ ਸਕਦਾ ਹੈ। ਭਵਿੱਖ ਦੇ ਇੰਟਰੈਕਸ਼ਨ ਵਿੱਚ, ਏਜੰਟ “Le Chat Noir” ਨੂੰ ਯਾਦ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਉੱਥੇ ਨਵੀਂ ਰਿਜ਼ਰਵੇਸ਼ਨ ਕਰਨ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰ ਸਕਦਾ ਹੈ।
ਜਦੋਂ ਕਿ RAG ਇੱਕ ਵਿਆਪਕ ਤਕਨੀਕ ਹੈ, “ਸਟ੍ਰਕਚਰਡ RAG” ਨੂੰ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮੈਮੋਰੀ ਤਕਨਾਲੋਜੀ ਵਜੋਂ ਹਾਈਲਾਈਟ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ (ਗੱਲਬਾਤਾਂ, ਈਮੇਲ, ਚਿੱਤਰ) ਤੋਂ ਸੰਘਣੀ, ਸਟ੍ਰਕਚਰਡ ਜਾਣਕਾਰੀ ਕੈਪਚਰ ਕਰਦਾ ਹੈ ਅਤੇ ਜਵਾਬਾਂ ਵਿੱਚ ਸਹੀਪਨ, ਯਾਦਸ਼ਕਤੀ, ਅਤੇ ਗਤੀ ਨੂੰ ਵਧਾਉਣ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
ਸਟ੍ਰਕਚਰਡ RAG ਉਦਾਹਰਨ
ਸਿਰਫ ਕੀਵਰਡਾਂ ਨੂੰ ਮੈਚ ਕਰਨ ਦੀ ਬਜਾਏ, ਸਟ੍ਰਕਚਰਡ RAG ਈਮੇਲ ਤੋਂ ਫਲਾਈਟ ਵੇਰਵੇ (ਗੰਤੀ ਸਥਾਨ, ਮਿਤੀ, ਸਮਾਂ, ਏਅਰਲਾਈਨ) ਨੂੰ ਪਾਰਸ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਸਟ੍ਰਕਚਰਡ ਤਰੀਕੇ ਨਾਲ ਸਟੋਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਸਹੀ ਪੁੱਛਗਿੱਛਾਂ ਦੀ ਯੋਗਤਾ ਦਿੰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ “ਮੈਂ ਮੰਗਲਵਾਰ ਨੂੰ ਪੈਰਿਸ ਲਈ ਕਿਹੜੀ ਫਲਾਈਟ ਬੁੱਕ ਕੀਤੀ?”
AI ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਨਾ ਮੈਮੋਰੀ ਪ੍ਰਬੰਧਨ ਦੀ ਇੱਕ ਵਿਵਸਥਿਤ ਪ੍ਰਕਿਰਿਆ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਨਾ, ਸਟੋਰ ਕਰਨਾ, ਰੀਟਰੀਵ ਕਰਨਾ, ਇੰਟੀਗ੍ਰੇਟ ਕਰਨਾ, ਅਪਡੇਟ ਕਰਨਾ, ਅਤੇ “ਭੁੱਲਣਾ” (ਜਾਂ ਮਿਟਾਉਣਾ) ਸ਼ਾਮਲ ਹੈ। ਰੀਟਰੀਵਲ ਇੱਕ ਖਾਸ ਤੌਰ ‘ਤੇ ਮਹੱਤਵਪੂਰਨ ਪਹਲੂ ਹੈ।
ਏਜੰਟ ਮੈਮੋਰੀ ਨੂੰ ਸਟੋਰ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਵਿਸ਼ੇਸ਼ਕ੍ਰਿਤ ਟੂਲਜ਼ ਜਿਵੇਂ ਕਿ Mem0 ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ। Mem0 ਇੱਕ ਪERSISTENT ਮੈਮੋਰੀ ਲੇਅਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਜੋ ਏਜੰਟਾਂ ਨੂੰ ਸਬੰਧਤ ਇੰਟਰੈਕਸ਼ਨ ਯਾਦ ਕਰਨ, ਯੂਜ਼ਰ ਪਸੰਦਾਂ ਅਤੇ ਤੱਥਾਤਮਕ ਸੰਦਰਭ ਸਟੋਰ ਕਰਨ, ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸਫਲਤਾਵਾਂ ਅਤੇ ਅਸਫਲਤਾਵਾਂ ਤੋਂ ਸਿੱਖਣ ਦੀ ਯੋਗਤਾ ਦਿੰਦਾ ਹੈ। ਇੱਥੇ ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਸਟੇਟਲੈਸ ਏਜੰਟਾਂ ਨੂੰ ਸਟੇਟਫੁਲ ਬਣਾਇਆ ਜਾਵੇ।
ਇਹ ਦੋ-ਫੇਜ਼ ਮੈਮੋਰੀ ਪਾਈਪਲਾਈਨ: ਐਕਸਟ੍ਰੈਕਸ਼ਨ ਅਤੇ ਅਪਡੇਟ ਦੁਆਰਾ ਕੰਮ ਕਰਦਾ ਹੈ। ਪਹਿਲਾਂ, ਏਜੰਟ ਦੇ ਥ੍ਰੈਡ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਸੁਨੇਹੇ Mem0 ਸੇਵਾ ਨੂੰ ਭੇਜੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਗੱਲਬਾਤ ਦੀ ਹਿਸਟਰੀ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਅਤੇ ਨਵੀਆਂ ਮੈਮੋਰੀਆਂ ਕੈਪਚਰ ਕਰਨ ਲਈ ਇੱਕ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLM) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਸਦੇ ਬਾਅਦ, ਇੱਕ LLM-ਚਲਿਤ ਅਪਡੇਟ ਫੇਜ਼ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਮੈਮੋਰੀਆਂ ਸ਼ਾਮਲ, ਸੋਧ, ਜਾਂ ਮਿਟਾਈਆਂ ਜਾਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ, ਅਤੇ ਇਹਨਾਂ ਨੂੰ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਡਾਟਾ ਸਟੋਰ ਵਿੱਚ ਸਟੋਰ ਕਰਦਾ ਹੈ ਜੋ ਵੈਕਟਰ, ਗ੍ਰਾਫ, ਅਤੇ ਕੀ-ਵੈਲਯੂ ਡਾਟਾਬੇਸ ਸ਼ਾਮਲ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਪ੍ਰਣਾਲੀ ਵੱਖ-ਵੱਖ ਮੈਮੋਰੀ ਪ੍ਰਕਾਰਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦੀ ਹੈ ਅਤੇ ਗ੍ਰਾਫ ਮੈਮੋਰੀ ਨੂੰ ਸ਼ਾਮਲ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਐਨਟੀਟੀਆਂ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦੀ ਹੈ।
ਵਿਸ਼ੇਸ਼ਕ੍ਰਿਤ ਮੈਮੋਰੀ ਟੂਲਜ਼ ਜਿਵੇਂ ਕਿ Mem0 ਤੋਂ ਇਲਾਵਾ, ਤੁਸੀਂ Azure AI Search ਵਰਗੇ ਮਜ਼ਬ
ਅਸਵੀਕਰਤੀ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਮੂਲ ਰੂਪ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।