ai-agents-for-beginners
Memorie pentru Agenți AI
Când discutăm despre beneficiile unice ale creării agenților AI, două aspecte sunt în general abordate: abilitatea de a utiliza instrumente pentru a finaliza sarcini și capacitatea de a se îmbunătăți în timp. Memoria este fundamentul creării unui agent care se auto-îmbunătățește și care poate oferi experiențe mai bune utilizatorilor noștri.
În această lecție, vom analiza ce înseamnă memoria pentru agenții AI și cum o putem gestiona și utiliza în beneficiul aplicațiilor noastre.
Introducere
Această lecție va acoperi:
• Înțelegerea memoriei agenților AI: Ce este memoria și de ce este esențială pentru agenți.
• Implementarea și stocarea memoriei: Metode practice pentru adăugarea capacităților de memorie agenților AI, concentrându-ne pe memoria pe termen scurt și lung.
• Crearea agenților AI care se auto-îmbunătățesc: Cum memoria permite agenților să învețe din interacțiunile anterioare și să se îmbunătățească în timp.
Obiective de învățare
După finalizarea acestei lecții, vei ști cum să:
• Diferențiezi între diferite tipuri de memorie ale agenților AI, inclusiv memoria de lucru, pe termen scurt și lung, precum și forme specializate precum memoria de personalitate și memoria episodică.
• Implementezi și gestionezi memoria pe termen scurt și lung pentru agenții AI folosind cadrul Semantic Kernel, utilizând instrumente precum Mem0 și memoria Whiteboard, și integrând cu Azure AI Search.
• Înțelegi principiile din spatele agenților AI care se auto-îmbunătățesc și cum sistemele robuste de gestionare a memoriei contribuie la învățarea și adaptarea continuă.
Înțelegerea memoriei agenților AI
În esență, memoria pentru agenții AI se referă la mecanismele care le permit să rețină și să recheme informații. Aceste informații pot include detalii specifice despre o conversație, preferințele utilizatorului, acțiuni anterioare sau chiar modele învățate.
Fără memorie, aplicațiile AI sunt adesea fără stare, ceea ce înseamnă că fiecare interacțiune începe de la zero. Acest lucru duce la o experiență repetitivă și frustrantă pentru utilizator, în care agentul “uită” contextul sau preferințele anterioare.
De ce este memoria importantă?
Inteligența unui agent este profund legată de abilitatea sa de a rechema și utiliza informațiile din trecut. Memoria permite agenților să fie:
• Reflexivi: Să învețe din acțiunile și rezultatele anterioare.
• Interactivi: Să mențină contextul pe parcursul unei conversații.
• Proactivi și reactivi: Să anticipeze nevoile sau să răspundă adecvat pe baza datelor istorice.
• Autonomi: Să funcționeze mai independent, bazându-se pe cunoștințele stocate.
Scopul implementării memoriei este de a face agenții mai fiabili și capabili.
Tipuri de memorie
Memoria de lucru
Gândește-te la aceasta ca la o foaie de hârtie pe care agentul o folosește în timpul unei sarcini sau unui proces de gândire. Ea păstrează informațiile imediate necesare pentru a calcula pasul următor.
Pentru agenții AI, memoria de lucru captează cele mai relevante informații dintr-o conversație, chiar dacă istoricul complet al chatului este lung sau trunchiat. Se concentrează pe extragerea elementelor cheie precum cerințe, propuneri, decizii și acțiuni.
Exemplu de memorie de lucru
În cazul unui agent de rezervare de călătorii, memoria de lucru ar putea capta cererea curentă a utilizatorului, cum ar fi “Vreau să rezerv o excursie la Paris”. Această cerință specifică este păstrată în contextul imediat al agentului pentru a ghida interacțiunea curentă.
Memoria pe termen scurt
Acest tip de memorie reține informații pe durata unei singure conversații sau sesiuni. Este contextul chatului curent, permițând agentului să se refere la turele anterioare din dialog.
Exemplu de memorie pe termen scurt
Dacă un utilizator întreabă, “Cât ar costa un zbor spre Paris?” și apoi continuă cu “Dar cazarea acolo?”, memoria pe termen scurt asigură că agentul știe că “acolo” se referă la “Paris” în cadrul aceleiași conversații.
Memoria pe termen lung
Aceasta este informația care persistă pe parcursul mai multor conversații sau sesiuni. Permite agenților să-și amintească preferințele utilizatorului, interacțiunile istorice sau cunoștințele generale pe perioade extinse. Acest lucru este important pentru personalizare.
Exemplu de memorie pe termen lung
O memorie pe termen lung ar putea stoca faptul că “Ben adoră schiul și activitățile în aer liber, preferă cafeaua cu vedere la munte și dorește să evite pârtiile avansate de schi din cauza unei accidentări anterioare”. Aceste informații, învățate din interacțiuni anterioare, influențează recomandările în sesiunile viitoare de planificare a călătoriilor, făcându-le extrem de personalizate.
Memoria de personalitate
Acest tip de memorie specializată ajută un agent să dezvolte o “personalitate” sau un “rol” consistent. Permite agentului să-și amintească detalii despre sine sau rolul său intenționat, făcând interacțiunile mai fluide și concentrate.
Exemplu de memorie de personalitate
Dacă agentul de călătorii este conceput să fie un “expert în planificarea schiului”, memoria de personalitate ar putea întări acest rol, influențând răspunsurile sale pentru a se alinia cu tonul și cunoștințele unui expert.
Memoria de flux/episodică
Această memorie stochează secvența de pași pe care un agent îi urmează în timpul unei sarcini complexe, inclusiv succesele și eșecurile. Este ca și cum ar “aminti” episoade sau experiențe anterioare pentru a învăța din ele.
Exemplu de memorie episodică
Dacă agentul a încercat să rezerve un anumit zbor, dar a eșuat din cauza indisponibilității, memoria episodică ar putea înregistra acest eșec, permițând agentului să încerce zboruri alternative sau să informeze utilizatorul despre problemă într-un mod mai informat în încercările ulterioare.
Memoria de entitate
Aceasta implică extragerea și reținerea entităților specifice (cum ar fi persoane, locuri sau lucruri) și evenimente din conversații. Permite agentului să construiască o înțelegere structurată a elementelor cheie discutate.
Exemplu de memorie de entitate
Dintr-o conversație despre o excursie anterioară, agentul ar putea extrage “Paris”, “Turnul Eiffel” și “cină la restaurantul Le Chat Noir” ca entități. Într-o interacțiune viitoare, agentul ar putea rechema “Le Chat Noir” și oferi să facă o nouă rezervare acolo.
RAG Structurat (Generare Augmentată prin Recuperare)
Deși RAG este o tehnică mai largă, “RAG Structurat” este evidențiat ca o tehnologie de memorie puternică. Acesta extrage informații dense și structurate din diverse surse (conversații, e-mailuri, imagini) și le folosește pentru a îmbunătăți precizia, rechemarea și viteza răspunsurilor. Spre deosebire de RAG clasic, care se bazează doar pe similaritatea semantică, RAG Structurat lucrează cu structura inerentă a informațiilor.
Exemplu de RAG Structurat
În loc să se limiteze la potrivirea cuvintelor cheie, RAG Structurat ar putea analiza detaliile unui zbor (destinație, dată, oră, companie aeriană) dintr-un e-mail și să le stocheze într-un mod structurat. Acest lucru permite interogări precise, cum ar fi “Ce zbor am rezervat spre Paris marți?”
Implementarea și stocarea memoriei
Implementarea memoriei pentru agenții AI implică un proces sistematic de gestionare a memoriei, care include generarea, stocarea, recuperarea, integrarea, actualizarea și chiar “uitarea” (sau ștergerea) informațiilor. Recuperarea este un aspect deosebit de crucial.
Instrumente specializate de memorie
O modalitate de a stoca și gestiona memoria agentului este utilizarea instrumentelor specializate precum Mem0. Mem0 funcționează ca un strat de memorie persistentă, permițând agenților să recheme interacțiuni relevante, să stocheze preferințele utilizatorului și contextul factual, și să învețe din succese și eșecuri în timp. Ideea este că agenții fără stare devin agenți cu stare.
Acesta funcționează printr-un pipeline de memorie în două faze: extragere și actualizare. Mai întâi, mesajele adăugate la firul agentului sunt trimise la serviciul Mem0, care folosește un model de limbaj mare (LLM) pentru a rezuma istoricul conversației și a extrage noi amintiri. Ulterior, o fază de actualizare condusă de LLM determină dacă să adauge, să modifice sau să șteargă aceste amintiri, stocându-le într-un depozit de date hibrid care poate include baze de date vectoriale, grafice și cheie-valoare. Acest sistem susține, de asemenea, diverse tipuri de memorie și poate încorpora memoria grafică pentru gestionarea relațiilor dintre entități.
Stocarea memoriei cu RAG
Dincolo de instrumentele specializate de memorie precum Mem0, poți utiliza servicii de căutare robuste precum Azure AI Search ca backend pentru stocarea și recuperarea amintirilor, în special pentru RAG structurat.
Acest lucru îți permite să fundamentezi răspunsurile agentului cu propriile date, asigurând răspunsuri mai relevante și mai precise. Azure AI Search poate fi utilizat pentru a stoca amintiri specifice utilizatorului despre călătorii, cataloage de produse sau orice altă cunoaștere specifică domeniului.
Azure AI Search susține capabilități precum RAG Structurat, care excelează în extragerea și recuperarea informațiilor dense și structurate din seturi mari de date, cum ar fi istoricul conversațiilor, e-mailuri sau chiar imagini. Acest lucru oferă “precizie și rechemare superumană” comparativ cu abordările tradiționale de fragmentare a textului și încorporare.
Crearea agenților AI care se auto-îmbunătățesc
Un model comun pentru agenții care se auto-îmbunătățesc implică introducerea unui “agent de cunoaștere”. Acest agent separat observă conversația principală dintre utilizator și agentul primar. Rolul său este să:
-
Identifice informații valoroase: Să determine dacă vreo parte a conversației merită salvată ca cunoaștere generală sau preferință specifică utilizatorului.
-
Extragă și rezumeze: Să distileze învățătura sau preferința esențială din conversație.
-
Stocheze într-o bază de cunoștințe: Să persisteze informația extrasă, adesea într-o bază de date vectorială, pentru a putea fi recuperată ulterior.
-
Augmenteze interogările viitoare: Când utilizatorul inițiază o nouă interogare, agentul de cunoaștere recuperează informațiile relevante stocate și le adaugă la promptul utilizatorului, oferind context crucial agentului primar (similar cu RAG).
Optimizări pentru memorie
• Gestionarea latenței: Pentru a evita încetinirea interacțiunilor utilizatorului, poate fi utilizat inițial un model mai ieftin și mai rapid pentru a verifica rapid dacă informația este valoroasă pentru stocare sau recuperare, invocând procesul mai complex de extragere/recuperare doar atunci când este necesar.
• Întreținerea bazei de cunoștințe: Pentru o bază de cunoștințe în creștere, informațiile utilizate mai rar pot fi mutate în “stocare rece” pentru a gestiona costurile.
Ai mai multe întrebări despre memoria agenților?
Alătură-te Discordului Azure AI Foundry pentru a te întâlni cu alți cursanți, a participa la ore de consultanță și a obține răspunsuri la întrebările tale despre agenții AI.
Declinarea responsabilității:
Acest document a fost tradus folosind serviciul de traducere AI Co-op Translator. Deși ne străduim să asigurăm acuratețea, vă rugăm să rețineți că traducerile automate pot conține erori sau inexactități. Documentul original în limba sa nativă ar trebui considerat sursa autoritară. Pentru informații critice, se recomandă traducerea profesională realizată de un specialist uman. Nu ne asumăm răspunderea pentru eventualele neînțelegeri sau interpretări greșite care pot apărea din utilizarea acestei traduceri.