ai-agents-for-beginners
ਐਆਈ ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ
ਜਦੋਂ ਐਆਈ ਏਜੰਟ ਬਣਾਉਣ ਦੇ ਵਿਲੱਖਣ ਫਾਇਦਿਆਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਮੁੱਖ ਤੌਰ ‘ਤੇ ਦੋ ਗੱਲਾਂ ਚਰਚਾ ਵਿੱਚ ਆਉਂਦੀਆਂ ਹਨ: ਕੰਮ ਪੂਰੇ ਕਰਨ ਲਈ ਟੂਲਾਂ ਨੂੰ ਕਾਲ ਕਰਨ ਦੀ ਯੋਗਤਾ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ। ਮੈਮੋਰੀ ਉਹ ਮੁਢਲੀ ਚੀਜ਼ ਹੈ ਜੋ ਸਵੈ-ਸੁਧਾਰ ਵਾਲਾ ਏਜੰਟ ਬਣਾਉਣ ਦਾ ਆਧਾਰ ਹੈ ਜੋ ਸਾਡੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਬਿਹਤਰ ਅਨੁਭਵ ਰਚ ਸਕਦਾ ਹੈ।
ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਵੇਖਾਂਗੇ ਕਿ ਐਆਈ ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ ਕੀ ਹੈ ਅਤੇ ਅਸੀਂ ਇਸ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਬੰਧਿਤ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਆਪਣੇ ਐਪਲਿਕੇਸ਼ਨਾਂ ਦੇ ਲਾਭ ਲਈ ਇਸਦਾ ਇਸਤੇਮਾਲ ਕਿਵੇਂ ਕਰ sakਦੇ ਹਾਂ।
ਪਰਿਚਯ
ਇਹ ਪਾਠ ਇਹ ਚੀਜ਼ਾਂ ਕਵਰ ਕਰੇਗਾ:
• ਐਆਈ ਏਜੰਟ ਮੈਮੋਰੀ ਨੂੰ ਸਮਝਣਾ: ਮੈਮੋਰੀ ਕੀ ਹੈ ਅਤੇ ਏਜੰਟਾਂ ਲਈ ਇਹ ਕਿਉਂ ਜਰੂਰੀ ਹੈ।
• ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਨਾ ਅਤੇ ਸਟੋਰ ਕਰਨਾ: ਆਪਣੇ ਐਆਈ ਏਜੰਟਾਂ ਵਿੱਚ ਮੈਮੋਰੀ ਸਮਰੱਥਾ ਸ਼ਾਮਲ ਕਰਨ ਦੇ ਵਿਆਵਹਾਰਿਕ ਤਰੀਕੇ, ਖਾਸ ਤੌਰ ‘ਤੇ ਛੋਟੇ ਸਮੇਂ ਅਤੇ ਲੰਮੇ ਸਮੇਂ ਦੀ ਮੈਮੋਰੀ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ।
• ਐਆਈ ਏਜੰਟਾਂ ਨੂੰ ਸਵੈ-ਸੁਧਾਰ ਕਰਨਾ: ਕਿਵੇਂ ਮੈਮੋਰੀ ਏਜੰਟਾਂ ਨੂੰ ਪਿਛਲੇ ਇੰਟਰੈਕਸ਼ਨਾਂ ਤੋਂ ਸਿੱਖਣ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਸੁਧਾਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਦਿੰਦਾ ਹੈ।
ਉਪਲਬਧ ਲਾਗੂ ਏਜੰਟ
ਇਸ ਪਾਠ ਵਿੱਚ ਦੋ ਵਿਸਤ੍ਰਿਤ ਨੋਟਬੁੱਕ ਟਿਊਟੋਰੀਅਲ ਸ਼ਾਮਲ ਹਨ:
• 13-agent-memory.ipynb: Mem0 ਅਤੇ Azure AI Search ਦੇ ਨਾਲ ਸੈਮੈਂਟਿਕ ਕਰਨਲ ਫ੍ਰੇਮਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰ ਕੇ ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਦਾ ਹੈ
• 13-agent-memory-cognee.ipynb: Cognee ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਾਂਰਚਨਾਤਮਕ ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਜੋ_embeddings ਦੁਆਰਾ ਸਮਰਥਿਤ ਗਿਆਨ ਗ੍ਰਾਫ਼ ਖੁਦਕਾਰ ਤਰੀਕੇ ਨਾਲ ਬਣਾਉਂਦਾ ਹੈ, ਗ੍ਰਾਫ਼ ਦੀ ਵਿਜ਼ੂਅਲਾਈਜੇਸ਼ਨ ਕਰਦਾ ਹੈ ਅਤੇ ਸਮਰੱਥ ਰੀਟਰਾਈਵਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ
ਸਿੱਖਣ ਦੇ ਲਕੜੀ
ਇਸ ਪਾਠ ਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਤੁਹਾਨੂੰ ਇਹ ਪਤਾ ਹੋਵੇਗਾ ਕਿ ਕਿਵੇਂ:
• ਐਆਈ ਏਜੰਟ ਮੈਮੋਰੀ ਦੇ ਵੱਖ-ਵੱਖ ਪ੍ਰਕਾਰਾਂ ਵਿਚ ਫਰਕ ਕਰਨਾ, ਜਿਵੇਂ ਕਿ ਵਰਕਿੰਗ, ਛੋਟੇ ਸਮੇਂ ਦੀ ਅਤੇ ਲੰਮੇ ਸਮੇਂ ਦੀ ਮੈਮੋਰੀ, ਨਾਲ ਹੀ ਵਿਸ਼ੇਸ਼ ਰੂਪਾਂ ਜਿਵੇਂ ਕਿ ਪੇਰਸੋਨਾ ਅਤੇ ਐਪਿਸੋਡਿਕ ਮੈਮੋਰੀ।
• ਸੈਮੈਂਟਿਕ ਕਰਨਲ ਫ੍ਰੇਮਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਛੋਟੇ ਸਮੇਂ ਅਤੇ ਲੰਮੇ ਸਮੇਂ ਦੀ ਮੈਮੋਰੀ ਲਾਗੂ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨਾ, Mem0, Cognee, ਵਾਈਟਬੋਰਡ ਮੈਮੋਰੀ ਵਰਗੇ ਟੂਲਾਂ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹੋਏ ਅਤੇ Azure AI Search ਨਾਲ ਇੰਟਿਗ੍ਰੇਟ ਕਰਨਾ।
• ਸਵੈ-ਸੁਧਾਰ ਵਾਲੇ ਐਆਈ ਏਜੰਟਾਂ ਦੇ ਪਿਛੇ ਮੌਜੂਦ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਮਝਣਾ ਅਤੇ ਕਿਵੇਂ ਮਜ਼ਬੂਤ ਮੈਮੋਰੀ ਪ੍ਰਬੰਧਨ ਸਿਸਟਮ ਲਗਾਤਾਰ ਸਿੱਖਣ ਅਤੇ ਅਨੁਕੂਲਤਾ ਵਿੱਚ yogਦਾਨ ਪਾਉਂਦੇ ਹਨ।
ਐਆਈ ਏਜੰਟ ਮੈਮੋਰੀ ਨੂੰ ਸਮਝਣਾ
ਆਪਣੇ ਮੂਲ ਵਿੱਚ, ਐਆਈ ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ ਉਹ ਢਾਂਚੇ ਹੁੰਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਨੂੰ ਜਾਣਕਾਰੀ ਰੱਖਣ ਅਤੇ ਯਾਦ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਦਿੰਦੇ ਹਨ। ਇਹ ਜਾਣਕਾਰੀ ਗੱਲਬਾਤ ਦੇ ਵਿਸ਼ੇਸ਼ ਤੱਤ, ਉਪਭੋਗਤਾ ਦੀਆਂ ਪਸੰਦਾਂ, ਪਿਛਲੇ ਕਾਰਜ ਜਾਂ ਸਿੱਖੇ ਹੋਏ ਪੈਟਰਨ ਹੋ ਸਕਦੇ ਹਨ।
ਬਿਨਾਂ ਮੈਮੋਰੀ ਦੇ, ਐਆਈ ਐਪਲੀਕੇਸ਼ਨ ਅਕਸਰ ਬਿਨਾ ਹਾਲਤ ਵਾਲੇ ਹੁੰਦੇ ਹਨ, ਇਸਦਾ ਅਰਥ ਹੈ ਕਿ ਹਰ ਇੰਟਰੈਕਸ਼ਨ ਸਿਰਫ਼ ਨਵੇਂ ਸਿਰੇ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਇਹ ਪੁਨਰਾਵਰਤਨ ਅਤੇ ਨਿਰਾਸ਼ਾਜਨਕ ਉਪਭੋਗਤਾ ਅਨੁਭਵ ਦੀ ਇੱਕ ਸਿਰਜਣਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਏਜੰਟ ਪਿਛਲਾ ਸੰਦਰਭ ਜਾਂ ਪਸੰਦਾਂ “ਭੁੱਲ” ਜਾਂਦਾ ਹੈ।
ਮੈਮੋਰੀ ਮੁੱਖ ਕਿਉਂ ਹੈ?
ਇਕ ਏਜੰਟ ਦੀ ਬੁੱਧੀਮਤਾ ਗਹਿਰਾਈ ਨਾਲ ਪਿਛਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਯਾਦ ਕਰਨ ਅਤੇ ਇਸਦਾ ਲਾਭ ਉਠਾਉਣ ਦੀ ਸਮਰੱਥਾ ਨਾਲ ਜੁੜੀ ਹੁੰਦੀ ਹੈ। ਮੈਮੋਰੀ ਏਜੰਟਾਂ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ:
• ਮਨਨਸ਼ੀਲ (Reflective): ਪਿਛਲੇ ਕਾਰਜਾਂ ਅਤੇ ਨਤੀਜੇ ਤੋਂ ਸਿੱਖਣਾ।
• ਪਰਸਪਰਕਾਰੀ (Interactive): ਚਲ ਰਹੀ ਗੱਲਬਾਤ ਦੇ ਸੰਦਰਭ ਨੂੰ ਬਣਾਈ ਰੱਖਣਾ।
• ਪੂਰਵ-ਸੂਚਕ ਅਤੇ ਪ੍ਰਤੀਕਿਰਿਆਤਮਕ (Proactive and Reactive): ਅਤੀਤ ਅੰਕੜਿਆਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਜ਼ਰੂਰੀਆਂ ਦੀ ਅਟਕਲ ਲਗਾਉਣਾ ਜਾਂ ਉਚਿਤ ਜਵਾਬ ਦੇਣਾ।
• ਸਵਤੰਤਰ (Autonomous): ਸੰਗ੍ਰਹਿਤ ਗਿਆਨ ‘ਤੇ ਧਿਆਨ ਦੇ ਕੇ ਜ਼ਿਆਦਾ ਸਵਤੰਤਰ ਤੌਰ ‘ਤੇ ਕੰਮ ਕਰਨਾ।
ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਨ ਦਾ ਲਕੜ ਇਸੇ ਲਈ ਹੈ ਕਿ ਏਜੰਟ ਹੋਰ ਭਰੋਸੇਮੰਦ ਅਤੇ ਸਮਰੱਥ ਬਣ ਸਕਣ।
ਮੈਮੋਰੀ ਦੇ ਪ੍ਰਕਾਰ
ਵਰਕਿੰਗ ਮੈਮੋਰੀ
ਇਸਨੂੰ ਇੱਕ ਚਿੱਟੇ ਕਾਗਜ਼ ਵਾਂਗ ਸੋਚੋ ਜੋ ਏਜੰਟ ਇੱਕ ongoing ਟਾਸਕ ਜਾਂ ਵਿਚਾਰ ਪ੍ਰਕਿਰਿਆ ਦਰਮਿਆਨ ਵਰਤਦਾ ਹੈ। ਇਹ ਤੁਰੰਤ ਜਾਣਕਾਰੀ ਰੱਖਦੀ ਹੈ ਜਿਹੜੀ ਅਗਲੇ ਕਦਮ ਦੀ ਗਣਨਾ ਲਈ ਜ਼ਰੂਰੀ ਹੁੰਦੀ ਹੈ।
ਐਆਈ ਏਜੰਟਾਂ ਲਈ, ਵਰਕਿੰਗ ਮੈਮੋਰੀ ਅਕਸਰ ਗੱਲਬਾਤ ਵਿੱਚੋਂ ਸਭ ਤੋਂ ਸੰਬੰਧਤ ਜਾਣਕਾਰੀ ਕੈਪਚਰ ਕਰਦੀ ਹੈ, ਭਾਵੇਂ ਪੂਰਾ ਚੈਟ ਇਤਿਹਾਸ ਲੰਬਾ ਜਾਂ ਕਟਿਆ ਹੋਇਆ ਹੋਵੇ। ਇਹ ਮੁੱਖ ਤੱਤ ਜਿਵੇਂ ਕਿ ਲੋੜਾਂ, ਪ੍ਰਸਤਾਵ, ਫੈਸਲੇ ਅਤੇ ਕਾਰਵਾਈਆਂ ਉਤਾਰਨ ‘ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦੀ ਹੈ।
ਵਰਕਿੰਗ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਇੱਕ ਯਾਤਰਾ ਬੁਕਿੰਗ ਏਜੰਟ ਵਿੱਚ, ਵਰਕਿੰਗ ਮੈਮੋਰੀ ਯੂਜ਼ਰ ਦੀ ਮੌਜੂਦਾ ਬੇਨਤੀ ਕੈਪਚਰ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ “ਮੈਂ ਪੈਰਿਸ ਲਈ ਟ੍ਰਿਪ ਬੁਕ ਕਰਵਾਉਣਾ ਚਾਹੁੰਦਾ ਹਾਂ”। ਇਹ ਵਿਸ਼ੇਸ਼ ਲੋੜ ਏਜੰਟ ਦੇ ਤੁਰੰਤ ਸੰਦਰਭ ਵਿੱਚ ਰੱਖੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਜੋ ਮੌਜੂਦਾ ਸੰਵਾਦ ਨੂੰ ਸਹੀ ਦਿਸ਼ਾ ਦਿੱਤੀ ਜਾ ਸਕੇ।
ਛੋਟੀ ਅਵਧੀ ਦੀ ਮੈਮੋਰੀ (Short Term Memory)
ਇਸ ਕਿਸਮ ਦੀ ਮੈਮੋਰੀ ਇੱਕ ਗੱਲਬਾਤ ਜਾਂ ਸੈਸ਼ਨ ਦੇ ਦੌਰਾਨ ਜਾਣਕਾਰੀ ਰੱਖਦੀ ਹੈ। ਇਹ ਮੌਜੂਦਾ ਚੈਟ ਦਾ ਸੰਦਰਭ ਬਣਾਉਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਪਿਛਲੇ ਮੁੜ ਮੋੜਾਂ ਨੂੰ ਹਵਾਲਾ ਦੇ ਸਕਦਾ ਹੈ।
ਛੋਟੀ ਅਵਧੀ ਦੀ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਜੇਕਰ ਯੂਜ਼ਰ ਪੁੱਛਦਾ ਹੈ, “ਪੈਰਿਸ ਲਈ ਫਲਾਈਟ ਦੀ ਕੀਮਤ ਕਿੰਨੀ ਹੋਵੇਗੀ?” ਅਤੇ ਫਿਰ ਪੁੱਛਦਾ ਹੈ, “ਉੱਥੇ ਰਹਿਣ ਦਾ ਕੀ?” ਤਾਂ ਛੋਟੀ ਅਵਧੀ ਦੀ ਮੈਮੋਰੀ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਏਜੰਟ ਜਾਣਦਾ ਹੈ ਕਿ “ਉੱਥੇ” ਦਾ ਮਤਲਬ “ਪੈਰਿਸ” ਹੈ ਇਸੇ ਗੱਲਬਾਤ ਦੀ ਦਰਮਿਆਨੀ।
ਲੰਮੀ ਅਵਧੀ ਦੀ ਮੈਮੋਰੀ (Long Term Memory)
ਇਹ ਜਾਣਕਾਰੀ ਕਈਆਂ ਗੱਲਬਾਤਾਂ ਜਾਂ ਸੈਸ਼ਨਾਂ ਵਿੱਚ ਚੱਲਦੀ ਰਹਿੰਦੀ ਹੈ। ਇਹ ਏਜੰਟਾਂ ਨੂੰ ਯੂਜ਼ਰ ਪਸੰਦਾਂ, ਇਤਿਹਾਸਕ ਇੰਟਰੈਕਸ਼ਨਾਂ ਜਾਂ ਵਿਸ਼ੇਸ਼ ਗਿਆਨ ਨੂੰ ਲੰਮੀ ਮਿਆਦ ਤੱਕ ਯਾਦ ਰੱਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਇਹ personalization ਲਈ ਮਹੱਤਵਪੂਰਣ ਹੈ।
ਲੰਮੀ ਅਵਧੀ ਦੀ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਲੰਮੀ ਅਵਧੀ ਦੀ ਮੈਮੋਰੀ ਸਟੋਰ ਕਰ ਸਕਦੀ ਹੈ ਕਿ “ਬੈਨ ਸਕੀਇੰਗ ਅਤੇ ਬਾਹਰੀ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਪਸੰਦ ਕਰਦਾ ਹੈ, ਪਹਾੜੀ ਨਜ਼ਾਰਾ ਵਾਲੀ ਕੌਫੀ ਪਸੰਦ ਕਰਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਪਿਛਲੇ ਚੋਟ ਕਾਰਨ ਅੱਗੇ ਵਧੇਰੇ ਸਕੀ ਸਲੋਪਾਂ ਤੋਂ ਬਚਣਾ ਚਾਹੁੰਦਾ ਹੈ”। ਪਿਛਲੇ ਇੰਟਰੈਕਸ਼ਨਾਂ ਤੋਂ ਸਿੱਖੀ ਇਸ ਜਾਣਕਾਰੀ ਨੇ ਭਵਿੱਖ ਦੀ ਯਾਤਰਾ ਯੋਜਨਾ ਸੈਸ਼ਨਾਂ ਵਿੱਚ ਸਿਫਾਰਿਸ਼ਾਂ ਨੂੰ ਬਹੁਤ ਨਿੱਜੀ ਬਣਾਉਂਦੀ ਹੈ।
ਪੇਰਸੋਨਾ ਮੈਮੋਰੀ (Persona Memory)
ਇਹ ਵਿਸ਼ੇਸ਼ ਮੈਮੋਰੀ ਕਿਸਮ ਇੱਕ ਏਜੰਟ ਨੂੰ ਇੱਕ ਲਗਾਤਾਰ “ਵਿਆਕਤੀਗਤਤਾ” ਜਾਂ “ਪੇਰਸੋਨਾ” ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ। ਇਹ ਏਜੰਟ ਨੂੰ ਆਪਣੇ ਜਾਂ ਆਪਣੇ ਨਿਰਧਾਰਿਤ ਭੂਮਿਕਾ ਬਾਰੇ ਜਾਣਕਾਰੀ ਯਾਦ ਰੱਖਣ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਗੱਲਬਾਤਾਂ ਹੋਰ ਸੁਚਾਰੂ ਅਤੇ ਕੇਂਦਰਿਤ ਹੋ ਜਾਂਦੀਆਂ ਹਨ।
ਪੇਰਸੋਨਾ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਜੇ ਯਾਤਰਾ ਏਜੰਟ ਨੂੰ “ਮਾਹਿਰ ਸਕੀ ਯੋਜਨਾਕਾਰ” ਵਜੋਂ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਪੇਰਸੋਨਾ ਮੈਮੋਰੀ ਇਸ ਭੂਮਿਕਾ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰੇਗੀ, ਜਿਸ ਨਾਲ ਇਸਦੇ ਜਵਾਬਾਂ ਵਿੱਚ ਮਾਹਿਰ ਦਾ ਟੋਨ ਅਤੇ ਗਿਆਨ ਜ਼ਾਹਰ ਹੋਵੇਗਾ।
ਵਰਕਫਲੋ/ਐਪਿਸੋਡਿਕ ਮੈਮੋਰੀ (Workflow/Episodic Memory)
ਇਹ ਮੈਮੋਰੀ ਇੱਕ ਜਟਿਲ ਟਾਸਕ ਦੌਰਾਨ ਏਜੰਟ ਦੁਆਰਾ ਕਿਤੇ ਗਏ ਕਦਮਾਂ ਦੇ ਸਤਰ ਨੂੰ ਸਟੋਰ ਕਰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਕਾਮਯਾਬੀਆਂ ਅਤੇ ਨਾਕਾਮੀਆਂ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਕਿਸੇ ਖਾਸ “ਐਪਿਸੋਡ” ਜਾਂ ਪਿਛਲੇ ਅਨੁਭਵ ਨੂੰ ਯਾਦ ਰੱਖਣ ਵਾਂਗ ਹੈ ਤਾਂ ਜੋ ਉਨ੍ਹਾਂ ਤੋਂ ਸਿੱਖਿਆ ਜਾ ਸਕੇ।
ਐਪਿਸੋਡਿਕ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਜੇ ਏਜੰਟ ਨੇ ਕਿਸੇ ਖਾਸ ਫਲਾਈਟ ਦੀ ਬੁਕਿੰਗ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਪਰ ਇਹ ਅਣਉਪਲਬਧਤਾ ਕਰਕੇ ਨਾਕਾਮ ਰਹੀ, ਤਾਂ ਐਪਿਸੋਡਿਕ ਮੈਮੋਰੀ ਇਸ ਨਾਕਾਮੀ ਨੂੰ ਦਰਜ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਬਦਲੀਆਂ ਫਲਾਈਟਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦਾ ਹੈ ਜਾਂ ਅਗਲੀ ਕੋਸ਼ਿਸ਼ ਦੌਰਾਨ ਯੂਜ਼ਰ ਨੂੰ ਇਸ ਮੁੱਦੇ ਬਾਰੇ ਬਿਹਤਰ ਜਾਣਕਾਰੀ ਦੇ ਸਕਦਾ ਹੈ।
ਏਨਟੀਟੀ ਮੈਮੋਰੀ (Entity Memory)
ਇਸ ਵਿੱਚ ਗੱਲਬਾਤਾਂ ਵਿੱਚੋਂ ਵਿਸ਼ੇਸ਼ ਇਕਾਈਆਂ (ਜਿਵੇਂ ਲੋਕ, ਥਾਵਾਂ ਜਾਂ ਚੀਜ਼ਾਂ) ਅਤੇ ਘਟਨਾਵਾਂ ਨੂੰ ਕੱਢਣਾ ਅਤੇ ਯਾਦ ਰੱਖਣਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਏਜੰਟ ਨੂੰ ਗੱਲਬਾਤ ਵਿੱਚ ਚਰਚਾ ਕੀਤੇ ਮੁੱਖ ਤੱਤਾਂ ਦੀ ਸਾਂਰਚਨਾਤਮਕ ਸਮਝ ਬਣਾਉਣ ਦਿੰਦਾ ਹੈ।
ਏਨਟੀਟੀ ਮੈਮੋਰੀ ਉਦਾਹਰਨ
ਪਿਛਲੇ ਟ੍ਰਿਪ ਬਾਰੇ ਗੱਲਬਾਤ ਵਿੱਚੋਂ, ਏਜੰਟ “ਪੈਰਿਸ,” “ਐਫਲ ਟਾਵਰ,” ਅਤੇ “Le Chat Noir ਰੈਸਟੋਰੈਂਟ ਵਿੱਚ ਰਾਤ ਦਾ ਖਾਣਾ” ਨੂੰ ਏਨਟੀਟੀਆਂ ਵਜੋਂ ਕੱਢ ਸਕਦਾ ਹੈ। ਭਵਿੱਖ ਵਿੱਚ, ਏਜੰਟ “Le Chat Noir” ਨੂੰ ਯਾਦ ਕਰਕੇ ਨਵਾਂ ਰਿਜ਼ਰਵੇਸ਼ਨ ਕਰਨ ਦੀ ਸੇਵਾ ਦੇ ਸਕਦਾ ਹੈ।
ਸਾਂਰਚਨਾਤਮਕ RAG (Retrieval Augmented Generation)
ਜਦ ਕਿ RAG ਇੱਕ ਵਿਆਪਕ ਤਕਨੀਕ ਹੈ, “Structured RAG” ਨੂੰ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮੈਮੋਰੀ ਤਕਨਾਲੋਜੀ ਵਜੋਂ ਰੋਸ਼ਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਮੋਟੇ, ਸਾਂਰਚਨਾਤਮਕ ਜਾਣਕਾਰੀ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ (ਗੱਲਬਾਤਾਂ, ਈਮੇਲਾਂ, ਚਿੱਤਰਾਂ) ਤੋਂ ਕੱਢਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਉਪਯੋਗ ਸਹੀਪਣ, ਯਾਦਗਾਰੀ ਅਤੇ ਜਵਾਬਦੇਹੀ ਵਿੱਚ ਤੇਜ਼ੀ ਲਿਆਉਣ ਲਈ ਕਰਦਾ ਹੈ। ਪਾਰੰਪਰਿਕ RAG ਜੋ ਸਿਰਫ ਸਮਾਂਤਰੀ ਇਕਸਾਰਤਾ ‘ਤੇ ਨਿਰਭਰ ਹੈ, Structured RAG ਜਾਣਕਾਰੀ ਦੀ ਜੈਵਿਕ ਸਾਂਰਚਨਾ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ।
ਸਾਂਰਚਨਾਤਮਕ RAG ਦਾ ਉਦਾਹਰਨ
ਸਿਰਫ ਕੀਵਰਡ ਮੇਲ ਖਾਂਵਣ ਦੀ ਬਜਾਏ, Structured RAG ਇੱਕ ਈਮੇਲ ਵਿੱਚੋਂ ਫਲਾਈਟ ਵੇਰਵੇ (ਗੰਤव्य, ਤਾਰੀਖ, ਸਮਾਂ, ਏਅਰਲਾਈਨ) ਕੱਢ ਕੇ ਸਾਂਰਚਨਾਤਮਕ ਤਰੀਕੇ ਨਾਲ ਸਟੋਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਨਾਲ ਸਹੀ ਪੁੱਛਗਿੱਛ ਕਰਨੀ ਸੌਖੀ ਹੁੰਦੀ ਹੈ ਜਿਵੇਂ “ਮੈਂ ਮੰਗਲਵਾਰ ਨੂੰ ਪੈਰਿਸ ਲਈ ਕਿਹੜੀ ਫਲਾਈਟ ਬੁਕ ਕੀਤੀ ਸੀ?”
ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਨਾ ਅਤੇ ਸਟੋਰ ਕਰਨਾ
ਐਆਈ ਏਜੰਟਾਂ ਲਈ ਮੈਮੋਰੀ ਲਾਗੂ ਕਰਨਾ ਇੱਕ ਪ੍ਰਣਾਲੀਕ ਤਰੀਕੇ ਨਾਲ ਮੈਮੋਰੀ ਪ੍ਰਬੰਧਨ ਸ਼ਾਮਲ ਹੈ, ਜਿਸ ਵਿੱਚ ਜਾਣਕਾਰੀ ਤਿਆਰ ਕਰਨਾ, ਸਟੋਰ ਕਰਨਾ, ਵਾਪਸ ਲੈਣਾ, ਇੰਟਿਗ੍ਰੇਟ ਕਰਨਾ, ਅਪਡੇਟ ਕਰਨਾ ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ “ਭੁੱਲਣਾ” (ਯਾ ਮਿਟਾਉਣਾ) ਵੀ ਸ਼ਾਮਲ ਹੈ। ਰੀਟਰਾਈਵਲ ਖਾਸ ਕਰਕੇ ਇੱਕ ਬਹੁਤ ਜਰੂਰੀ ਪਾਸਾ ਹੈ।
ਵਿਸ਼ੇਸ਼ ਮੈਮੋਰੀ ਟੂਲ
Mem0
ਏਜੰਟ ਮੈਮੋਰੀ ਨੂੰ ਸਟੋਰ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ Mem0 ਵਰਗੇ ਵਿਸ਼ੇਸ਼ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ। Mem0 ਇੱਕ ਸਥਾਈ ਮੈਮੋਰੀ ਲੇਅਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਸੰਬੰਧਤ ਇੰਟਰੈਕਸ਼ਨਾਂ ਨੂੰ ਯਾਦ ਰੱਖ ਸਕਦਾ ਹੈ, ਯੂਜ਼ਰ ਪਸੰਦਾਂ ਅਤੇ ਤਥ ਅਧਾਰਿਤ ਸੰਦਰਭ ਸਟੋਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਕਾਮਯਾਬੀਆਂ ਅਤੇ ਨਾਕਾਮੀਆਂ ਤੋਂ ਸਿੱਖਦਾ ਹੈ। ਇੱਥੇ ਮਕਸਦ ਇਹ ਹੈ ਕਿ ਬਿਨਾਂ ਹਾਲਤ ਵਾਲੇ ਏਜੰਟਾਂ ਨੂੰ ਹਾਲਤ ਵਾਲੇ ਬਣਾ ਦਿੱਤਾ ਜਾਵੇ।
ਇਹ ਦੋ-ਚਰਣ ਵਾਲੀ ਮੈਮੋਰੀ ਪਾਈਪਲਾਈਨ: ਨਿਕਾਸ਼ ਅਤੇ ਅਪਡੇਟ ਰਾਹੀਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਪਹਿਲਾਂ, ਏਜੰਟ ਦੇ ਥ੍ਰੈੱਡ ਵਿੱਚ ਸ਼ਾਮਲ ਸੁਨੇਹੇ Mem0 ਸਰਵਿਸ ਨੂੰ ਭੇਜੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਇੱਕ ਲਾਰਜ ਲੈਂਗਵੇਜ ਮਾਡਲ (LLM) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗੱਲਬਾਤ ਇਤਿਹਾਸ ਦਾ ਸਾਰਿਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਨਵੀਆਂ ਯਾਦਾਂ ਕੱਢੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਬਾਅਦ, ਇੱਕ LLM-ਚਲਿਤ ਅਪਡੇਟ ਚਰਣ ਇਹ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਯਾਦਾਂ ਸ਼ਾਮਲ ਕੀਤੀਆਂ ਜਾਣ, ਬਦਲੀ ਜਾਣ ਜਾਂ ਮਿਟਾਈਆਂ ਜਾਣ, ਅਤੇ ਇਹ ਸਾਰੀਆਂ ਯਾਦਾਂ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਡੇਟਾ ਸਟੋਰ ਵਿੱਚ ਰੱਖੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਜਿਸ ਵਿੱਚ ਵੇਕਟਰ, ਗ੍ਰਾਫ ਅਤੇ ਕੀ-ਵੈਲਯੂ ਡੇਟਾਬੇਸਜ਼ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ। ਇਹ ਸਿਸਟਮ ਕਈ ਪ੍ਰਕਾਰ ਦੀਆਂ ਮੈਮੋਰੀਆਂ ਦਾ ਸਹਾਰਾ ਦਿੰਦਾ ਹੈ ਅਤੇ ਏਨਟੀਟੀਆਂ ਵਿਚਕਾਰ ਸੰਬੰਧਾਂ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਗ੍ਰਾਫ਼ ਮੈਮੋਰੀ ਨੂੰ ਵੀ ਸ਼ਾਮਲ ਕਰ ਸਕਦਾ ਹੈ।
Cognee
ਦੂਜਾ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ Cognee ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ, ਜੋ ਕਿ ਏਜੰਟਾਂ ਲਈ ਇੱਕ ਖੁੱਲਾ ਸਰੋਤ ਸੈਮੈਂਟਿਕ ਮੈਮੋਰੀ ਹੈ ਜੋ ਸਾਂਰਚਨਾਤਮਕ ਅਤੇ ਗੈਰ-ਸਾਂਰਚਨਾਤਮਕ ਡਾਟਾ ਨੂੰ ਕ੍ਰਮਬੱਧ ਗਿਆਨ ਗ੍ਰਾਫਾਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ ਜੋ embeddings ਨਾਲ ਸਮਰਥਿਤ ਹੁੰਦੇ ਹਨ। Cognee ਇੱਕ ਦੁਆਇ-ਸਟੋਰ ਬਨਾਵਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਵੇਕਟਰ ਸਮਾਨਤਾ ਖੋਜ ਅਤੇ ਗ੍ਰਾਫ਼ ਸੰਬੰਧਾਂ ਦੀ ਜੁੜਾਈ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਨਾ ਸਿਰਫ ਜਾਣਕਾਰੀ ਦੇ ਸਮਾਨ ਹੋਣ ਨੂੰ ਸਮਝ ਸਕਦੇ ਹਨ, ਬਲਕਿ ਕਿਵੇਂ ਅਰਥ ਵੱਖਰੇ ਹਨ ਇਹ ਵੀ ਸਮਝ ਸਕਦੇ ਹਨ।
ਇਹ ਹਾਈਬ੍ਰਿਡ ਰੀਟਰਾਈਵਲ ਵਿੱਚ ਕੁਸ਼ਲ ਹੈ, ਜੋ ਵੇਕਟਰ ਸਮਾਨਤਾ, ਗ੍ਰਾਫ ਢਾਂਚਾ ਅਤੇ LLM ਸੋਚ-ਵਿਚਾਰ ਨੂੰ ਮਿਲਾਉਂਦਾ ਹੈ - ਕੱਚੇ ਚੰਕ ਲੁੱਕਅਪ ਤੋਂ ਗ੍ਰਾਫ-ਜਾਣੂ ਸਵਾਲ-ਜਵਾਬ ਤੱਕ। ਸਿਸਟਮ ਇੱਕ ਲਿਵਿੰਗ ਮੈਮੋਰੀ ਰੱਖਦਾ ਹੈ ਜੋ ਵਿਕਸਿਤ ਅਤੇ ਵਧਦੀ ਰਹਿੰਦੀ ਹੈ ਅਤੇ ਇੱਕ ਜੁੜੇ ਹੋਏ ਗ੍ਰਾਫ ਵਜੋਂ ਕਈ ਸੈਸ਼ਨਾਂ ਅਤੇ ਲੰਮੀ ਅਵਧੀ ਲਈ ਉਪਲਬਧ ਰਹਿੰਦੀ ਹੈ।
Cognee ਨੋਟਬੁੱਕ ਟਿਊਟੋਰੀਅਲ (13-agent-memory-cognee.ipynb) ਵਿੱਚ ਇਹ ਇਕਾਈ ਮੈਮੋਰੀ ਲੇਅਰ ਬਣਾਉਣ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਵੱਖ-ਵੱਖ ਡਾਟਾ ਸਰੋਤਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੇ ਵਿਆਵਹਾਰਿਕ ਉਦਾਹਰਣਾਂ, ਗਿਆਨ ਗ੍ਰਾਫ਼ ਦੀ ਵਿਜ਼ੂਅਲਾਈਜੇਸ਼ਨ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਏਜੰਟ ਦੀਆਂ ਲੋੜਾਂ ਲਈ ਵੱਖਰੇ ਖੋਜ ਰਣਨੀਤੀਆਂ ਨਾਲ ਸਵਾਲ ਕਰਨ ਵਗੈਰਹ।
RAG ਨਾਲ ਮੈਮੋਰੀ ਸਟੋਰ ਕਰਨਾ
Mem0 ਵਰਗੇ ਵਿਸ਼ੇਸ਼ ਮੈਮੋਰੀ ਟੂਲਾਂ ਤੋਂ ਅੱਗੇ, ਤੁਸੀਂ Azure AI Search ਨੂੰ ਮੈਮੋਰੀ ਸਟੋਰ ਅਤੇ ਰੀਟਰਾਈਵਲ ਲਈ ਬੈਕਐਂਡ ਵਜੋਂ ਵਰਤ ਸਕਦੇ ਹੋ, ਖਾਸ ਕਰਕੇ ਸਾਂਰਚਨਾਤਮਕ RAG ਲਈ।
ਇਸ ਨਾਲ ਤੁਹਾਡੇ ਏਜੰਟ ਦੇ ਜਵਾਬਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਨਾਲ ਮਜ਼ਬੂਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨਾਲ ਜ਼ਿਆਦਾ ਪ੍ਰਭਾਵਸ਼ালী ਅਤੇ ਸਹੀ ਜਵਾਬ ਮਿਲਦੇ ਹਨ। Azure AI Search ਨੂੰ ਯੂਜ਼ਰ ਵਿਸ਼ੇਸ਼ ਯਾਤਰਾ ਯਾਦਾਂ, ਉਤਪਾਦ ਕੈਟਾਲਾਗ, ਜਾਂ ਕਿਸੇ ਵੀ ਹੋਰ ਖੇਤਰ ਦੇ ਗਿਆਨ ਸਟੋਰ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
Azure AI Search Structured RAG ਵਰਗੀਆਂ ਸਮਰੱਥਾ ਸਮਰਥਿਤ ਕਰਦਾ ਹੈ, ਜੋ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ (ਜਿਵੇਂ ਗੱਲਬਾਤ ਇਤਿਹਾਸ, ਈਮੇਲਾਂ ਜਾਂ ਚਿੱਤਰਾਂ) ਤੋਂ ਗੰਢੀਲੇ, ਸਾਂਰਚਨਾਤਮਕ ਜਾਣਕਾਰੀ ਕੱਢਣ ਅਤੇ ਬਣਾਉਣ ਵਿੱਚ ਮਾਹਿਰ ਹੈ। ਇਹ ਪਰੰਪਰਾਗਤ ਲਿਖਤੀ ਹਿੱਸਿਆਂ ਅਤੇ embeddings ਤਕਨੀਕਾਂ ਨਾਲੋਂ “ਸੁਪਰਹਿਊਮਨ ਪਕੜ ਅਤੇ ਯਾਦਸ਼ਕਤੀ” ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
ਐਆਈ ਏਜੰਟਾਂ ਨੂੰ ਸਵੈ-ਸੁਧਾਰ ਕਰਵਾਉਣਾ
ਸਵੈ-ਸੁਧਾਰ ਵਾਲੇ ਏਜੰਟਾਂ ਲਈ ਇੱਕ ਆਮ ਰੁਝਾਨ ਹੁੰਦਾ ਹੈ ਕਿ ਉਹ ਇੱਕ “ਗਿਆਨ ਏਜੰਟ” ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। ਇਹ ਵੱਖਰਾ ਏਜੰਟ ਮੁੱਖ ਏਜੰਟ ਅਤੇ ਯੂਜ਼ਰ ਦਰਮਿਆਨ ਗੱਲਬਾਤ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦਾ ਹੈ। ਇਸਦੀ ਭੂਮਿਕਾ ਹੈ:
-
ਮੁੱਲਵਾਨ ਜਾਣਕਾਰੀ ਦੀ ਪਹਚਾਣ ਕਰਨਾ: ਇਹ ਨਿਰਧਾਰਤ ਕਰਨਾ ਕਿ ਕੀ ਗੱਲਬਾਤ ਦਾ ਕੋਈ ਭਾਗ ਸਾਰਵਜਨਿਕ ਗਿਆਨ ਜਾਂ ਵਿਸ਼ੇਸ਼ ਯੂਜ਼ਰ ਪਸੰਦ ਵਜੋਂ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
-
ਨਿਕਾਸ਼ ਅਤੇ ਸੰਖੇਪ: ਗੱਲਬਾਤ ਤੋਂ ਜ਼ਰੂਰੀ ਸਿੱਖਿਆ ਜਾਂ ਪਸੰਦ ਸੰਖੇਪ ਕਰਨਾ।
-
ਗਿਆਨ ਅਧਾਰ ਵਿੱਚ ਸਟੋਰ ਕਰਨਾ: ਕਾਫ਼ੀ ਵਾਰੀ ਵੇਕਟਰ ਡੇਟਾਬੇਸ ਵਿੱਚ ਇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਸਥਾਈ ਰੂਪ ਵਿੱਚ ਸਟੋਰ ਕਰਨਾ, ਤਾਂ ਜੋ ਬਾਅਦ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ सके।
-
ਭਵਿੱਖੀ ਪੁੱਛਗਿੱਛਾਂ ਨੂੰ ਵਧਾਉਣਾ: ਜਦੋਂ ਯੂਜ਼ਰ ਨਵਾਂ ਸਵਾਲ ਕਰਦਾ ਹੈ, ਤਾਂ ਗਿਆਨ ਏਜੰਟ ਸੰਬੰਧਤ ਜਾਣਕਾਰੀ ਲੈ ਕੇ ਯੂਜ਼ਰ ਦੇ ਪ੍ਰੰਪਟ ਨਾਲ ਜੋੜਦਾ ਹੈ, ਮੁੱਖ ਏਜੰਟ ਨੂੰ ਅਹਿਮ ਸੰਦਰਭ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ (RAG ਵਾਂਗ)।
ਮੈਮੋਰੀ ਲਈ ਵਧੀਆ ਬਣਾਉ
• ਦੇਰੀ ਪ੍ਰਬੰਧਨ (Latency Management): ਯੂਜ਼ਰ ਇੰਟਰੈਕਸ਼ਨ ਨੂੰ ਸੀਧਾ ਜ਼ਿਆਦਾ ਦੇਰੀ ਨਾਲ ਬਚਾਉਣ ਲਈ, ਪਹਿਲਾਂ ਇੱਕ ਸਸਤਾ ਅਤੇ ਤੇਜ਼ ਮਾਡਲ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਜਲਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਜਾਣਕਾਰੀ ਸਟੋਰ ਕਰਨ ਯੋਗ ਹੈ ਜਾਂ ਨਹੀਂ, ਅਤੇ ਸਿਰਫ ਜ਼ਰੂਰਤ ਪੈਣ ‘ਤੇ ਹੀ ਮੁੜ ਉਚਿਤ ਨਿਕਾਸ਼/ਰੀਟਰਾਈਵਲ ਪਰਕਿਰਿਆ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ।
• ਗਿਆਨ ਅਧਾਰ ਰੱਖਰਖਾਵ (Knowledge Base Maintenance): ਵਧਣ ਵਾਲੇ ਗਿਆਨ ਅਧਾਰ ਲਈ, ਘੱਟ ਵਰਤੇ ਜਾਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ “ਠੰਡੀ ਸਟੋਰੇਜ” ਵਿੱਚ ਸਥਾਨਾਂਤਰਿਤ ਕਰਕੇ ਲਾਗਤਾਂ ਦਾ ਪਰਬੰਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਏਜੰਟ ਮੈਮੋਰੀ ਬਾਰੇ ਹੋਰ ਸਵਾਲ?
Azure AI Foundry Discord ‘ਤੇ ਜੁੜੋ ਅਤੇ ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲੋ, ਆਫਿਸ ਘੰਟਿਆਂ ਵਿੱਚ ਹਾਜ਼ਰੀ ਦਿਓ ਅਤੇ ਆਪਣੇ ਐਆਈ ਏਜੰਟਾਂ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਲਵੋ।
ਡਿਸਕਲੇਮਰ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਸੁਚਿੱਤਤਾ ਲਈ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਕਿ ਸਵੈਚਲਿਤ ਅਨੁਵਾਦ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਥਿਰਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪ੍ਰੋਫੈਸ਼ਨਲ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀ ਕਿਸੇ ਵੀ ਗਲਤਫਹਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।