ai-agents-for-beginners

AI முகவர்களுக்கு சூழல் பொறியியல்

(இந்த பாடத்தின் வீடியோக்களை பார்க்க மேலே உள்ள படத்தை கிளிக் செய்யவும்)

நீங்கள் உருவாக்கும் AI முகவருக்கான பயன்பாட்டின் சிக்கலை புரிந்துகொள்வது நம்பகமான ஒன்றை உருவாக்குவது மிகவும் முக்கியம். கேள்வி அமைக்கும் பொறியியலுக்கு அப்பால் சிக்கலான தேவைகளை பூர்த்தி செய்யுவதற்கு தகவலை திறம்பட கையாளும் AI முகவர்களை உருவாக்க நாம் முயற்சிக்க வேண்டும்.

இந்த பாடத்தில், சூழல் பொறியியல் என்றால் என்ன மற்றும் AI முகவர்களை உருவாக்கும் போது அதன் பங்கு என்ன என்பதைக் காணப்போகிறோம்.

அறிமுகம்

இந்த பாடத்தில் காணப்படும் விஷயங்கள்:

• சூழல் பொறியியல் என்றால் என்ன மற்றும் அது கேள்வி அமைக்கும் பொறியியலிலிருந்து எப்படி வேறுபடுகிறது என்பதைக் கற்றுக்கொள்வது.

• திறமையான சூழல் பொறியியலுக்கான செயல்முறைகள், உட்பட தகவலை எழுதுதல், தேர்ந்தெடுத்தல், சுருக்குதல் மற்றும் தனிமைப்படுத்துதல் எப்படி செய்வது.

• உங்கள் AI முகவருக்கு பாதிப்பு விளைவிக்கும் பொதுவான சூழல் தோல்விகள் மற்றும் அவற்றை எப்படி சரிசெய்வது.

கற்றல் குறிக்கோள்கள்

இந்த பாடத்தை முடித்த பிறகு, நீங்கள் இன்னும் புரிந்துகொள்ள முடியும்:

• சூழல் பொறியியலை வரையறுக்கவும் மற்றும் அதை கேள்வி அமைக்கும் பொறியியலிலிருந்து வேறுபடுத்தும் விதத்தில் புரிந்துகொள்ளவும்.

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

• முகவரின் செயல்திறனை மேம்படுத்தும் விதமாக தகவலை எழுதுதல், தேர்ந்தெடுத்தல், சுருக்குதல் மற்றும் தனிமைப்படுத்தல் போன்ற செயல்முறைகளை பயன்படுத்தவும்.

• விஷய மாய்த்து (poisoning), கவனம் குழைப்பு, குழப்பம் மற்றும் மோதல் போன்ற பொதுவான சூழல் தோல்விகளை அடையாளம் காணவும் மற்றும் அவற்றை குறைக்கும் முறைகள் பயன்படுத்தவும்.

சூழல் பொறியியல் என்றால் என்ன?

AI முகவர்களுக்கு, சூழல் என்பது ஒரு AI முகவரி குறிப்பிட்ட நடவடிக்கைகளை எடுக்க திட்டமிடுவதற்கான காரணம். சூழல் பொறியியல் என்பது AI முகவருக்கு அடுத்த படியை முடிக்க தேவையான சரியான தகவல்களை வழங்குவதை உறுதிசெய்வது ஆகும். சூழல் ஜன்னல் அளவு வரையறுக்கப்பட்டிருப்பதால், முகவரி உருவாக்குநர்களாக நாம் சூழல் ஜன்னலில் தகவலை சேர்க்க, நீக்க மற்றும் சுருக்க மேலாண்மை செய்யக் கூடிய அமைப்புக்கள் மற்றும் செயல்முறைகளை அமைக்க வேண்டும்.

கேள்வி அமைக்கும் பொறியியல் மற்றும் சூழல் பொறியியல்

கேள்வி அமைக்கும் பொறியியல் என்பது ஒரே நிலையான குழுவாக உள்ள அடிப்படைக் கட்டளைகளை வைத்து AI முகவர்களை வழிநடத்துதலில் கவனம் செலுத்துகிறது. சூழல் பொறியியல் என்பது ஆரம்ப கேள்வி உட்பட இயக்கமுள்ள தகவல் தொகுப்பை பராமரிப்பது ஆகும், ஆகையால் AI முகவருக்கு காலக்கட்டத்தில் தேவையானதை வழங்குவது உறுதி செய்யப்படும். சூழல் பொறியியலின் முக்கிய நோக்கம் இந்த செயல்முறையை மீண்டும் மீண்டும் செய்யக்கூடியதும் நம்பகமானதும் ஆக்குவதுதான்.

சூழல் வகைகள்

சூழல் என்பது ஒருதரமான விஷயம் அல்ல என்பதை நினைவில் வைக்க வேண்டும். AI முகவருக்கு தேவையான தகவல்கள் பல்வேறு மூலங்களிலிருந்து வரக்கூடும் மற்றும் அந்த மூலங்கள் முகவருக்கு எளிமையாக கிடைக்க நாம் உறுதி செய்ய வேண்டும்:

AI முகவரி கையாள வேண்டிய சூழல் வகைகள்:

• கட்டளைகள்: இவை முகவரின் “விதிகள்” போன்று – கேள்விகள், அமைப்பு செய்திக்கள், சில உதாரணங்கள் (AIக்கு எப்படி செயல்படுவது என்பதை காட்டுவதை), மற்றும் பயன்படுத்தக்கூடிய கருவிகள் பற்றிய விளக்கங்கள். இங்கு கேள்வி அமைக்கும் பொறியியல் மற்றும் சூழல் பொறியியல் இணைகிறது.

• அறிவு: இது உண்மைகள், தரவுத்தளங்களிலிருந்து பெறப்பட்ட தகவல், அல்லது முகவரின் நீண்டநாள் நினைவுகளை உள்ளடக்கியது. ஒருஅறிவுத் தொகுப்பிற்கு பல்வேறு தரவுத்தளங்கள் மற்றும் குறிப்புகள் தேவைப்படுமானால், ஒரு Retrieval Augmented Generation (RAG) அமைப்பை இணைக்கும் போது இது உல் பட்டு விடும்.

• கருவிகள்: வெளிப்புற செயல்பாடுகள், APIs மற்றும் MCP சேவைகள் ஆகியவையை முகவரி அழைக்க முடியும், மற்றும் அவற்றைப் பயன்படுத்துவதன் மூலம் பெறப்படும் கருத்துக்கள் (முடிவுகள்).

• பேச்சாடல் வரலாறு: பயனர்களுடன் நடந்து வரும் தொடர்ச்சி உரையாடல். காலம் கடந்து செல்லும் போது, உரையாடல்கள் நீண்டதும் சிக்கலானதும் ஆகும்; அதனால் சூழல் ஜன்னலில் இடம் பிடித்துக்கொள்கின்றன.

• பயனர் விருப்பங்கள்: காலத்தின் ஓரளவு பயனரின் விருப்பங்கள் குறித்து கற்றுக்கொள்ளப்பட்ட தகவல். முக்கிய முடிவுகளை எடுக்க உதவுவதற்கு இது சேமிக்கப்பட்டு பயன்படுத்தப்படலாம்.

திறமையான சூழல் பொறியியல் செயல்முறைகள்

திட்டமிடல் செயல்முறைகள்

நல்ல சூழல் பொறியியல் நல்ல திட்டமிடலுடன் துவங்க வேண்டும். சூழல் பொறியியல் கருத்தை உங்கள் செயல்பாட்டில் செயல்படுத்த எவ்வாறு சிந்திப்பது என்பதற்கான அணுகுமுறை:

1. தெளிவான முடிவுகளை வரையறுக்கவும் - AI முகவர்களுக்கு வழங்கப்படவிருக்கும் பணிகள் முடிவாக என்ன கிடைக்க வேண்டும் என்பதையே தெளிவாக நிர்ணயிக்கவும். கேள்வி: “AI முகவரி தனது பணியை முடித்த பிறகு உலகம் எப்படி இருக்கும்?” அல்லது பயனருக்கு என்ன மாற்றம், தகவல் அல்லது பதில் வேண்டும் என்பதைக் குறிப்பதாகும்.
2. சூழலை வரைபடமாகச் செய்யவும் - AI முகவரின் முடிவுகளை நிர்ணயித்த பிறகு, “இந்த பணியை முடிக்க AI முகவருக்கு எந்த தகவல் தேவை?” என்பதற்கான கேள்விக்குப் பதிலளிக்கவும். இதன் மூலம் அந்தத் தகவல் எங்கே இருக்கலாம் என்பதன் வரைபடத்தை உருவாக்கலாம்.
3. சூழல் குழாய்களை உருவாக்கவும் - தகவல் எங்கு உள்ளது என்பதை அறிந்த பிறகு, “AI முகவரி இந்தத் தகவலை எவ்வாறு பெறும்?” என்பதற்கான கேள்வியை பதிலளிக்கவும். இதனை RAG, MCP சேவைகள் மற்றும் பிற கருவிகளைப் பயன்படுத்தி செய்யலாம்.

நடைமுறை செயல்முறைகள்

திட்டமிடல் முக்கியமானது ஆனால் தகவல் உங்கள் முகவரி சூழல் ஜன்னலில் பாய்ச்சத் துவங்கியதும் அதை நிர்வகிக்க நடைமுறை செயல்முறைகள் தேவையாகின்றன:

சூழலை நிர்வகித்தல்

சில தகவல்கள் சூழல் ஜன்னலில் தானாகவே சேர்க்கப்படும், ஆனால் சூழல் பொறியியல் என்பது இந்தத் தகவல்களை மேலாண்மை செய்ய ஒரு சுறுசுறுப்பான முறையை எடுக்கவேண்டியதுதான். சில செயல்முறைகள்:

1. முகவரி ஸ்க்ராட்ச்பாட் இதனால் AI முகவரி தற்போதைய பணிகள் மற்றும் பயனர் தொடர்புகளின் தொடர்புக்குரிய குறிப்புகளை ஒரே அமர்வின் போது எடுத்து வைக்க முடியும். இது சூழல் ஜன்னலுக்கு வெளியே இருக்கும் கோப்பு அல்லது ரன்னடைம் பொருளாக இருக்க வேண்டும் மற்றும் அந்த அமர்வு வேளையில் தேவையாயின் AI முகவரி அதை மீண்டும் பெறலாம்.

2. நினைவுகள் ஸ்க்ராட்ச்பாட்கள் ஒரே அமர்வின் சூழல் ஜன்னலுக்கு வெளியே தகவலை நிர்வகிக்க உதவுகின்றன. நினைவுகள் பல அமர்வுகளுக்கிடையே தொடர்புடைய தகவலை சேமித்து மீண்டும் பெற முடியும். இது சுருக்கங்கள், பயனர் விருப்பங்கள் மற்றும் எதிர்கால மேம்பாடுகளுக்கான கருத்துக்களை உள்ளடக்கலாம்.

3. சூழலை சுருக்குதல் சூழல் ஜன்னல் பெருகி அதன் எல்லைக்குச் சென்றபோது, சுருக்கம் மற்றும் திறத்தல் போன்ற தொழில்நுட்பங்கள் பயன்படுத்தப்படலாம். இதில் முக்கியமான தகவல்களை மட்டும் வைத்தல் அல்லது பழைய செய்திகளை நீக்குதல் அடங்கும்.

4. பல முகவரி அமைப்புகள் ஒவ்வொரு முகவரிக்கும் தனித்தனியான சூழல் ஜன்னல் இருப்பதால் பல முகவரி அமைப்புகளை உருவாக்குவது ஒரு வகையான சூழல் பொறியியல் ஆகும். அந்த சூழலை எவ்வாறு பகிர்ந்து வழங்குவது மற்றும் மற்ற முகவர்களுக்குப் பரிமாறுவது என்றது வடிவமைக்கும் போது கருதி திட்டமிட வேண்டியது.

5. சேந்திர இடங்கள் (Sandbox Environments) ஒரு முகவரி குறியீடு இயக்க வேண்டியப போது அல்லது ஒரு ஆவணத்தில் பெரும் தகவல்களை செயலாக்க வேண்டியபோது, முடிவுகளை செயலாக்க அதிக தொகுதி டோக்கன்கள் செலவாகும். இந்த தகவல்கள் அனைத்தையும் சூழல் ஜன்னலில் வைத்திருக்காமல், இதில் குறியீடு இயக்கக்கூடிய மற்றும் முடிவுகளை மட்டும் படிக்கக்கூடிய சேந்திர இடத்தை பயன்படுத்த முடியும்.

6. ரன்னடைம் நிலை பொருட்கள் ஒரு முகவரி குறிப்பிட்ட தகவல்களுக்கு அணுக வேண்டிய போது, தகவல் தொகுதிகளை உருவாக்குவது. சிக்கலான பணிக்காக, ஒவ்வொரு துணை பணியின் முடிவுகளை படிப்படியாக சேமிக்கும் வகையில் முகவரிக்கு ஏதுவாக இருக்கும், சூழல் இணைக்கப்பட வேண்டியதில்லை அந்த குறிப்பிட்ட துணைப் பணிக்கு மட்டுமே.

சூழலை ஆய்வு செய்தல்

இவற்றுள் ஒரு செயல்முறையை நீங்கள் நடைமுறையில் கொண்டுவந்த பிறகு, அடுத்த மாதிரி அழைப்பு உண்மையில் என்ன பெற்றது என்பதை பரிசீலிக்க வேண்டும். பயனுள்ள பிழையறிதல் கேள்வி:

முகவரி மிகவும் அதிகமான சூழல், தவறான சூழல் அல்லது தேவையான சூழலை தவறவிட்டதா?

இந்த கேள்விக்கு பதிலளிக்க நீங்கள் மூல கேள்விகள், கருவி வெளியீடுகள் அல்லது நினைவக உள்ளடக்கங்களை பதிவுசெய்ய தேவையில்லை. உற்பத்தியில், எண்ணிக்கை, அடையாளங்கள், ஹாஷ்கள் மற்றும் கொள்கை லேபிள்களைப் பதிவு செய்யும் சிறிய சூழல் ஆய்வு பதிவுகளை முன்னுரிமை கொடுக்கவும்:

• தேர்வு: எத்தனை விண்ணப்பக் துண்டுகள், கருவிகள் அல்லது நினைவுகள் பரிசீலிக்கப்பட்டது, எத்தனை தேர்ந்தெடுக்கப்பட்டன, மற்றவை எதனால் வடிகட்டப்பட்டன என்பதை கண்காணிக்கவும்.
• சுருட்டல்: மூல வரம்பு அல்லது தடம் அடையாளம், சுருக்கமான அடையாளம், சுருட்டுக алдында மற்றும் பிறகு மதிப்பிடப்பட்ட டோக்கன் எண்ணிக்கை மற்றும் அடுத்த அழைப்பிற்கு மூல உள்ளடக்கம் வெளியே வைக்கப்பட்டதா என்பதை பதிவுசெய்யவும்.
• தனிமைப்படுத்தல்: எது துணைப் பணி வேறொரு முகவர், அமர்வு அல்லது சேந்திர இடத்தில் இயங்கியது, எந்த கட்டுப்பட்ட சுருக்கம் திருப்பி கொடுக்கப்பட்டது, பெரிய கருவி வெளியீடு முதன்மை முகவரி சூழல் வெளியில் இருந்ததா என்பதை குறிப்பிடவும்.
• நினைவகம் மற்றும் RAG: பெற்ற ஆவண அடையாளங்கள், நினைவக அடையாளங்கள், மதிப்பெண்கள், தேர்ந்தெடுக்கப்பட்ட அடையாளங்கள் மற்றும் மறைத்தல் நிலையை முழுமையான வெளிப்படுத்தப்பட்ட உரையைப் பதிலாக சேமிக்கும்.
• பாதுகாப்பு மற்றும் தனியுரிமை: உணர்வுள்ள கேள்விகள், கருவி விவாதங்கள், கருவி முடிவுகள் அல்லது பயனர் நினைவுகளுக்கு பதிலாக ஹாஷ்கள், அடையாளங்கள், டோக்கன் பாத்துக்கள் மற்றும் கொள்கை லேபிள்களை முன்னுரிமை கொடுக்கவும்.

நோக்கம் அதிகமான சூழலை வைத்திருக்க அல்ல. அதற்கு பதிலாக, ஒரு விவசாயி எந்த சூழல் செயல்முறை இயக்கப்பட்டது மற்றும் அடுத்த மாதிரி அழைப்பு எதிர்பார்க்கப்பட்ட விதத்தில் மாற்றப்பட்டதா என்பதைக் கூறத் தேவையான சான்றுகளை விட்டுச் செல்ல வேண்டும்.

சூழல் பொறியியலின் எடுத்துக்காட்டு

நாம் ஒரு AI முகவாரிடம் “என்னக்கு பரிசுக்கு ஒரு பயணம் முன்பதிவு செய்.” என்று சொல்ல விரும்புவதாக வைத்துக்கொண்டால்,

• கேள்வி அமைக்கும் பொறியியல் மட்டுமே பயன்படுத்தும் ஒரு அடிப்படை முகவரி எளிதாக பதில் கூறலாம் : “சரி, நீங்கள் எப்போது பரிசுக்கு செல்ல விரும்புகிறீர்கள்?”. பின்னர் பயனர் கேட்ட நேரத்தில் தானே நேரடி கேள்வியை செயலாக்குவான்.

• சூழல் பொறியியல் செயல்முறைகள் பயன்படுத்தும் முகவரி அது பதிலளிப்பதற்கு முன் இதை செய்யலாம்:

  ◦ உங்களின் காலண்டர் ஐ செக் செய்யவும் (உண்மையான நேர தரவை பெறுதல்).

 ◦ நீண்டநாள் நினைவில் இருந்த கடந்த பயண விருப்பங்களை நினைவுக்கு வருத்தவும் (உங்கள் விருப்பமான விமான நிறுவனம், பட்ஜெட் அல்லது நேரடி விமானங்களை விரும்புகிறீர்கள் என்றவாறு).

 ◦ விமான மற்றும் ஹோட்டல் முன்பதிவு செய்வதற்கு பயன்படும் கருவிகளை அடையாளம் காணவும்.

• பின்னர், ஒரு எடுத்துக்காட்டு பதில் : “ஹே [உங்கள் பெயர்]! நான் உங்கள் அக்டோபர் மாத முதல் வாரம் காலி என்று ஞாபகம் வைத்திருக்கிறேன். உங்கள் சாதாரண பட்ஜெட் [Budget] உடன் [Preferred Airline] வழியாக நேரடி விமானங்களை பரிசில் தேடுவாரா?” இந்த செழுமையான, சூழல் அறிவு கொண்ட பதில் சூழல் பொறியியலின் சக்தியை காணவைக்கிறது.

பொதுவான சூழல் தோல்விகள்

சூழல் விஷம்

என்ன?: ஒரு கற்பனை (LLM உருவாக்கும் தவறான தகவல்) அல்லது பிழை சூழலில் நுழைந்து மடக்கி அழைக்கப்படும் போது, முகவரி சாத்தியமற்ற இலக்குகளை நோக்கி செல்ல அல்லது ஏமாற்றான செயல்முறைகளை உருவாக்கத் தொடங்கும்.

என்ன செய்ய வேண்டும்: சூழல் சரிபார்ப்பு மற்றும் பிரிவினை முறைகளை நடைமுறைப்படுத்தவும். நீண்டநாள் நினைவிற்கு முன்னர் தகவலை சரிபார்க்கவும். மாசுபட்டது கண்டறியப்பட்டால், அதனை பரவி செல்லாமல் புதிய சூழல் நூல்களைத் தொடங்கவும்.

பயண முன்பதிவு எடுத்துக்காட்டு: உங்கள் முகவரி, ஒரு குளிர் உள்ளூர் விமான நிலையத்திலிருந்து ஒரு தூரந்தூர நாடு நகருக்கான நேரடி விமானம் உள்ளது என்று கற்பனை செய்து வீச்சு விடுகிறது; அந்த நகரில் உண்மையில் suchவிமான சேவை இல்லை. இந்த இல்லாத விமான விவரம் சூழலில் சேமிக்கப்படுகிறது. பிறகு நீங்கள் முகவரிடம் முன்பதிவு செய்யும்போது, இந்த சாத்தியமற்ற வழியைத் தேட முயற்சித்து பிழைகளை வெளியிடுகிறது.

தீர்வு: விமானத்தின் இருப்பு மற்றும் வழிகளை உண்மையான நேர API உடன் சரிபார்க்கும் படி ஒரு படி நடைமுறையை நடைமுறைப்படுத்தவும், அதன் பிறகு மட்டுமே விமான விபரத்தை முகவரி சூழலில் சேர்க்கவும். தவறான தகவல் கண்டறியப்பட்டால் அதனை “பிரிவினை” செய்யவும் மற்றும் அநுபவ புதியதாக தொடங்கவும்.

சூழல் கவன அட்டவணை (Distraction)

என்ன?: சூழல் பெரிதும் வளர்ந்து மாதிரி சேர்த்து வந்த வரலாற்றை அதிகமாக கவனிப்பதால், பயிற்சியின் போது கற்ற விஷயங்களை பயன்படுத்தாமல் போதுமான தேவையற்ற அல்லது மறுப்பு செயல்களை செய்யும் நிலை. சில மாடல்கள் சூழல் ஜன்னல் நிரப்பப்படும் முன்பே பிழைகள் செய்ய தொடங்கலாம்.

என்ன செய்ய வேண்டும்: சூழல் சுருக்கம் பயன்படுத்தவும். சேகரிக்கப்பட்ட தகவலை காலக்கட்டமாக சுருக்கி முக்கிய விவரங்களை வைத்திருக்கும் வீதம், பல் பேச்சுத் தொடரை அகற்றி கவனத்தைக் மீட்டெடுக்க இது உதவும்.

பயண முன்பதிவு எடுத்துக்காட்டு: நீண்ட காலம் உங்கள் கனவு பயண இடங்களை பற்றி விவாதித்து வந்தீர்கள், இரண்டு வருடங்களுக்கு முன்பு பைக்பேக்கிங் பயணத்தை விரிவாகப் பகிர்ந்தீர்கள். முறையே “அடுத்த மாதத்துக்கான மலிவான விமானத்தை கண்டுபிடி” என்று கேட்டபோது, முகவரி பழைய மற்றும் பொருட்படாத விவரங்களில் சிக்கி, உங்கள் பைக்பேக்கிங் பொருட்கள் அல்லது பழைய பயண திட்டங்கள் பற்றி மீண்டும் மீண்டும் கேட்கக்கூடியது.

தீர்வு: ஒரு குறிப்பிட்ட சுற்றங்கள் அல்லது சூழல் மிக அதிகமான போது, முகவரி புதிய மற்றும் தொடர்புடைய உரையின் முக்கிய பாகங்களை சுருக்கி – உங்கள் தற்போதைய பயண தேதிகள் மற்றும் இலக்கை கவனத்தில் வைத்து – அடுத்த LLM அழைப்பிற்கு இந்த சுருக்கத்தைப் பயன்படுத்தி பழைய குறைவான சம்பவ உரைகளை உடைத்துவிட வேண்டும்.

சூழல் குழப்பம்

என்ன?: தேவையற்ற சூழல், பெரும்பாலும் அதிகமான கருவிகள் இருந்தால், மாதிரி தவறான பதில்களை உருவாக்கக்கூடும் அல்லது பொருத்தமற்ற கருவிகளை அழைக்கக்கூடும். சிறிய மாடல்கள் இதற்கு மிகவும் ஆளாகும்.

என்ன செய்ய வேண்டும்: RAG தொழில்நுட்பங்கள் மூலம் கருவி தேர்வு மேலாண்மையை நடைமுறைப்படுத்தவும். கருவி விளக்கங்களை வெக்டார் தரவுத்தளத்தில் சேமித்து, குறிப்பிட்ட பணிகளுக்கே முக்கியமான கருவிகளை மட்டும் தேர்ந்தெடுக்கவும். ஆய்வு குறைவாக கருவிகள் தேர்வு 30 க்கும் குறைவாக இருப்பது சிறப்பானது.

பயண முன்பதிவு எடுத்துக்காட்டு: உங்கள் முகவருக்கு இதுவரை நிறைய கருவிகள் உள்ளன: book_flight, book_hotel, rent_car, find_tours, currency_converter, weather_forecast, restaurant_reservations முதலியன. நீங்கள் கேட்டீர்கள், “பரிசில் சுற்றும் சிறந்த வழி என்ன?” கருவிகள் நிறைய இருப்பதால், முகவரி குழப்பமடைந்து book_flight ஐ பரிசுக்குள் அழைக்க முயற்சிக்கிறது அல்லது நீங்கள் பொதுமக்கள் போக்குவரத்தை விரும்பினாலும் rent_car ஐ அழைப்பதற்கும் முயற்சிக்கிறது, ஏனெனில் கருவியின் விளக்கங்கள் ஒத்திருக்கலாம் அல்லது நல்லது எது என்பதை புரிந்து கொள்ள முடியவில்லை.

தீர்வு: கருவி விளக்கங்களில் RAG பயன்படுத்தவும். பரிசில் சுற்றும் முறையைப்பற்றி கேட்டபோது, கேள்வியின் அடிப்படையில் rent_car அல்லது public_transport_info போன்ற முக்கிய கருவிகளை மட்டுமே தயாரிக்கும் திறன் உள்ள “loadout” ஐ LLM க்கு வழங்கும் முறை.

சூழல் மோதல்

என்ன?: சூழலில் முரணான தகவல்கள் இருந்தால், செயற்பாடு முரணான அல்லது தவறான பதில்களை உருவாக்கும். இது கூடுதலாக அடடடியாக தகவல் வந்தபோது மற்றும் ஆரம்ப தவறான கருத்துக்கள் சூழலில் தொடர்ந்த வெளிவருந்தலை ஏற்படுத்தும்.

என்ன செய்ய வேண்டும்: சூழல் மாற்றுதல் மற்றும் வெளியேற்றுதல் பயன்படுத்தவும். மாற்றுதல் அப்படியான பழைய அல்லது முரணான தகவலை புதிய விவரங்கள் வந்தவுடன் நீக்குவதைக் குறிக்கும். வெளியேற்றுதல் மாதிரி சம்முகமாக முக்கிய சூழலைத் தூக்கி வைக்காமல் ஒரு “ஸ்க்ராட்ச்பாட்” பணியிடத்தை கொடுத்து உருப்படியை ஆற்றல் செய்வதே ஆகும்.

பயண முன்பதிவு உதாரணம்: முதலில் நீங்கள் உங்கள் முகவரிடம் சொல்கிறீர்கள், “நான் எக்கனாமி வகுப்பில் பறக்க விரும்புகிறேன்.” உரையாடலை தொடர்ந்து, மனதை மாற்றி, “உண்மையில், இந்த பயணத்திற்கு பிசினஸ் வகுப்பில் செல்லலாம்.” என்று சொல்வீர்கள். இந்த இரு உத்தரவுகளும் உள்ளடக்கத்தில் இருந்தால், முகவர் முரணான தேடும் முடிவுகளை பெறக்கூடும் அல்லது எந்த விருப்பத்தை முன்னுரிமை அளிக்க வேண்டும் என்று குழப்பமடையலாம்.

தீர்வு: காண்டெக்ஸ்ட் புருனிங் ஐ அமல்படுத்தவும். புதிய உத்தரவு பழைய ஒன்றுடன் முரண்பட்டால், பழைய உத்தரவு அகற்றப்பட வேண்டும் அல்லது தெளிவாக மேலோட்டமாக்கப்பட வேண்டும். மாற்றாக, முகவர் முடிவெடுக்குமுன் முரணான விருப்பங்களை ஒத்திசைக்க ஸ்க்ராட்ச்பேட் பயன்படுத்தி, இறுதியான, ஒற்றுமையான உத்தரவையே செயல்பாட்டுக்கு வழிகாட்டும் என்பதை உறுதிப்படுத்தலாம்.

கண்டெக்ஸ் இன்ஜினீயரிங்கைப் பற்றிய மேலும் கேள்விகள் உண்டா?

மற்ற பயில்கையாளர்களைச் சந்திக்க, அலுவலக நேரத்தின்போது கலந்துகொண்டு உங்கள் AI முகவர்களின் கேள்விகளுக்கு பதில் பெற Microsoft Foundry Discord இல் சேருங்கள்.

முந்தய பாடம்

Agentic Protocols

அடுத்த பாடம்

Memory for AI Agents

---

மறுப்பு: இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை Co-op Translator பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.

This site is open source. Improve this page.