ai-agents-for-beginners

AI முகவர்களுக்கான சூழல் பொறியியல்

(மேலுள்ள படத்தை கிளிக் செய்து இந்த பாடத்தின் வீடியோவைப் பார்க்கவும்)

நீங்கள் ஒரு AI முகவருக்கு உருவாக்கும் செயலிசையின் சிக்கல்மிக்க தன்மையைக் கருத்தில் கொள்ளுதல் ஒரு நம்பகமான முகவரை உருவாக்குவதற்கு முக்கியம். விருப்பக் கோரிக்கை பொறியியல் மட்டும் போதாது; நாமது முகவர்களின் தகவலை திறம்பட நிர்வகித்து, சிக்கலான தேவைகளை தீர்க்கும் வகையில் AI முகவர்களை உருவாக்க வேண்டியிருக்கிறது.

இந்த பாடத்தில், சூழல் பொறியியல் என்றால் என்ன மற்றும் AI முகவர்களின் கட்டுமானத்தில் அதன் பங்கு பற்றி பார்க்கப்போகிறோம்.

அறிமுகம்

இந்த பாடம் கீழை உள்ளவை பற்றி கற்றுக் கொடுக்கும்:

• சூழல் பொறியியல் என்ன என்பது மற்றும் அது ப்ராம்ட் பொறியியலைவிட எவ்வாறு வேறுபடுகிறது என்பதன் விளக்கம்.

• திறன்படுத்தக்கூடிய சூழல் பொறியியல் உத்திகள், தகவலை எழுதுதல், தேர்ந்தெடுதல், சுருக்கம் செய்தல் மற்றும் தனித்தாக்குதல் எப்படி செய்வது என்பது உட்பட.

• தொடர்பான பொதுவான சூழல் தோல்விகள் மற்றும் அவற்றை எப்படி சரி செய்வது என்பது.

கற்றல் குறிக்கோள்கள்

இந்த பாடத்தைக் முடித்தவுடன், நீங்கள் எப்படி என்பதைப் புரிந்துகொள்வீர்கள்:

• சூழல் பொறியியலை வரையறுக்கவும் மற்றும் ப்ராம்ட் பொறியியலிலிருந்து வேறுபாடு செய்வதை புரிந்துகொள்ளவும்.

• பெரிய மொழி மாதிரி (LLM) பயன்பாடுகளில் சூழலின் முக்கிய கூறுகளை அடையாளம் காணவும்.

• ஏஜென்ட் செயல்திறனை மேம்படுத்த சூழலை எழுதுதல், தேர்வு செய்தல், சுருங்குதல் மற்றும் தனித்தாக்குதல் உத்திகளைப் பயன்படுத்தவும்.

• பொதுவாக ஏற்படும் சூழல் தோல்விகள் (கூலிப்பு/poisoning, கவனச்சிதறல், குழப்பம், மோதல்) போன்றவற்றை அறிவு கொண்டு, தக்க குறைபாடுகளை செயல்படுத்தவும்.

சூழல் பொறியியல் என்றால் என்ன?

AI முகவர்களுக்கு, சூழல் என்பது ஒரு AI முகவர் சில செயல்களை எடுக்கத் தீர்மானிப்பதற்கு இயக்கக் காரணமாகும். சூழல் பொறியியல் என்பது AI முகவரின் அடுத்த படி நிறைவேற்ற தேவையான சரியான தகவல்களை உறுதிசெய்வதே ஆகும். சூழல் ஜன்னல் (context window) அளவில் வரம்பு கொண்டதால், முகவர் உருவாக்குநர்களாக நாமே சூழல் ஜன்னலில் தகவலைச் சேர்க்க, அகற்ற மற்றும் சுருக்குவதற்கு முறைகள் மற்றும் செயல்முறைகளை கட்டமைக்க வேண்டும்.

ப்ராம்ட் பொறியியல் vs சூழல் பொறியியல்

ப்ராம்ட் பொறியியல் என்பது ஒரு நிலையான குழு வழிமுறைகள் மூலம் AI முகவர்களை வழிநடத்துவதில் கவனம் செலுத்துகிறது. சூழல் பொறியியல் என்பது ஆரம்ப ப்ராம்டை உட்பட, நேரமின் அடிப்படையில் தேவைப்படும் மிகவும் மாற்றமுள்ள தகவல்களை எவ்வாறு நிர்வகிக்கும் என்பதைக் குறிக்கும். முக்கிய எண்ணம்: இந்த செயல்முறையை மீண்டும் செய்யக்கூடியதும் நம்பகமானதும் ஆக்குவது.

சூழலின் வகைகள்

சூழல் ஒரே ஒன்றல்ல என்பதை நினைவில் வைத்துக் கொள்ளுவது முக்கியம். AI முகவருக்கு தேவையான தகவல் பல்வேறு ஆதாரங்களிலிருந்து வரலாம் மற்றும் இந்த ஆதாரங்களுக்கு முகவர் அணுகலை நாம் உறுதி செய்திருக்க வேண்டும்:

AI முகவர் நிர்வகிக்க வேண்டிய சூழலின் வகைகள்:

• உறுப்புரைகள் (Instructions): இவை முகவரின் “விதிகள்” போல இருக்கும் – ப்ராம்ட்கள், சிஸ்டம் செய்திகள், கொஞ்சம்-உதாரணம் (few-shot examples) (AI எப்படி செயல்பட வேண்டும் என்பதை காட்டுவது), மற்றும் அது பயன்படுத்தக்கூடிய கருவிகளின் விளக்கங்கள். இதுதான் ப்ராம்ட் பொறியியல் கவனம் மற்றும் சூழல் பொறியியல் இணையும் பகுதியாகும்.

• அறிவுத்தகங்கள் (Knowledge): தரவுகளிலிருந்து மீட்டெடுக்கப்பட்ட தகவல்கள் அல்லது முகவர் சேர்ந்துக் கொண்டிருக்கும் நீண்டகால நினைவுகள் போன்ற உண்மைகள். ஒரு முகவருக்கு வெவ்வேறு அறிவுத்தொகுதிகள் மற்றும் தரவுத்தளங்களுக்கான அணுகல் தேவைப்பட்டால் Retrieval Augmented Generation (RAG) சிஸ்டத்தை ஒருங்கிணைப்பதும் இதில் அடக்கம்.

• கருவிகள் (Tools): வெளிப்புற செயல்பாடுகள், APIs மற்றும் MCP Servers போன்றவை வரையறுக்கப்பட்டு, அவற்றைப் பயன்படுத்தும் போது பெறப்படும் பின்னூட்டம் (ഫലം) உடன்.

• உரையாடல் வரலாறு (Conversation History): பயனருடன் நடைபெறும் தொடர்ச்சியான உரையாடல். காலங்கடக்கும் போது இவை நீளமாகி சிக்கலாக மாறுவதால் சூழல் ஜன்னலில் அதிக இடத்தை எடுத்துக்கொள்ளும்.

• பயனர் விருப்பங்கள் (User Preferences): காலத்தோடு பயனரின் பிடிப்புகள் அல்லது விருப்பங்கள் பற்றிய தகவல்கள். முக்கிய முடிவுகளை எடுக்கும்போது பயனருக்கு உதவ இத்தகவல்கள் சேமிக்கப்படலாம் மற்றும் அழைக்கப்படலாம்.

திறம்பட சூழல் பொறியியல் செய்யும் உத்திகள்

திட்டமிடல் உத்திகள்

நன்றாக திட்டமிடுதலுடன் நல்ல சூழல் பொறியியல் ஆரம்பிக்கிறது. சூழல் பொறியியலின் கருத்தைச் செலுத்த உதவும் ஒரு அணுகுமுறை:

1. தெளிவான முடிவுகளை வரையறு - AI முகவர்களுக்கு ஒதுக்கப்படும் பணிகளின் முடிவுகள் தெளிவாக வரையறுக்கப்பட வேண்டும். “AI முகவர் அதன் பணியை முடித்தவுடன் உலகம் எப்படி இருக்கும்?” என்ற கேள்விக்குப் பதில் காண்க. மாறுதலோ, தகவலோ, அல்லது பயனர் பெற்று கொள்ள வேண்டிய பதிலோ எது வன்பட வேண்டும் என்பதை வரையறுக்கவும்.
2. சூழலை வரைபடம் எழுது - AI முகவரின் முடிவுகளை வரையறுத்தபின், “இந்த பணி முடிக்க AI முகவருக்கு எந்த தகவல் தேவை?” என்பதற்கு பதிலளிக்க வேண்டும். இதனால் அந்த தகவல் எங்கே இருப்பதை வரைபடம் செய்வதற்கு தொடங்கலாம்.
3. சூழல் நுழைவுழ்சிகளை உருவாக்கு - தகவல் எங்கு உள்ளது என்பதை அறிந்து கொண்ட பின்பு, “முகவர் இந்த தகவலை எப்படிக் கொள்ளும்?” என்று பதில் சொல்ல வேண்டும். இது RAG, MCP சர்வர்கள் மற்றும் பிற கருவிகள் பயன்பாடு போன்ற பல்வேறு முறைகளில் செய்யலாம்.

நடைமுறை உத்திகள்

திட்டமிடுதல் முக்கியம் ஆனால் தகவல் நமது முகவரின் சூழல் ஜன்னலுக்கு வரும் போது, அதை நிர்வகிக்க நடைமுறைமையான உத்திகளும் வேண்டும்:

சூழல் நிர்வகித்தல்

சில தகவல்கள் சூழல் ஜன்னலுக்கு தானாக சேர்க்கப்படக்கூடும்; ஆனால் சூழல் பொறியியல் என்பதைப் பற்றி நாம் அதைச் செயல்பாட்டாக நிர்வகிக்க வேண்டும். இதற்காக சில உத்திகள் உள்ளன:

1. Agent Scratchpad இது ஒரு AI முகவர் ஒரே அமர்வின் போது தற்போதைய பணிகள் மற்றும் பயனர் தொடர்புகளுக்கான தொடர்புடைய தகவல்களை குறிக்கோள்களாகக் குறித்துக் கொள்ள உதவுகிறது. இது சூழல் ஜன்னலுக்கு வெளியே ஒரு கோப்பு அல்லது ரன்டைமைப் பொருளாக இருக்க வேண்டும், அவ்வமைப்பில் முகவர் அவசியம் போன தொகுப்புகளை பின்னர் அடைக்கலாம்.

2. Memories ஸ்க்ராட்ச்பேட்கள் தனித்தொரு அமர்வின் சூழல் ஜன்னலுக்கு வெளியேயான தகவலை நிர்வகிக்க நல்லவை. நினைவுகள் (Memories) முகவர்களுக்கு பல அமர்வுகளுக்கு இடையே தொடர்புடைய தகவல்களை சேமித்து மீட்டெடுக்க பிரயோஜனமளிக்கின்றன. இதில் சுருக்கங்கள், பயனர் விருப்பங்கள் மற்றும் எதிர்கால மேம்பாட்டுக்கு கருத்துக்கள் அடங்கலாம்.

3. சூழலைச் சுருக்குதல் சூழல் ஜன்னல் மிகப் பெருகி அதன் வரம்பிற்கு அருகே சென்றால், சுருக்கம் மற்றும் நெறுக்கல் போன்ற தொழில்நுட்பங்களை பயன்படுத்தலாம். இதில் முக்கியமான தகவல்களை மட்டும் வைத்திருத்தல் அல்லது பழைய செய்திமேசேஜ்களை நீக்குதல் அடங்கலாம்.

4. பல-முகவர் அமைப்புகள் (Multi-Agent Systems) பல-முகவர் அமைப்புகளை உருவாக்குவது ஒரு வகையான சூழல்_poறியியல் ஆகும் ஏனெனில் ஒவ்வொரு முகவருக்கும் தனிப்பட்ட சூழல் ஜன்னல் உண்டு. அந்த சூழல் எவ்வாறு பகிர்வு செய்யப்படுகிறது மற்றும் வெவ்வேறு முகவர்களுக்கு எப்படிச் சீர்மரபாக்கப்படுகிறது என்பதையும் திட்டமிட வேண்டும்.

5. சேண்ட்பாக்ஸ் சூழல்கள் ஒரு முகவர் சில கோடுகளை இயக்கு அல்லது ஒரு ஆவணத்தில் பெரிய அளவு தகவலை செயலாக்க வேண்டுமெனில், பல டோகன்கள் பயன்படுத்தப்படலாம். இதை அனைத்தாகும் சூழல் ஜன்னலில் சேமிக்கவிடாமல், முகவர் இந்தக் கோடுகளை இயக்கு மற்றும் முடிவுகளை மட்டுமே வாசிக்கக்கூடிய ஒரு சேண்ட்பாக்ஸ் சூழலை பயன்படுத்தலாம்.

6. ரன்டைம் நிலை பொருட்கள் (Runtime State Objects) இது முகவரின் குறிப்பிட்ட தகவல்களுக்கு அணுகலை நிலைநாட்ட சில தகவல் பையாளர்களை உருவாக்குவதன் மூலம் செய்யப்படுகிறது. ஒரு சிக்கலான பணிக்காக, இது ஒவ்வொரு துணைப் பணியின் முடிவுகளை படி படியாக சேமிக்க அணுகவும், சூழலை அந்த குறிப்பிட்ட துணைப் பணியோடு மட்டும் இணைத்து வைக்க உதவும்.

சூழல் பொறியியலின் ஒரு எடுத்துக்காட்டு

நாம் ஒரு AI முகவரிடம் “எனக்கு பாரிஸுக்கு ஒரு பயணம் ஆர்டர் செய்து தா.” என்று சொல்ல விரும்புவோம் என்று கூறுவோம்.

• ப்ராம்ட் பொறியியல் மட்டும் பயன்படுத்தும் ஒரு எளிய முகவர் சிெல்ப் பதில் கூறலாம்: “சரி, நீங்கள் எப்போது பாரிஸுக்கு போக விரும்புகிறீர்கள்?”. அது பயனர் கேட்ட நேரத்தில் நேரடியாக உங்கள் கேள்வியை செயலாக்கியது மட்டும்.

• இந்த பாடத்தில் கூறப்பட்ட சூழல் பொறியியல் உத்திகளை பயன்படுத்தும் ஒரு முகவர் மிகவும் வேறாக செயல்படுமென்றால், பதில் சொல்லுவதற்கு முன்னர் அதன் சிஸ்டம் இதைச் செய்யலாம்:

  ◦ உங்கள் காலெண்டரைப் பார்க்கும் (நேர்மையான தரவை மீட்டெடுதல்).

  ◦ பழைய பயண விருப்பங்களை நினைவுச்செய்தல் (நீண்டகால நினைவிலிருந்து) — மேலும் நீங்கள் விரும்பும் ஏரோலைன், பட்ஜெட், நேரடி விமானங்களை விரும்புவது போன்றவற்றை நினைவுச்செய்யலாம்.

  ◦ விமானம் மற்றும் விடுதி பதிவு செய்வதற்கான கருவிகளை அடையாளம் காண்க.

• அதன் பிறகு, ஒரு எடுத்துக்காட்டு பதில் இதுபோல இருக்கலாம்: “Hey [Your Name]! I see you’re free the first week of October. Shall I look for direct flights to Paris on [Preferred Airline] within your usual budget of [Budget]?” (இந்த வளமான, சூழலைத் தெரிவிக்கும் பதில் சூழல் பொறியியலின் சக்தியை வெளிப்படுத்துகிறது.)

பொதுவான சூழல் தோல்விகள்

சூழல் மாசுபாடு (Context Poisoning)

இது 무엇: ஒரு ஹாலூசினேஷன் (LLM மூலம் உருவாக்கப்பட்ட தவறான தகவல்) அல்லது பிழை சூழலில் சேர்ந்து பல முறை மேற்கோள் வைக்கப்படும்போது, முகவர் சாத்தியமற்ற இலக்குகளைத் தேடியோ அல்லது அந்நிய விருப்பமான திட்டங்களை உருவாக்கிக் கொள்கின்றது.

எழுதவேண்டியது: சூழல் சரிபார்த்தல் மற்றும் பின்னம் வைப்புத் தனிமை (quarantine) நடைமுறைப்படுத்தவும். நீண்டகால நினைவிற்கு சேர்ப்பதற்கு முன் தகவலைச் சரிபார்க்கவும். சாத்தியமான மாசுபாடு கண்டறியப்பட்டால், அந்த தவறான தகவல் பரவாதபடியே புதிய சூழல் திரைகளை தொடங்கவும்.

பயண ஒழுங்குபடுத்தல் எடுத்துக்காட்டு: உங்கள் முகவர் ஒரு சிறிய உள்ளூர்த் விமான நிலையத்திலிருந்து ஒரு தூர சர்வதேச நகரத்திற்கு நேரடி விமானம் இருப்பதாக ஹாலூசியேட் செய்துவிடுகிறது, ஆனால் உண்மையில் அந்த விமான நிலையம் சர்வதேச விமானங்களை வழங்காது. இந்த நிலை இல்லாத விமான விவரம் சூழலுக்கு சேமிக்கப்படுகிறது. பின்னர், நீங்கள் பொருட்டு முகவரிடம் بک செய்யும்போது, அது இந்த சாத்தியமற்ற வழியைத் தேடும் முயற்சியில் தொடர்ந்து தவறுகளை ஏற்படுத்தும்.

தீர்வு: பறப்புப் பயணத்தின் இருப்புத்தன்மையும் வழிகளையும் நேர்மையான API மூலம் சரிபார்த்துக் கொள்வதற்கான ஒரு படியை செயல்படுத்தவும் சேர்ப்பதற்கு முன். சரிபார்ப்பு தோற்றால், தவறான தகவல் “பின்னம் வைக்கப்படுகிறது” மற்றும் இனி பயன்படுத்தப்படாது.

சூழல் கவனச்சிதறல் (Context Distraction)

இது 무엇: சூழல் அளவு மிகவும் பெருகி மாடல் சேமித்த வரலாற்றில் அதிக கவனம் செலுத்துகிறது மற்றும் பயிற்சியின் போது கற்றுகொண்டதை பயன்படுத்தத் தவறுகிறது, இதனால் மீறல் அல்லது உதவியற்ற செயல்கள் வருகிறது. சில சந்தர்ப்பங்களில், context ஜன்னல் முழுவதும் நிறையாமல் கூட மாடல்கள் தவறுகளை செய்ய ஆரம்பிக்கலாம்.

எழுதவேண்டியது: சூழல் சுருக்கம் பயன்படுத்தவும். காலநேர இடைவெளிகளுக்கு பிறகு சேமிக்கப்பட்ட தகவலை சுருக்கமான சுருக்கங்களில் சுருக்கி, முக்கிய தகவல்களைக் கொண்டு மீதமுள்ள வரலாற்றை அகற்றவும். இது கவனத்தை “மீட்டெடுக்கும்” உதவும்.

பயண ஒழுங்குபடுத்தல் எடுத்துக்காட்டு: நீண்டகாலமாக பல கனவு பயணத்திட்டங்களைப் பற்றி விவாதித்தீர்கள், இரண்டு ஆண்டுகளுக்கு முன் உங்கள் பையில் இருந்த பயணத்தின் விரிவான விவரத்தையும் சேர்த்து. நீங்கள் இறுதியில் “அடுத்த மாதம் எனக்கு குறைந்தபட்ச விலையில் ஒரு பயணத் திட்டம் காணு” என்று கேட்டபோது, முகவர் பழைய, தொடர்பற்ற விவரங்களில் சிக்கி உங்கள் பேக்க்பேக்கிங் சாதனங்கள் அல்லது பழைய பயண வழித்தடங்கள் பற்றி தொடர்ந்து கேட்கிறதாகவும், தற்போதைய கோரிக்கையை புறக்கணிக்கிறதாம்.

தீர்வு: ஒரு குறிப்பிட்ட முறைமையால் அல்லது சூழல் அதிகமாகியவுடன், முகவர் பயனுள்ள மற்றும் சமீபத்திய உரையாடலின் முக்கிய பகுதிகளை சுருக்கி – உங்கள் தற்போதைய பயண வாரியங்கள் மற்றும் இலக்குகளை மையப்படுத்தி – அக்குறுகிய சுருக்கத்தை அடுத்த LLM அழைப்புக்காக பயன்படுத்தி, குறைவான தொடர்பற்ற உரையைக் கடைசியில் அகற்றி விட வேண்டும்.

சூழல் குழப்பம் (Context Confusion)

இது 무엇: தேவையற்ற சூழல், பெரும்பாலும் மிகவும் பல கருவிகள் கிடைக்கும் வகையில், மாடலை தவறான பதில்களை உருவாக்கவோ அல்லது பொருத்தமில்லாத கருவிகளை அழைக்கவோ விளைவிக்கும். சிறிய மாதிரிகள் இதற்கு சிறப்பாக உடன்படும்ன.

எழுதவேண்டியது: RAG தொழில்நுட்பங்களைப் பயன்படுத்தி கருவி தேர்வு நிர்வாகம் (tool loadout management) செயல்படுத்தவும். கருவி விளக்கங்களை ஒரு வேக்டர் தரவுத்தளத்தில் சேமித்து, ஒவ்வொரு பணிக்கும் தேவையானவை மட்டும் தேர்ந்தெடுக்கவும். குறைக்கப்பட்ட கருவி தேர்வுகளை 30-க்குக் கீழ் வைத்தல் பயனுள்ளதாக முடிவு நம்பிக்கை அளிக்கிறது.

பயண ஒழுங்குபடுத்தல் எடுத்துக்காட்டு: உங்கள் முகவருக்கு பல டூல்ஸ் கிடைக்கும்: book_flight, book_hotel, rent_car, find_tours, currency_converter, weather_forecast, restaurant_reservations போன்றவை. நீங்கள் “பாரிஸில் சுற்றி போவதற்கு சிறந்த வழி என்ன?” என்று கேட்டபோது, கருவிகளின் எண்ணிக்கை அதிகமாக இருப்பதால், முகவர் குழப்பமாகி book_flight-ஐ பாரிஸுக்குள் உள்ள பயணமாக அழைக்க முயற்சிக்கிறதோ அல்லது நீங்கள் பொதுப் போக்குவரத்தை முன்னுரிமை சொல்லினாலும் rent_car-ஐ அழைக்கிறது, ஏனெனில் கருவி விளக்கங்கள் هم ஒதுக்கப்படலாம் அல்லது சரியான கருவியை தானாகப் பிரித்தெடுக்க முடியாமல் போகலாம்.

தீர்வு: கருவி விளக்கங்களை RAG மூலம் பெறவும். நீங்கள் பாரிஸில் போக்குவரத்தைப் பற்றி கேட்டபோது, சிஸ்டம் உங்கள் கேள்வியின் அடிப்படையில் rent_car அல்லது public_transport_info போன்ற மிக தொடர்புடைய கருவிகளை மட்டும் மாற்றியமைத்து LLM-க்கு வழங்கும் கவனிக்கப்பட்ட “loadout” ஐ dynamical ஆக திருத்துகிறது.

சூழல் மோதல் (Context Clash)

இது 무엇: சூழலில் முரண்பட்ட தகவல் இருப்பதால் எந்தவொரு ஒருங்கிணைந்த காரணமோ அல்லது தவறான இறுதி பதிலோ தோன்றும். இது பொதுவாக தகவல்கள் படிச் சீக்கிரம் வந்தபோது மற்றும் தொடக்க, தவறான ஊகங்கள் சூழலில் மீதமிருக்கும்போது நடைபெறும்.

எழுதவேண்டியது: சூழல் வெட்டுதல் (pruning) மற்றும் பின்னிறக்குதல் (offloading) பயன்படுத்தவும். வெட்டுதல் என்பது பழையவான அல்லது முரண்பாடான தகவல்களை புதிய விவரங்கள் வந்தவுடன் நீக்குவது. பின்னிறக்குதல் என்றால் மாதிரிக்கு முதன்மை சூழலை கலக்காமல் தனி “ஸ்க்ராட்ச்பேட்” பணியிடம் கொடுத்து அவற்றைப் செயல்படுத்துவதற்கு வழங்கும்.

பயண ஒழுங்குபடுத்தல் எடுத்துக்காட்டு: முதலில் நீங்கள் உங்கள் முகவரிடம் “நான் Ekonomy வகுப்பு பயணம் விரும்புகிறேன்.” என்று சொன்னீர்கள். பின்னர் உரையாடலில் நீங்கள் மனசு மாற்றி “இந்த பயணத்திற்கு, அப்பா, பட்ஜெட்டைப் பார்க்காமல் பிஸினஸ் கிளாஸில் போவோம்.” என்று சொன்னீர்கள். இரு கட்டளைகளும் சூழலில் மீந்திருந்தால், முகவர் முரண்பட்ட தேடல் முடிவுகளைப் பெறலாம் அல்லது எந்த விருப்பத்தை முன்னுரிமை அளிக்க வேண்டும் என்று குழப்பமாகலாம்.

தீர்வு: சூழல் வெட்டுதல் செயல்படுத்து. புதிய கட்டளைகள் பழையவை எதிர்க்கிறபோது, பழைய கட்டளையை அகற்றவோ அல்லது சூழலில் தெளிவாக மீறிச் சொல்லவோ செய்ய வேண்டும். மாற்றாக, முகவர் முரண்பட்ட விருப்பங்களை தீர

---

பொறுப்பின்மை: இந்த ஆவணம் செயற்கை நுண்ணறிவு மொழிபெயர்ப்பு சேவை Co-op Translator மூலம் மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கிறோம் என்றாலும், தானியங்கி மொழிபெயர்ப்புகளில் தவறுகள் அல்லது துல்லியமின்மைகள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளவும். சொந்த மொழியில் உள்ள அசல் ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பின் பயன்பாட்டால் ஏற்பட்ட எந்தவொரு தவறான புரிதலுக்கு அல்லது தவறான பொருள் விளக்கத்திற்கும் நாங்கள் பொறுப்பேற்க மாட்டோம்.

This site is open source. Improve this page.