ai-agents-for-beginners
AI ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ
ਜਦੋਂ AI ਏਜੰਟ ਬਣਾਉਣ ਦੇ ਵਿਲੱਖਣ ਫਾਇਦੇਆਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਦੂ ਦੋ ਮੁੱਖ ਚੀਜ਼ਾਂ ਉਭਰ ਕੇ ਆਉਂਦੀਆਂ ਹਨ: ਟਾਸਕ ਪੂਰੇ ਕਰਨ ਲਈ ਟੂਲ ਕੌਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ। ਮੈਮੋਰੀ ਉਸ ਆਧਾਰਤਹਿ ਹੈ ਜੋ ਖੁਦ-ਸੁਧਾਰਣ ਵਾਲੇ ਏਜੰਟ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਸਾਡੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਬਿਹਤਰ ਅਨੁਭਵ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ।
ਇਸ ਪਾਠ ਵਿੱਚ ਅਸੀਂ ਵੇਖਾਂਗੇ ਕਿ AI ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ ਕੀ ਹੈ ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਕਿਸ ਤਰ੍ਹਾਂ ਪ੍ਰਬੰਧਿਤ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਹਿਤ ਲਈ ਇਸ ਦਾ ਉਪਯੋਗ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਾਂ।
ਪ੍ਰਸਤਾਵਨਾ
ਇਹ ਪਾਠ ਇਹ ਚੀਜ਼ਾਂ ਕਵਰ ਕਰੇਗਾ:
• AI ਏਜੰਟ ਮੈਮੋਰੀ ਦੀ ਸਮਝ: ਮੈਮੋਰੀ ਕੀ ਹੈ ਅਤੇ ਏਜੰਟਾਂ ਲਈ ਇਹ ਕਿਉਂ ਜ਼ਰੂਰੀ ਹੈ।
• ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਨਾ ਅਤੇ ਸਟੋਰ ਕਰਨਾ: ਆਪਣੇ AI ਏਜੰਟਾਂ ਵਿੱਚ ਮੈਮੋਰੀ ਸਮਰੱਥਾਵਾਂ ਸ਼ਾਮِل ਕਰਨ ਦੇ ਵਿਵਹਾਰਕ ਢੰਗ, ਖਾਸ ਤੌਰ ‘ਤੇ ਲਘੁ-ਅਵਧੀ ਅਤੇ ਦੀਰਘ-ਅਵਧੀ ਮੈਮੋਰੀ ‘ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦੇ ਹੋਏ।
• AI ਏਜੰਟਾਂ ਨੂੰ ਖੁਦ-ਸੁਧਾਰਨ ਯੋਗ ਬਣਾਉਣਾ: ਪਿਛਲੇ ਇੰਟਰਐਕਸ਼ਨਾਂ ਤੋਂ ਸਿੱਖਣ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ ਕਰਨ ਲਈ ਮੈਮੋਰੀ ਕਿਵੇਂ ਸਹਾਇਕ ਹੁੰਦੀ ਹੈ।
ਉਪਲਬਧ ਇੰਪਲੀਮੈਂਟੇਸ਼ਨ
ਇਸ ਪਾਠ ਵਿੱਚ ਦੋ ਵਿਸਤਾਰਪੂਰਕ ਨੋਟਬੁੱਕ ਟਿਊਟੋਰਿਅਲ ਸ਼ਾਮِل ਹਨ:
• 13-agent-memory.ipynb: Microsoft Agent Framework ਨਾਲ Mem0 ਅਤੇ Azure AI Search ਦੀ ਵਰਤੋਂ ਕਰ ਕੇ ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਦਾ ਹੈ
• 13-agent-memory-cognee.ipynb: Cognee ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਰਚਿਤ ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਦਾ ਹੈ, embeddings ਦੁਆਰਾ ਬੈਕ ਕੀਤੀ ਗਿਆ ਨੋਲੇਜ ਗ੍ਰਾਫ ਆਪਟੋਮੈਟਿਕ ਤਰੀਕੇ ਨਾਲ ਬਣਾਉਂਦਾ ਹੈ, ਗ੍ਰਾਫ ਨੂੰ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰਦਾ ਹੈ, ਅਤੇ ਸਮਾਰਟ ਤਰੀਕੇ ਨਾਲ ਰੀਟਰੀਵਲ ਕਰਦਾ ਹੈ
ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼
ਇਸ ਪਾਠ ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਦ, ਤੁਸੀਂ ਜਾਣੋਗੇ ਕਿ:
• AI ਏਜੰਟ ਮੈਮੋਰੀ ਦੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਵਿੱਚ ਫ਼ਰਕ ਕਿਵੇਂ ਕਰਨਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵਰਕਿੰਗ, ਲਘੁ-ਅਵਧੀ ਅਤੇ ਦੀਰਘ-ਅਵਧੀ ਮੈਮੋਰੀ ਸ਼ਾਮِل ਹਨ, ਨਾਲ ਹੀ ਵਿਸ਼ੇਸ਼ ਰੂਪਾਂ ਜਿਵੇਂ ਕਿ ਪੇਰਸੋਨਾ ਅਤੇ ਏਪਿਸੋਡਿਕ ਮੈਮੋਰੀ।
• Microsoft Agent Framework ਦੀ ਵਰਤੋਂ ਕਰਕੇ AI ਏਜੰਟਾਂ ਲਈ ਲਘੁ-ਅਵਧੀ ਅਤੇ ਦੀਰਘ-ਅਵਧੀ ਮੈਮੋਰੀ ਲਾਗੂ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨੀ, Mem0, Cognee, Whiteboard ਮੈਮੋਰੀ ਵਰਗੇ ਟੂਲਾਂ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹੋਏ, ਅਤੇ Azure AI Search ਨਾਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਕਰਨਾ।
• ਖੁਦ-ਸੁਧਾਰਨ ਵਾਲੇ AI ਏਜੰਟਾਂ ਦੇ ਅਸੂਲਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਕਿਵੇਂ ਮਜ਼ਬੂਤ ਮੈਮੋਰੀ ਪ੍ਰਬੰਧਨ ਪ੍ਰਣਾਲੀਆਂ ਲਗਾਤਾਰ ਸਿੱਖਣ ਅਤੇ ਅਨੁਕੂਲਨ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੀਆਂ ਹਨ।
AI ਏਜੰਟ ਮੈਮੋਰੀ ਨੂੰ ਸਮਝਣਾ
ਇਸਦਾ ਮੂਲ ਇਹ ਹੈ ਕਿ, AI ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ ਉਹ ਯੰਤਰ-ਨਿਰਵਾਹ ਹਨ ਜੋ ਉਹਨਾਂ ਨੂੰ ਜਾਣਕਾਰੀ ਰੱਖਣ ਅਤੇ ਯਾਦ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਦਿੰਦੇ ਹਨ। ਇਹ ਜਾਣਕਾਰੀ ਗੱਲਬਾਤ ਦੇ ਖਾਸ ਵੇਰਵੇ, ਉਪਭੋਗਤਾ ਪਸੰਦੀ, ਪਿਛਲੇ ਕਾਰਤੂਤੇ, ਜਾਂ ਸਿੱਖੇ ਗਏ ਰੁਝਾਨ ਹੋ ਸਕਦੇ ਹਨ।
ਮੈਮੋਰੀ ਦੇ ਬਿਨਾਂ, AI ਐਪਲੀਕੇਸ਼ਨ ਅਕਸਰ ਸਟੇਟਲੈੱਸ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਹਰ ਇੰਟਰਐਕਸ਼ਨ ਮੁੱਲ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ। ਇਸ ਨਾਲ ਇੱਕ ਦੁਹਰਾਉਣ ਵਾਲਾ ਅਤੇ ਨਿਰਾਸ਼ਾਜਨਕ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਬਣਦਾ ਹੈ ਜਿੱਥੇ ਏਜੰਟ ਪਿਛਲੇ ਸੰਦਰਭ ਜਾਂ ਪਸੰਦਾਂ ਨੂੰ “ਭੁੱਲ” ਜਾਂਦਾ ਹੈ।
ਮੈਮੋਰੀ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ?
ਏਜੰਟ ਦੀ ਬੁੱਧੀ ਉਸ ਦੀ ਪਿਛਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਯਾਦ ਕਰਨ ਅਤੇ ਉਪਯੋਗ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨਾਲ ਗਹਿਰਾਈ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ। ਮੈਮੋਰੀ ਏਜੰਟਾਂ ਨੂੰ ਇਹ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਉਹ:
• ਚਿੰਤਨਸ਼ੀਲ ਹੋਣ: ਪਿਛਲੇ ਕਾਰਰਵਾਈਆਂ ਅਤੇ ਨਤੀਜਿਆਂ ਤੋਂ ਸਿੱਖਣਾ।
• ਇੰਟਰਐਕਟਿਵ ਹੋਣ: ਇੱਕ ਚੱਲ ਰਹੀ ਗੱਲਬਾਤ ਵਿੱਚ ਸੰਦਰਭ ਬਰਕਰਾਰ ਰੱਖਣਾ।
• ਪ੍ਰੋਐਕਟਿਵ ਅਤੇ ਰਿਐਕਟਿਵ ਹੋਣ: ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੇ ਆਧਾਰ ‘ਤੇ ਲੋੜਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਜਾਂ ਉਚਿਤ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੇਣਾ।
• ਸਵਤੰਤਰ ਹੋਣ: ਸਟੋਰ ਕੀਤੇ ਗਿਆ ਗਿਆਨ ਖਿੱਚ ਕੇ ਹੋਰ ਆਜ਼ਾਦੀ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਨ ਦਾ ਲਕਸ਼ ਏਜੰਟਾਂ ਨੂੰ ਹੋਰ ਭਰੋਸੇਯੋਗ ਅਤੇ ਸਮਰੱਥ ਬਣਾਉਣਾ ਹੈ।
ਮੈਮੋਰੀ ਦੀਆਂ ਕਿਸਮਾਂ
ਕੰਮ ਕਰਨ ਵਾਲੀ ਮੈਮੋਰੀ
ਇਸਨੂੰ ਇੱਕ ਸਕ੍ਰੈਚ ਪੇਪਰ ਦੀ ਤਰ੍ਹਾਂ ਸੋਚੋ ਜਿਸਨੂੰ ਏਜੰਟ ਇੱਕ ਸਿੰਗਲ, ਚੱਲ ਰਹੇ ਟਾਸਕ ਜਾਂ ਸੋਚ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਵਰਤਦਾ ਹੈ। ਇਹ ਅਗਲੇ ਕਦਮ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਤਤਕਾਲੀ ਜਾਣਕਾਰੀ ਰੱਖਦਾ ਹੈ।
AI ਏਜੰਟਾਂ ਲਈ, ਵਰਕਿੰਗ ਮੈਮੋਰੀ ਅਕਸਰ ਗੱਲਬਾਤ ਵਿਚੋਂ ਸਭ ਤੋਂ ਸਬੰਧਤ ਜਾਣਕਾਰੀ ਕੈਪਚਰ ਕਰਦੀ ਹੈ, ਭਾਵੇਂ ਪੂਰੀ ਚੈਟ ਹਿਸਟਰੀ ਲੰਮੀ ਹੋਵੇ ਜਾਂ ਛਾਂਟੀ ਗਈ ਹੋਵੇ। ਇਹ ਲੋੜੀਂਦੇ ਤੱਤਾਂ ਜਿਵੇਂ ਲੋੜਾਂ, ਸੁਝਾਵਾਂ, ਫੈਸਲੇ, ਅਤੇ ਕਾਰਵਾਈਆਂ ਨੂੰ ਨਿਕਾਲਣ ‘ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦੀ ਹੈ।
ਵਰਕਿੰਗ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਇੱਕ ਯਾਤਰਾ ਬੁਕਿੰਗ ਏਜੰਟ ਵਿੱਚ, ਵਰਕਿੰਗ ਮੈਮੋਰੀ ਉਪਭੋਗਤਾ ਦੀ ਮੌਜੂਦਾ ਬੇਨਤੀ ਨੂੰ ਕੈਪਚਰ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ “ਮੈਨੂੰ ਪੈਰਿਸ ਲਈ ਯਾਤਰਾ ਬੁਕ ਕਰਨੀ ਹੈ”। ਇਹ ਖਾਸ ਲੋੜ ਏਜੰਟ ਦੀ ਤਤਕਾਲੀ ਸੰਦਰਭ ਵਿੱਚ ਰੱਖੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਜੋ ਮੌਜੂਦਾ ਇੰਟਰਐਕਸ਼ਨ ਨੂੰ ਮਾਰਗਦਰਸ਼ਨ ਮਿਲੇ।
ਛੋਟੀ ਅਵਧੀ ਦੀ ਮੈਮੋਰੀ
ਇਸ ਕਿਸਮ ਦੀ ਮੈਮੋਰੀ ਇੱਕ ਹੀ ਗੱਲਬਾਤ ਜਾਂ ਸੈਸ਼ਨ ਦੀ ਮਿਆਦ ਦੌਰਾਨ ਜਾਣਕਾਰੀ ਰੱਖਦੀ ਹੈ। ਇਹ ਮੌਜੂਦਾ ਚੈਟ ਦਾ ਸੰਦਰਭ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਗੱਲਬਾਤ ਦੇ ਪਹਿਲੇ ਬਦਲावਾਂ ਦੀਆਂ ਪਹਲੀਆਂ ਵਾਰੀ ਨੂੰ ਫਿਰ ਸ਼ੁਮਾਰ ਕਰ ਸਕਦਾ ਹੈ।
ਛੋਟੀ-ਅਵਧੀ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਜੇ ਕਿਸੇ ਉਪਭੋਗਤਾ ਨੇ ਪੁੱਛਿਆ, “ਪੈਰਿਸ ਲਈ ਇੱਕ ਉਡਾਣ ਦੀ ਕੀ ਕੀਮਤ ਹੋਵੇਗੀ?” ਅਤੇ ਫਿਰ ਪਿੱਛੋਂ ਪੁੱਛਿਆ, “ਉਥੇ ਰਹਿਣ ਬਾਰੇ ਕੀ?” ਤਾਂ ਛੋਟੀ-ਅਵਧੀ ਮੈਮੋਰੀ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਏਜੰਟ ਜਾਣਦਾ ਹੈ ਕਿ “ਉਥੇ” ਦਾ ਸੰਦਰਭ ਇਸੇ ਗੱਲਬਾਤ ਵਿੱਚ “ਪੈਰਿਸ” ਲਈ ਹੈ।
ਦੀਰਘ-ਅਵਧੀ ਮੈਮੋਰੀ
ਇਹ ਉਹ ਜਾਣਕਾਰੀ ਹੈ ਜੋ ਕਈ ਗੱਲਬਾਤਾਂ ਜਾਂ ਸੈਸ਼ਨਾਂ ਵਿੱਚ ਬਣੀ ਰਹਿੰਦੀ ਹੈ। ਇਹ ਏਜੰਟਾਂ ਨੂੰ ਉਪਭੋਗਤਾ ਪਸੰਦਾਂ, ਇਤਿਹਾਸਕ ਇੰਟਰਐਕਸ਼ਨਾਂ, ਜਾਂ ਲੰਬੇ ਸਮੇਂ ਦੇ ਗਿਆਨ ਨੂੰ ਯਾਦ ਰੱਖਣ ਦੀ ਆਗਯ ਦਿੰਦੀ ਹੈ। ਇਹ ਨਿੱਜੀਕਰਨ ਲਈ ਜ਼ਰੂਰੀ ਹੈ।
ਦੀਰਘ-ਅਵਧੀ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਇੱਕ ਦੀਰਘ-ਅਵਧੀ ਮੈਮੋਰੀ ਸਟੋਰ ਕਰ ਸਕਦੀ ਹੈ ਕਿ “Ben ਸਕੀਈਂਗ ਅਤੇ ਬਾਹਰਲੀਆਂ ਸਰਗਰਮੀਆਂ ਨੂੰ ਪਸੰਦ ਕਰਦਾ ਹੈ, ਉਸਨੂੰ ਪਹਾੜੀ ਨਜ਼ਾਰੇ ਵਾਲੀ ਕੌਫੀ ਪਸੰਦ ਹੈ, ਅਤੇ ਪਿਛਲੇ ਜ਼ਖ਼ਮ ਕਾਰਨ ਉਹ ਉੱਚ ਪੱਧਰ ਦੀਆਂ ਸਕੀ ਸਲੋਪਾਂ ਤੋਂ ਬਚਣਾ ਚਾਹੁੰਦਾ ਹੈ”। ਪਿਛਲੀ ਇੰਟਰਐਕਸ਼ਨਾਂ ਤੋਂ ਮਿਲੀ ਇਹ ਜਾਣਕਾਰੀ ਭਵਿੱਖ ਦੀ ਯਾਤਰਾ ਯੋਜਨਾ ਬਣਾਉਣ ਦੌਰਾਨ ਸੁਝਾਵਾਂ ਨੂੰ ਨਿੱਜੀਕ੍ਰਿਤ ਕਰਦੀ ਹੈ।
ਪੇਰਸੋਨਾ ਮੈਮੋਰੀ
ਇਹ ਵਿਸ਼ੇਸ਼ ਮੈਮੋਰੀ ਕਿਸਮ ਏਜੰਟ ਨੂੰ ਇੱਕ ਲਗਾਤਾਰ “ਵੈਖਣਿਕਤਾ” ਜਾਂ “ਪੇਰਸੋਨਾ” ਵਿਕਸਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ। ਇਹ ਏਜੰਟ ਨੂੰ ਆਪਣੇ ਬਾਰੇ ਜਾਂ ਆਪਣੇ ਨਿਰਧਾਰਿਤ ਭੂਮਿਕਾ ਬਾਰੇ ਵੇਰਵੇ ਯਾਦ ਰੱਖਣ ਦੀ ਆਗਯ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਇੰਟਰਐਕਸ਼ਨਾਂ ਨੂੰ ਹੋਰ ਸਥਿਰ ਅਤੇ ਕੇਂਦਰਿਤ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਪੇਰਸੋਨਾ ਮੈਮੋਰੀ ਉਦਾਹਰਨ ਜੇ ਯਾਤਰਾ ਏਜੰਟ ਨੂੰ “ਪੰਜਾਬ ਦਾ ਮਾਹਿਰ ਸਕੀ ਯੋਜਕ” ਬਣਾਇਆ ਗਿਆ ਹੈ, ਤਾਂ ਪੇਰਸੋਨਾ ਮੈਮੋਰੀ ਇਸ ਭੂਮਿਕਾ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲਾਂ ਇਸ ਦੇ ਜਵਾਬਾਂ ਨੂੰ ਇੱਕ ਮਾਹਿਰ ਦੇ ਲਹਜੇ ਅਤੇ ਗਿਆਨ ਦੇ ਅਨੁਕੂਲ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਵਰਕਫਲੋ/ਏਪਿਸੋਡਿਕ ਮੈਮੋਰੀ
ਇਹ ਮੈਮੋਰੀ ਕਿਸੇ ਜਟਿਲ ਟਾਸਕ ਦੌਰਾਨ ਏਜੰਟ ਦੁਆਰਾ ਲਏ ਗਏ ਕਦਮਾਂ ਦੀ ਲੜੀ, ਸਫਲਤਾਵਾਂ ਅਤੇ ਨਾਕਾਮੀਆਂ ਸਮੇਤ, ਸਟੋਰ ਕਰਦੀ ਹੈ। ਇਹ ਵਿਸ਼ੇਸ਼ “ਏਪਿਸੋਡ” ਜਾਂ ਪਿਛਲੇ ਅਨੁਭਵਾਂ ਨੂੰ ਯਾਦ ਰੱਖਣ ਦੀ ਤਰ੍ਹਾਂ ਹੁੰਦੀ ਹੈ ਤਾਂ ਜੋ ਉਨ੍ਹਾਂ ਤੋਂ ਸਿੱਖਿਆ ਲੈ ਸਕੇ।
ਏਪਿਸੋਡਿਕ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਜੇ ਏਜੰਟ ਨੇ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਉਡਾਣ ਨੂੰ ਬੁਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਪਰ ਉਪਲਬਧਤਾ ਨਾ ਹੋਣ ਕਰਕੇ ਨਾਕਾਮ ਰਹੀ, ਤਾਂ ਏਪਿਸੋਡਿਕ ਮੈਮੋਰੀ ਇਸ ਨਾਕਾਮੀ ਨੂੰ ਦਰਜ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਦੂਜ਼ੇ ਵਿਕਲਪ ਵਰਤਕੇ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕੇ ਜਾਂ ਅਗਲੀ ਕੋਸ਼ਿਸ਼ ਦੌਰਾਨ ਉਪਭੋਗਤਾ ਨੂੰ ਜ਼ਿਆਦਾ ਜਾਣਕਾਰੀਆਂ ਦੇ ਸਕੇ।
ਏਂਟਿਟੀ ਮੈਮੋਰੀ
ਇਸ ਵਿੱਚ ਗੱਲਬਾਤਾਂ ਵਿੱਚੋਂ ਵਿਸ਼ੇਸ਼ ਏਂਟਿਟੀਆਂ (ਜਿਵੇਂ ਲੋਕ, ਥਾਵਾਂ, ਜਾਂ ਚੀਜ਼ਾਂ) ਅਤੇ ਘਟਨਾਵਾਂ ਨੂੰ ਨਿਕਾਲਣਾ ਅਤੇ ਯਾਦ ਰੱਖਣਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਏਜੰਟ ਨੂੰ ਚਰਚਾ ਕੀਤੇ ਗਏ ਮੁੱਖ ਤੱਤਾਂ ਦੀ ਇੱਕ ਸੰਰਚਿਤ ਸਮਝ ਬਣਾਉਣ ਦੀ ਆਗਯ ਦਿੰਦੀ ਹੈ।
ਏਂਟਿਟੀ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਇੱਕ ਪਿਛਲੇ ਟ੍ਰਿਪ ਬਾਰੇ ਗੱਲਬਾਤ ਤੋਂ, ਏਜੰਟ “Paris”, “Eiffel Tower”, ਅਤੇ “dinner at Le Chat Noir restaurant” ਨੂੰ ਏਂਟਿਟੀ ਵਜੋਂ ਨਿਕਾਲ ਸਕਦਾ ਹੈ। ਭਵਿੱਖ ਦੀ ਇੰਟਰਐਕਸ਼ਨ ਵਿੱਚ, ਏਜੰਟ “Le Chat Noir” ਨੂੰ ਯਾਦ ਕਰਕੇ ਉੱਥੇ ਨਵੀਂ ਰਿਜ਼ਰਵੇਸ਼ਨ ਕਰਨ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰ ਸਕਦਾ ਹੈ।
Structured RAG (Retrieval Augmented Generation)
ਜਦੋਂ ਕਿ RAG ਇੱਕ ਵਿਆਪਕ ਤਕਨੀਕ ਹੈ, “Structured RAG” ਨੂੰ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮੈਮੋਰੀ ਤਕਨਾਲੋਜੀ ਵਜੋਂ ਉਜਾਗਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ (ਗੱਲਬਾਤਾਂ, ਈਮੇਲਾਂ, ਚਿੱਤਰਾਂ) ਵੱਲੋਂ ਗਹਿਰਾ, ਸੰਰਚਿਤ ਜਾਣਕਾਰੀਆਂ ਨਿਕਾਲਦਾ ਹੈ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ, ਯਾਦ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਗਤੀਕਾਰਕਤਾ ਵਧਾਉਣ ਲਈ ਵਰਤਦਾ ਹੈ। ਪਰੰਪਰਾਗਤ RAG ਜੋ ਕੇਵਲ ਸੈਮਾਂਟਿਕ ਸਮਾਨਤਾ ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, Structured RAG ਜਾਣਕਾਰੀ ਦੀ ਅੰਤਰਨਿਹਿਤ ਸੰਰਚਨਾ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ।
Structured RAG ਉਦਾਹਰਨ
ਕੇਵਲ ਕੀ-ਵਰਡ ਮੇਲ ਖਾਣ ਦੀ ਬਜਾਏ, Structured RAG ਇੱਕ ਈਮੇਲ ਤੋਂ ਉਡਾਣ ਦੇ ਵੇਰਵੇ (ਮੰਜ਼ਿਲ, ਤਾਰੀਖ, ਸਮਾਂ, ਏਅਰਲਾਈਨ) ਨੂੰ ਪਾਰਸ ਕਰਕੇ ਸੰਰਚਿਤ ਰੂਪ ਵਿੱਚ ਸਟੋਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਨਾਲ ਸਹੀ ਪ੍ਰਸ਼ਨਾਂ ਜਿਵੇਂ “ਮੈਂ ਮੰਗਲਵਾਰ ਨੂੰ ਪੈਰਿਸ ਲਈ ਕਿਹੜੀ ਉਡਾਣ ਬੁਕ ਕੀਤੀ ਸੀ?” ਦੇ ਉੱਤਰ ਮਿਲ ਸਕਦੇ ਹਨ।
ਮੈਮੋਰੀ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਅਤੇ ਸਟੋਰ ਕਰਨਾ
AI ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਇਕ ਵਿਧਾਨਕ ਪ੍ਰਕਿਰਿਆ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਜੋ ਮੈਮੋਰੀ ਪ੍ਰਬੰਧਨ ਕਹਾਈ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਬਣਾਉਣਾ, ਸਟੋਰ ਕਰਨਾ, ਪ੍ਰਾਪਤ ਕਰਨਾ, ਇਕੱਠਾ ਕਰਨਾ, ਅਪਡੇਟ ਕਰਨਾ, ਅਤੇ ਹੱਟਾਉਣਾ (ਜਾਂ ਮਿਟਾਉਣਾ) ਸ਼ਾਮਿਲ ਹੈ। ਰੀਟਰੀਵਲ ਖਾਸ ਤੌਰ ‘ਤੇ ਇੱਕ ਬਹੁਤ ਐਹਮ ਪਹਲੂ ਹੈ।
ਖਾਸ ਮੈਮੋਰੀ ਟੂਲ
Mem0
ਏਜੰਟ ਮੈਮੋਰੀ ਨੂੰ ਸਟੋਰ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ Mem0 ਵਰਗੇ ਖਾਸ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਹੈ। Mem0 ਇੱਕ ਪਾਇਰਸਿਸਟੈਂਟ ਮੈਮੋਰੀ ਲੇਅਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਸਬੰਧਤ ਇੰਟਰਐਕਸ਼ਨਾਂ ਨੂੰ ਯਾਦ ਰੱਖ ਸਕਦੇ ਹਨ, ਉਪਭੋਗਤਾ ਪਸੰਦਾਂ ਅਤੇ ਤੱਥਸਬੂਤ ਸੰਦਰਭ ਨੂੰ ਸਟੋਰ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸਫਲਤਾਵਾਂ ਅਤੇ ਨਾਕਾਮੀਆਂ ਤੋਂ ਸਿੱਖ ਸਕਦੇ ਹਨ। ਮਕਸਦ ਇਹ ਹੈ ਕਿ ਸਟੇਟਲੈੱਸ ਏਜੰਟ ਸਟੇਟਫੁੱਲ ਬਣ ਜਾਵਨ।
ਇਹ ਇੱਕ ਦੋ-ਚਰਣੀ ਮੈਮੋਰੀ ਪਾਈਪਲਾਈਨ: ਨਿਕਾਸ (extraction) ਅਤੇ ਅਪਡੇਟ ਰਾਹੀਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਪਹਿਲਾਂ, ਏਜੰਟ ਦੇ ਥ੍ਰੈੱਡ ਵਿੱਚ ਜੋ ਸੰਦਰਭ ਸ਼ਾਮਿਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਉਹ Mem0 ਸੇਵਾ ਨੂੰ ਭੇਜੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਕਿ ਇੱਕ Large Language Model (LLM) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗੱਲਬਾਤ ਇਤਿਹਾਸ ਦਾ ਸਾਰ ਕਰਦਾ ਹੈ ਅਤੇ ਨਵੀਆਂ ਯਾਦਾਂ ਨੂੰ ਨਿਕਾਲਦਾ ਹੈ। ਬਾਅਦ ਵਿੱਚ, LLM-ਚਲਿਤ ਅਪਡੇਟ ਫੇਜ਼ ਇਹ ਤੈਅ ਕਰਦਾ ਹੈ ਕਿ ਇਨ੍ਹਾਂ ਯਾਦਾਂ ਨੂੰ ਜੋੜਨਾ, ਸੋਧਣਾ ਜਾਂ ਮਿਟਾਉਣਾ ਹੈ, ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਡੇਟਾ ਸਟੋਰ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਵੈਕਟਰ, ਗ੍ਰਾਫ, ਅਤੇ ਕੀ-ਵੈਲਯੂ ਡੇਟਾਬੇਸ ਸ਼ਾਮਿਲ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਪ੍ਰਣਾਲੀ ਵੱਖ-ਵੱਖ ਮੈਮੋਰੀ ਕਿਸਮਾਂ ਨੂੰ ਸਮਰਥਨ ਦਿੰਦੀ ਹੈ ਅਤੇ ਏਂਟਿਟੀਆਂ ਦੇ ਰਿਸ਼ਤਿਆਂ ਦੀ ਪ੍ਰਬੰਧਕੀ ਲਈ ਗ੍ਰਾਫ ਮੈਮੋਰੀ ਸ਼ਾਮਿਲ ਕਰ ਸਕਦੀ ਹੈ।
Cognee
ਇੱਕ ਹੋਰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਹੁੰਚ Cognee ਦੀ ਵਰਤੋਂ ਹੈ, ਜੋ ਕਿ AI ਏਜੰਟਾਂ ਲਈ ਇੱਕ ਓਪਨ-ਸੋਰਸ ਸੈਮਾਂਟਿਕ ਮੈਮੋਰੀ ਹੈ ਜੋ ਸੰਰਚਿਤ ਅਤੇ ਅਸੰਰਚਿਤ ਡੇਟਾ ਨੂੰ embeddings ਨਾਲ ਸਹਿਯੋਗਤ ਕਵੈਰੀਯੋਗ ਨੋਲੇਜ ਗ੍ਰਾਫਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ। Cognee ਇੱਕ ਡੁਅਲ-ਸਟੋਰ ਆਰਕੀਟੈਕਚਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਵੈਕਟਰ ਸਮਾਨਤਾ ਖੋਜ ਨੂੰ ਗ੍ਰਾਫ ਰਿਸ਼ਤਿਆਂ ਨਾਲ ਜੋੜਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਸਿਰਫ ਇਹ ਨਹੀਂ ਸਮਝਦੇ ਕਿ ਹਿੰਮਤ ਕੀ ਜਾਣਕਾਰੀ ਸਮਾਨ ਹੈ, ਬਲਕਿ ਕਿਵੇਂ ਸੰਕਲਪ ਇਕ ਦੂਜੇ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ ਵੀ ਸਮਝ ਸਕਦੇ ਹਨ।
ਇਹ ਹਾਈਬ੍ਰਿਡ ਰੀਟਰੀਵਲ ਵਿੱਚ ਮਹਿਰਤ ਰੱਖਦਾ ਹੈ ਜੋ ਵੈਕਟਰ ਸਮਾਨਤਾ, ਗ੍ਰਾਫ ਸੰਰਚਨਾ, ਅਤੇ LLM ਤਰਕ ਨੂੰ ਮਿਲਾਉਂਦਾ ਹੈ - ਰਾ ਚੰਕ ਲੁਕਅਪ ਤੋਂ ਲੈ ਕੇ ਗ੍ਰਾਫ-ਅਵੇਅਰ ਪ੍ਰਸ਼ਨ-ਉੱਤਰ ਤੱਕ। ਪ੍ਰਣਾਲੀ ਇੱਕ “ਜੀਵੰਤ ਮੈਮੋਰੀ” ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੀ ਹੈ ਜੋ ਵਿਕਸਤ ਹੋਦੀ ਅਤੇ ਵਧਦੀ ਰਹਿੰਦੀ ਹੈ ਤੇ ਇੱਕ ਜੁੜੇ ਹੋਏ ਗ੍ਰਾਫ ਵਜੋਂ ਕਵੈਰੀਯੋਗ ਰਹਿੰਦੀ ਹੈ, ਜੋ ਲਘੁ-ਅਵਧੀ ਸੈਸ਼ਨ ਸੰਦਰਭ ਅਤੇ ਦੀਰਘ-ਅਵਧੀ ਥਿਰ ਮੈਮੋਰੀ ਦੋਹਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦੀ ਹੈ।
Cognee ਨੋਟਬੁੱਕ ਟਿਊਟੋਰਿਅਲ (13-agent-memory-cognee.ipynb) ਇਸ ਏਕਤਾ ਮੈਮੋਰੀ ਲੇਅਰ ਨੂੰ ਬਣਾਉਣ ਦੀ ਪ੍ਰਦਰਸ਼ਨੀ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਡੇਟਾ ਸਰੋਤਾਂ ਨੂੰ ਇੰਗੈਸਟ ਕਰਨ, ਨੋਲੇਜ ਗ੍ਰਾਫ ਦੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਕਰਨ, ਅਤੇ ਵੱਖ-ਵੱਖ ਖੋਜ ਰਣਨੀਤੀਆਂ ਨਾਲ ਕਵੈਰੀ ਕਰਨ ਦੇ ਵਿਹਾਰਕ ਉਦਾਹਰਨ ਹਨ ਜੋ ਵਿਸ਼ੇਸ਼ ਏਜੰਟ ਦੀਆਂ ਲੋੜਾਂ ਦੇ ਅਨੁਕੂਲ ਹੁੰਦੀਆਂ ਹਨ।
RAG ਨਾਲ ਮੈਮੋਰੀ ਸਟੋਰ ਕਰਨਾ
Mem0 ਵਰਗੇ ਖਾਸ ਮੈਮੋਰੀ ਟੂਲਾਂ ਤੋਂ ਇਲਾਵਾ, ਤੁਸੀਂ Azure AI Search ਵਰਗੀਆਂ ਮਜ਼ਬੂਤ ਖੋਜ ਸੇਵਾਵਾਂ ਨੂੰ ਮੈਮੋਰੀਆਂ ਨੂੰ ਸਟੋਰ ਅਤੇ ਰੀਟਰੀਵ ਕਰਨ ਲਈ ਬੈਕਐਂਡ ਵਜੋਂ ਵਰਤ ਸਕਦੇ ਹੋ, ਖਾਸ ਕਰਕੇ Structured RAG ਲਈ।
ਇਸ ਨਾਲ ਤੁਸੀਂ ਆਪਣੇ ਏਜੰਟ ਦੀਆਂ ਜਵਾਬਾਂ ਨੂੰ ਆਪਣੇ ਡੇਟਾ ਨਾਲ ਗ੍ਰਾਉਂਡ ਕਰ ਸਕਦੇ ਹੋ, ਜੋ ਕਿ ਹੋਰ ਸਬੰਧਤ ਅਤੇ ਸਹੀ ਉੱਤਰਾਂ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ। Azure AI Search ਨੂੰ ਯੂਜ਼ਰ-ਵਿਸ਼ੇਸ਼ ਯਾਤਰਾ ਯਾਦਾਂ, ਉਤਪਾਦ ਕੈਟਾਲੌਗ, ਜਾਂ ਕਿਸੇ ਹੋਰ ਡੋਮੇਨ-ਨਿਰਧਾਰਿਤ ਗਿਆਨ ਨੂੰ ਸਟੋਰ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
Azure AI Search Structured RAG ਵਰਗੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸਹਾਰਾ ਦਿੰਦਾ ਹੈ, ਜੋ ਵੱਡੇ ਡੇਟਾਸੈੱਟਾਂ (ਜਿਵੇਂ ਗੱਲਬਾਤ ਇਤਿਹਾਸ, ਈਮੇਲ, ਜਾਂ ਚਿੱਤਰ) ਤੋਂ ਘਣ, ਸੰਰਚਿਤ ਜਾਣਕਾਰੀ ਨੂੰ ਨਿਕਾਲਣ ਅਤੇ ਰੀਟਰੀਵ ਕਰਨ ਵਿੱਚ ਮਹਿਰਤ ਰੱਖਦਾ ਹੈ। ਇਸ ਨਾਲ ਪਰੰਪਰਾਗਤ ਟੈਕਸਟ ਚੰਕਿੰਗ ਅਤੇ ਐਂਬੈੱਡਿੰਗ ਤਰੀਕਿਆਂ ਨਾਲੋਂ “ਅਦਭੁਤ ਸਹੀਤਾ ਅਤੇ ਯਾਦ” ਮਿਲਦੀ ਹੈ।
AI ਏਜੰਟਾਂ ਨੂੰ ਖੁਦ-ਸੁਧਾਰਨ ਯੋਗ ਬਣਾਉਣਾ
ਖੁਦ-ਸੁਧਾਰਨ ਏਜੰਟਾਂ ਲਈ ਇੱਕ ਆਮ ਰੁਝਾਨ ਇੱਕ “ਗਿਆਨ ਏਜੰਟ” ਨੂੰ ਸ਼ਾਮਿਲ ਕਰਨ ਦਾ ਹੁੰਦਾ ਹੈ। ਇਹ ਅਲੱਗ ਏਜੰਟ ਮੁੱਖ ਗੱਲਬਾਤ ਨੂੰ ਨਿਗਰਾਨੀ ਕਰਦਾ ਹੈ ਜੋ ਉਪਭੋਗਤਾ ਅਤੇ ਪ੍ਰਾਇਮਰੀ ਏਜੰਟ ਦੇ ਵਿਚਕਾਰ ਹੋ ਰਹੀ ਹੁੰਦੀ ਹੈ। ਇਸਦੀ ਭੂਮਿਕਾ ਇਹ ਹੈ ਕਿ:
-
ਕਿੱਮਤੀ ਜਾਣਕਾਰੀ ਦੀ ਪਹਚਾਣ ਕਰਨੀ: ਤੈਅ ਕਰਨਾ ਕਿ ਕੀ ਗੱਲਬਾਤ ਦਾ ਕੋਈ ਹਿੱਸਾ ਆਮ ਗਿਆਨ ਜਾਂ ਵਿਸ਼ੇਸ਼ ਉਪਭੋਗਤਾ ਪਸੰਦ ਵਜੋਂ ਸੁਰੱਖਿਅਤ ਕਰਨ ਯੋਗ ਹੈ।
-
ਨਿਕਾਸ ਅਤੇ ਸਾਰ-ਸੰਕਲਨ ਕਰਨਾ: ਗੱਲਬਾਤ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸਿੱਖਿਆ ਜਾਂ ਪਸੰਦ ਨੂੰ ਸੰਘੇਪ ਕਰਨਾ।
-
ਇੱਕ ਗਿਆਨ ਬੇਸ ਵਿੱਚ ਸਟੋਰ ਕਰਨਾ: ਇਸ ਨਿਕਾਲੀ ਗਈ ਜਾਣਕਾਰੀ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਲਈ ਸਟੋਰ ਕਰਨਾ, ਅਕਸਰ ਇੱਕ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਵਿੱਚ, ਤਾਂ ਜੋ ਬਾਅਦ ਵਿੱਚ ਇਸਨੂੰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ।
-
ਭਵਿੱਖ ਦੀਆਂ ਕਵੈਰੀਆਂ ਨੂੰ ਵਧਾਉਣਾ: ਜਦੋਂ ਉਪਭੋਗਤਾ ਇੱਕ ਨਵੀਂ ਕਵੈਰੀ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ, ਗਿਆਨ ਏਜੰਟ ਸਟੋਰ ਕੀਤੀ ਗਈ ਸੰਬੰਧਤ ਜਾਣਕਾਰੀ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਦੇ ਪ੍ਰਾਂਪਟ ਵਿੱਚ ਜੋੜਦਾ ਹੈ, ਪ੍ਰਾਇਮਰੀ ਏਜੰਟ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਸੰਦਰਭ ਮੁਹੱਈਆ ਕਰਵਾਉਂਦਾ ਹੈ (RAG ਵਾਂਗ)।
ਮੈਮੋਰੀ ਲਈ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ
• ਲੇਟੰਸੀ ਪ੍ਰਬੰਧਨ: ਉਪਭੋਗਤਾ ਇੰਟਰਐਕਸ਼ਨਾਂ ਨੂੰ ਧੀਮਾ ਨਾ ਕਰਨ ਲਈ, ਇੱਕ ਸਸਤੀ ਤੇ ਤੇਜ਼ ਮਾਡਲ ਨੂੰ ਸ਼ੁਰੂਆਤੀ ਤੌਰ ‘ਤੇ ਵਰਤ ਸਕਦੇ ਹੋ ਜੋ ਤੇਜ਼ੀ ਨਾਲ ਜਾਂਚ ਕਰ ਲੈਂਦਾ ਹੈ ਕਿ ਕੀ ਜਾਣਕਾਰੀ ਸਟੋਰ ਕਰਨ ਜਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਜੋਗ ਹੈ, ਅਤੇ ਜ਼ਰੂਰਤ ਪੈਣ ‘ਤੇ ਹੀ ਵਧੇਰੇ ਜਟਿਲ ਨਿਕਾਸ/ਰੀਟਰੀਵਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਆਮੰਤ੍ਰਿਤ ਕਰਦਾ ਹੈ।
• ਜਾਣਕਾਰੀ ਬੇਸ ਦੀ ਦੇਖਭਾਲ: ਵਧ ਰਹੀ ਜਾਣਕਾਰੀ ਬੇਸ ਲਈ, ਕਮ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ “ਕੋਲਡ ਸਟੋਰੇਜ” ਵਿੱਚ ਮੋੜ ਕੇ ਲਾਗਤ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਏਜੰਟ ਮੈਮੋਰੀ ਬਾਰੇ ਹੋਰ ਸਵਾਲ ਹਨ?
Microsoft Foundry Discord ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋਵੋ ਤਾਂ ਜੋ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲ ਸਕੋ, ਆਫਿਸ ਘੰਟਿਆਂ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋਵੋ ਅਤੇ ਆਪਣੇ AI ਏਜੰਟਾਂ ਸਬੰਧੀ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰੋ।
ਡਿਸਕਲੇਮਰ: ਇਹ ਦਸਤਾਵੇਜ਼ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਸੀਂ ਸ਼ੁੱਧਤਾ ਲਈ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਪਰ ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਆਟੋਮੇਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਣਸਚਾਈਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਣ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤ-ਫਹਿਮੀਆਂ ਜਾਂ ਭੁੱਲ-ਵਿਆਖਿਆਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।