ai-agents-for-beginners
செயற்கை நுண்ணறிவு முகவர்கள் (AI Agents) க்கான நினைவகம்
செயற்கை நுண்ணறிவு முகவர்களைக் கொண்டு உருவாக்குவதன் தனித்துவமான நன்மைகள் குறித்து பேசுகையில், முக்கியமாக இரண்டு விஷயங்கள் பற்றி விவாதிக்கப்படுகின்றன: பணிகளை முடிக்க கருவிகளை அழைக்கும் திறன் மற்றும் காலக்காலமாக மேம்பட கூடிய திறன். நினைவகம் என்பது நமது பயனாளர்களுக்கான சிறந்த அனுபவங்களை உருவாக்கக்கூடிய தன்னம்பிக்கை மேம்படுத்தக்கூடிய முகவர்களை உருவாக்குவதற்கான அடிப்படையாகும்.
இந்த பாடத்தில், செயற்கை நுண்ணறிவு முகவர்களுக்கு நினைவகம் என்றால் என்ன என்பதையும், அதை எவ்வாறு நிர்வகித்து நமது பயன்பாடுகளுக்கு பயன்படுத்தக்கூடியதாய்க் காண்போம்.
அறிமுகம்
இந்த பாடத்தில் கீழ்கண்டவை கையாளப்படும்:
• செயற்கை நுண்ணறிவு முகவர் நினைவகம் அறிதல்: நினைவகம் என்ன மற்றும் முகவர்களுக்கு எதற்கு அவசியம் என்பதைக் காண்பது.
• நினைவகத்தை செயல்படுத்துதல் மற்றும் சேமித்தல்: உங்கள் AI முகவர்களுக்கு நினைவக திறன்களைச் சேர்த்தல் பற்றிய நடைமுறை முறைகள், குறுகிய கால மற்றும் நீண்ட கால நினைவகம் மீது கவனம் செலுத்தி.
• AI முகவர்களை தன்னம்பிக்கை மேம்படுத்தும் வடிவில் உருவாக்குதல்: நினைவகம் முகவர்களுக்கு கடந்த தொடர்புக்களிலிருந்து கற்றுக்கொண்டு காலத்தோடு மேம்பட உதவுகிறது என்பதைக் காண்பது.
கிடைக்கும் அமலாக்கங்கள்
இந்த பாடத்தில் இரண்டு விரிவான நோட்புக் பயிற்சிகள் உள்ளன:
• 13-agent-memory.ipynb: Mem0 மற்றும் Azure AI Search பயின்று Microsoft Agent Framework உடன் நினைவகத்தை செயல்படுத்துகிறது
• 13-agent-memory-cognee.ipynb: Cognee பயன்படுத்தி கட்டமைக்கப்பட்ட நினைவகத்தை செயல்படுத்துகிறது, embeddings மூலம் கையேடு செய்யப்பட்ட அறிவுத் தோற்றம் தானாக உருவாக்குவது, தோற்றங்களை விட்டு காட்டுவது மற்றும் புத்திசாலித்தனமான மீட்கும் செயல்கள் செய்யப்படுகிறது
கற்றல் குறிக்கோள்கள்
இந்த பாடத்தை முடித்தவுடன், நீங்கள் இதை தெரிந்து கொள்ளுவீர்கள்:
• தோன்றும் வகை AI முகவர் நினைவகங்களின் வேறுபாட்டை புரிந்துகொள்ளுதல், அதாவது வேலை நினைவகம், குறுகிய கால நினைவகம், நீண்ட கால நினைவகம், மற்றும் சிறப்பான வடிவங்கள் போன்றவை (persona, episodic memory) உட்பட.
• Microsoft Agent Framework பயன்படுத்தி AI முகவர்களுக்கு குறுகிய மற்றும் நீண்ட கால நினைவகத்தை செயல்படுத்தி நிர்வகித்தல், Mem0, Cognee, வெள்ளை பலகை நினைவகம் மற்றும் Azure AI Search இணைக்கப்படுவது போன்ற கருவிகளை பயன்படுத்தி.
• தன்னம்பிக்கை மேம்படுத்தும் AI முகவர்களின் அடிப்படைக் கொள்கைகள் மற்றும் சிறந்த நினைவக நிர்வாக அமைப்புகள் தொடர்ந்து கற்றல் மற்றும் பொருத்தவியல் பண்புகளை உருவாக்க உதவுகின்றன என்பதைக் கண்டறிதல்.
செயற்கை நுண்ணறிவு முகவர் நினைவகம் புரிதல்
அடிப்படையில், செயற்கை நுண்ணறிவு முகவர்களுக்கு நினைவகம் என்பது தகவல்களை பாதுகாக்கவும், நினைவில் வைத்துக்கொள்ளவும் உதவும் முறைகளை குறிக்கும். இந்த தகவல் உரையாடலுக்கான குறிப்பிட்ட விவரங்கள், பயனர் விருப்பங்கள், கடந்த செயல்கள் அல்லது கற்றுக்கொண்ட மாதிரிகளை கொண்டிருக்கலாம்.
நினைவகம் இல்லாமல், செயற்கை நுண்ணறிவு பயன்பாடுகள் பொதுவாக நிலைத்தன்மையற்றவை, அன்றாட ஒவ்வொரு தொடர்பும் ஆரம்பத்தில் இருந்து தொடங்கும். இதனால் முகவர் “முன்னைய பேச்சு வடிவமைப்பை” அல்லது விருப்பங்களை “மறந்துவிடும்” முறையை உருவாக்கி பயனர் அனுபவம் மீண்டும் மீண்டும் ஆகும்படியாக ஏமாற்றத்தை ஏற்படுத்தும்.
நினைவகம் முக்கியம் ஏன்?
முகவரின் நுண்ணறிவு கடந்த தகவல்களை நினைவில் வைத்து பயன்படுத்தும் திறனுடன் ஆழமாக தொடர்புடையது. நினைவகம் முகவர்களை:
• பரிசீலனையாளர்: கடந்த செயல்களும் விளைவுகளிலிருந்து கற்றுக்கொள்வது.
• இணையக்கோப்பாளர்: தொடர்ச்சியான உரையாடல் சூழலை பராமரிப்பது.
• முன்னோக்கி மற்றும் பின்னோக்கி செயல்படுத்துபவர்: தேவைகளைக் கணிக்க அல்லது வரலாற்றுத் தரவின் அடிப்படையில் முறையாக பதிலளிக்க.
• சுயநிர்வாகி: சேமிக்கப்பட்ட அறிவைக் கொண்டு சுயமாக செயல்படுதல்.
நினைவகம் செயல்படுத்தும் குறிக்கோள் முகவர்களை மேலும் நம்பகமானதும் திறமையானதும் ஆக்குவதாகும்.
நினைவக வகைகள்
வேலை நினைவகம்
ஒரு செயன்முறை அல்லது நினைத்தல் செயல்முறைக்கு ஒரு முகவர் பயன்படுத்தும் ஸ்க்ராட்ச் பேப்பராக இதை நினைத்துக்கொள்ளவும். அடுத்த படி கணக்கிட உடனடி தேவையான தகவலை இது வைத்திருக்கிறது.
AI முகவர்களுக்கு, வேலை நினைவகம் சப்த pitt உளவியல் மிக முக்கியமான தகவலைப் பிடிக்கிறது, முழு உரையாடல் வரலாறு நீண்டாலும் அல்லது குறைக்கப்பட்டாலும். இது தேவைகள், முன்மொழிவுகள், முடிவுகள் மற்றும் செயல்கள் போன்ற முக்கிய கூறுகளை எடுத்துக்கொள்ள கவனம் செலுத்துகிறது.
வேலை நினைவக உதாரணம்
ஒரு பயண முன்பதிவு முகவரியில், வேலை நினைவகம் பயனர் தற்போதைய கோரிக்கையைப் பிடிக்கலாம், உதாரணமாக “நான் பரிஸுக்கு ஒரு பயணம் முன்பதிவு செய்ய விரும்புகிறேன்”. இக்குறிப்பிடப்பட்ட கோரிக்கை முகவரின் உடனடியான சூழலில் வைத்திருக்கப்படுகிறது தற்போதைய தொடர்பை வழிநடத்த.
குறுகிய கால நினைவகம்
இந்நினைவகம் ஒரே உரையாடல் அல்லது அமர்வு காலத்துக்குள் தகவல்களை வைத்திருக்கிறது. இதுவே அந்நேர உரையாடல் சூழல், முகவர் உரையாடல் முறைமையில் கடந்த முறை நாட்களை கருத்தில் கொள்ள உதவுகிறது.
Microsoft Agent Framework Python SDK மாதிரிகளில், இதை AgentSession என அழைக்கிறது, இது agent.create_session() ஆக உருவாக்கப்படுகிறது. அமர்வு குறுகிய கால நினைவகமாக செயல்படும்: அது அந்த அமர்வின் போது உரையாடல் சூழலை வைத்திருக்கிறது, ஆனால் அமர்வு முடிந்தவுடன் அல்லது செயலி மீண்டும் தொடங்கும்போது அந்தத் தகவல்கள் நிரந்தரமாக இருக்கும் இல்லை. உண்மையான மற்றும் விருப்பமான செய்திகளை நீண்டகால நினைவகத்தில் (தரவுத்தளம், வெக்டர் குறியீடு அல்லது மற்ற நிரந்தர சேமிப்பிடம் மூலம்) வைத்திருத்தல் ஆவணப்படுத்தப்பட வேண்டும்.
குறுகிய கால நினைவக உதாரணம்
ஒரு பயனர் “பரிஸுக்கு ஒரு விமான டிக்கெட் எவ்வளவு செலவு?” என்று கேட்க, பிறகு “அங்கே ஓர் உணவகப் பேச்சு என்ன?” என்று கேள்வி கேட்கும்போது, குறுகிய கால நினைவகம் “அங்கே” என்பது அந்த உரையாடலில் “பரிஸ்” என்பதை முகவருக்கு தெளிவாக வைத்திருப்பதை உறுதிசெய்கிறது.
நீண்ட கால நினைவகம்
இது பல உரையாடல்கள் அல்லது அமர்வுகளுக்கு கடந்த காலத் தகவல்களை நிரந்தரமாக வைத்திருக்கிறது. பயனர் விருப்பங்கள், வரலாற்றுச் சம்பவங்கள் மற்றும் பொதுவான அறிவு போன்றவற்றை இது நினைவில் வைத்திருப்பதற்கு உதவுகிறது. தனிப்பயனாக்கல் முக்கியமானது.
நீண்ட கால நினைவக உதாரணம்
ஒரு நீண்டகால நினைவகம் “பென் ஸ்கீயிங் மற்றும் வெளிப்புற செயல்களில் ஆர்வமுள்ளவர், மலை பார்வையுடன் காபி விரும்புகிறார், மற்றும் கடந்த கால காயம் காரணமாக மேம்பட்ட ஸ்கீ தடவல் ஒழுங்குகளைத் தவிர்க்க விரும்புகிறார்” என்ற தகவலைச் சேமிக்கலாம். இது கடந்த உரையாடல்களில் கற்றுக்கொள்ளப்பட்ட தகவல் அதிகப்படியான தனிப்பயன் மேற்கொள்கைகளில் பயணத் திட்டமிடலில் குறிப்பிடத்தக்கதாக பயன்படும்.
Persona நினைவகம்
இக்குறிப்பிடப்பட்ட நினைவக வகை முகவருக்குக் “பேர்சொனா” அல்லது தனிப்பட்ட ஒரு “பண்பு” உருவாக்க உதவுகிறது. இது முகவர் தன்னோடான விளக்கம் அல்லது பணிச்செயல் பற்றிய தகவல்களை நினைவில் வைத்து, தொடர்புகளை மென்மையாக்கி, கவனமுடன் நடத்தியதாக்கும்.
பேர்சொனா நினைவக உதாரணம் பயண முகவர் “திறந்த ஸ்கீ திட்டமீட்டாளர்” என்ற நிபுணர் வீச்சில் வடிவமைக்கப்பட்டால், பேர்சொனா நினைவகம் இந்த வேடத்தில் முகவரின் பதில்களை, பதட்டத்தையும் அறிவையும் பொருந்தியவாறாக வலியுறுத்தும்.
பணிச்சார்ந்த/எபிசோடிக் நினைவகம்
இது ஒரு கடினமான பணியின் பல படிகளையும் (வெற்றி மற்றும் தோல்விகளும்) முகவர் எடுத்துக்கொண்ட செயல்களை நினைவில் வைக்கிறது. இது கடந்த அனுபவங்களை “எபிசோடுகள்” போல நினைவில் வைக்க உதவுகிறது.
எபிசோடிக் நினைவக உதாரணம்
முகவர் ஒரு குறிப்பிட்ட விமானம் முன்பதிவு செய்ய முயன்றபோதும் அது கிடைக்காமை காரணமாக தோல்வியடைந்திருந்தால், எபிசோடிக் நினைவகம் இந்த தோல்வியினை பதிவு செய்து, அடுத்த முறையில் மாற்று விமானங்கள் முயற்சிக்க அல்லது பயனருக்கு பரிந்துரை செய்வதற்கான முன்னறிவிப்பை மேம்படுத்தும்.
பொருள் நினைவகம்
இது உரையாடல்களில் இருந்து குறிப்பிட்ட பொருட்கள் (போன்றோர், இடங்கள், பொருட்கள்) மற்றும் சம்பவங்களை எடுத்து நினைவில் வைக்க உதவுகிறது. இது முக்கிய கூறுகளின் கட்டமைக்கப்பட்ட புரிதலை உருவாக்க உதவுகிறது.
பொருள் நினைவக உதாரணம்
கடந்த பயணத்தில் உரையாடல் ஒன்றிலிருந்து முகவர் “பரிஸ்,” “ஐஃபல் கோபுரம்,” மற்றும் “Le Chat Noir உணவகத்தில் இரவு உணவு” போன்றவற்றை பொருள்களாக எடுத்துக் கொள்ளலாம். ஒரு எதிர்கால உரையாடலில், முகவர் “Le Chat Noir” ஐ மறுபடியும் நினைவுகூர்ந்து அங்கே புதிய முன்பதிவை செய்ய உதவலாம்.
கட்டமைக்கப்பட்ட RAG (Retrieval Augmented Generation)
RAG என்பது பரவலாகப் பயன்படுத்தப்படும் ஒரு தொழில்நுட்பமாக இருந்தாலும், “கட்டமைக்கப்பட்ட RAG” என்பது ஒரு சக்திவாய்ந்த நினைவக தொழில்நுட்பமாக வலியுறுத்தப்படுகிறது. இது உரையாடல்கள், மின்னஞ்சல்கள், படங்கள் போன்ற பல மூலங்களிலிருந்து அடர்ந்த, கட்டமைக்கப்பட்ட தகவலை எடுத்துப்பிடித்து, பதில்களில் துல்லியம், நினைவாற்றல் மற்றும் வேகத்தை மேம்படுத்த பயன்படுகிறது. கிளாசிக் RAG semantically ஒத்த இசை மீது சார்ந்திருப்பின், கட்டமைக்கப்பட்ட RAG தகவலின் இயல்பான கட்டமைப்புடன் பணியாற்றுகிறது.
கட்டமைக்கப்பட்ட RAG உதாரணம்
வெறும் விசைப்பெயர்களை பொருத்தப்படுத்துவதற்குப் பதிலாக, கட்டமைக்கப்பட்ட RAG ஒரு மின்னஞ்சலிலிருந்து விமான விவரங்கள் (இடம், தேதி, நேரம், விமான நிறுவனம்) போன்றவற்றைப் பிரித்து கட்டமைக்கப்பட்ட வடிவில் சேமிக்க முடியும். இதனால் “செவ்வாய்க்கிழமை நான் பரிஸுக்கு எதுவான விமானம் முன்பதிவு செய்தேன்?” போன்ற துல்லியமான கேள்விகள் நடத்த முடியும்.
நினைவகத்தை செயல்படுத்தி சேமித்தல்
செயற்கை நுண்ணறிவு முகவர்களுக்கு நினைவகத்தை செயல்படுத்தும் செயல் என்பது நினைவக நிர்வாகம் என்கிற முறைமையான செயல்முறையை உள்ளடக்கியது, இதில் தகவல் உருவாக்குதல், சேமித்தல், மீட்டெடுத்தல், ஒருங்கிணைத்தல், புதுப்பித்தல் மற்றும் “மறந்துவிடுதல்” (அல்லது நீக்குதல்) ஆகியவை அடங்கும். இதில் மீட்டெடுத்தல் மிகவும் முக்கியமானது.
சிறப்பான நினைவக கருவிகள்
Mem0
முகவர் நினைவகத்தை சேமித்து நிர்வகிப்பதற்கான ஒரு வழி Mem0 போன்ற சிறப்பான கருவிகளைப் பயன்படுத்துவதே. Mem0 என்பது ஒரு நிரந்தர நினைவக அடுக்கு போல செயல்பட்டு, முகவர்களுக்கு தொடர்புகளில் சம்பந்தப்பட்டவை recall செய்ய, பயனர் விருப்பங்கள் மற்றும் உண்மையான சூழலை சேமிக்க மற்றும் வெற்றிகளிலிருந்து கற்றுக்கொள்ள உதவுகிறது. இந்த எண்ணம் நிலைத்திராத முகவர்களை நிலைத்திருக்கும் முகவர்களாக மாற்றுவதே ஆகும்.
இது இரு கட்ட நினைவக வழிமுறையில்: வாசிப்பு மற்றும் புதுப்பிப்பு செயல்முறையைக் கொண்டுள்ளது. முதலில், முகவரின் உரையாடல் திரையில் சேர்க்கப்பட்ட மெசேஜ்கள் Mem0 சேவையை அனுப்பப்படுகின்றன, இது ஒரு பெரிய மொழி மாதிரியை (LLM) பயன்படுத்தி உரையாடல் வரலாற்றை சுருக்கி புதிய நினைவுகளை எடுத்துக் கொள்கிறது. பின்னர், LLM சார்ந்த புதுப்பிப்பு கட்டத்தில், இவற்றை சேர்க்க, மாற்ற அல்லது நீக்க முடியும் என தீர்மானித்து விக்டர், கோப்பு மற்றும் விசை-மதிப்புக் தரவுத்தளங்களுக்கு அடங்கிய ஹைபிரிட் தரவுத்தளத்தில் சேமிக்கிறது. இந்த அமைப்பு பல நினைவக வகைகளுக்கு ஆதரவு வழங்கி, பொருள் நினைவகத்தைக் கட்டுப்படுத்தவும் graph memory ஐ இணைக்க முடியும்.
Cognee
மற்ற ஒரு சக்திவாய்ந்த அணுகுமுறை என்பது Cognee, செயற்கை நுண்ணறிவு முகவர்களுக்கு திறந்த மூல அர்த்தமான நினைவகம் ஆகும், இது கட்டமைக்கப்பட்ட மற்றும் கட்டமைக்கப்படாத தரவு ஆகியவற்றைக் கேள்விக்கு பதில் அளிக்கக்கூடிய அறிவுத் தோற்றமாக மாற்றுகிறது, இது embeddings மூலம் ஆதரிக்கப்படுகிறது. Cognee ஒரு இரு-சேமிப்பு வடிவமைப்பு வழங்குகிறது, இது விக்டர் ஒத்திசைவு தேடல் மற்றும் தடம் அமைப்பை இணைத்து இருப்பதால், முகவர்கள் தகவல் ஒன்றுக்கு ஒத்துச் சமனுபவம் எப்படி இருக்கிறது என்பதை மட்டும் அல்ல, கருத்துக்கள் ஒருவருக்கொருவர் எப்படி தொடர்புடையன என்பதையும் புரிந்துகொள்ள உதவும்.
இது இணைந்து மீட்டெடுப்பை சிறப்பாக செய்கிறது, இது விக்டர் ஒத்திசைவு, தடம் அமைப்பு மற்றும் LLM புரிதலை கலந்துபடுத்துகிறது – மூல துண்டு தேடலிலிருந்து graph-aware கேள்வி பதிலளிப்பவராக. அமைப்பு நெகிழ்வான நினைவகத்தை பராமரித்து கொண்டிருக்கிறது, இது வளர்த்தெடுக்கிறது மற்றும் ஒரே இணைந்தத் தடம் ஆகவும் இருக்கும், குறுகிய கால அமர்வு சூழலும் நீண்டகால நிரந்தர நினைவகமும் இரண்டையும் ஆதரிக்கிறது.
Cognee நோட்புக் பயிற்சி (13-agent-memory-cognee.ipynb) இந்த ஒருங்கிணைந்த நினைவக அடிக்காலத்தை கட்டியெழுப்புவதை காட்டு, தனித்தனியான தரவுதொகுதிகளை ஏற்றுதல், அறிவுத் தோற்றத்தை காண்பிக்கும் மற்றும் முகவரின் தேவைகளுக்கேற்றவாறு வித்தியாசமான தேடல் முறைகளுடன் கேள்விகளுக்கு பதில் கூறுதல் போன்ற நடைமுறை உதாரணங்களைக் கொண்டுள்ளது.
RAG கொண்டு நினைவகம் சேமித்தல்
Mem0 போன்ற சிறப்பான நினைவக கருவிகள் தவிர, Azure AI Search போன்ற வலுவான தேடல் சேவைகளை நினைவுகளை சேமித்து மீட்டெடுக்க ஒரு பின்னணி (backend) ஆக பயன்படுத்தலாம், குறிப்பாக கட்டமைக்கப்பட்ட RAG க்கானது.
இது உங்கள் முகவரின் பதில்களை உங்கள் சொந்த தரவுடன் ஆதரிக்க அனுமதிக்கிறது, மேலும் பொருத்தமான மற்றும் துல்லியமான பதில்களை உறுதி செய்கிறது. Azure AI Search பயனருக்கான பயண நினைவுகள், பொருள் பட்டியல்கள் அல்லது மற்ற எந்த பிற துறையின் அறிவையும் சேமிக்க பயன்படுத்தலாம்.
Azure AI Search கட்டமைக்கப்பட்ட RAG போன்ற திறன்களை ஆதரிக்கிறது, இது உரையாடல் வரலாறு, மின்னஞ்சல்கள் அல்லது படங்கள் போன்ற பெரிய தகவல் தொகுதிகளிலிருந்து அடர்ந்த மற்றும் கட்டமைக்கப்பட்ட தகவலை எடுத்துப் பிடித்து மீட்டெடுப்பதில் சிறந்தது. இது பாரம்பரிய எழுத்து துண்டு பிரித்தல் மற்றும் embedding முறைகளுடன் ஒப்பிடும்போது மனிதர்களுக்கு மேல் துல்லியம் மற்றும் நினைவாற்றலை வழங்குகிறது.
செயற்கை நுண்ணறிவு முகவர்களை தன்னம்பிக்கை மேம்படுத்துவது
தன்னம்பிக்கை மேம்படுத்தும் முகவர்களுக்கான பொதுவான படிவம் ஒன்று “அறிவுக் முகவர்” ஐ உருவாக்குவது ஆகும். இந்த தனித்துவமான முகவர் பயனர் மற்றும் முதன்மை முகவருக்கிடையேயான உரையாடலை கவனிக்கின்றது. அதன் பங்கு:
-
மதிப்புமிக்க தகவலை அடையாளப்படுத்துதல்: உரையாடலின் எந்த பகுதி பொதுவான அறிவாகவோ அல்லது குறிப்பிட்ட பயனர் விருப்பமாகவோ சேமிக்கப்படுவதே வேண்டுமா என்று தீர்மானிக்கிறது.
-
எடுக்கவும் சுருக்கவும்: உரையாடலிலிருந்து அவசியமான கற்றலோ அல்லது விருப்பத்தையோ சுருக்கிக் கொள்கிறது.
-
அறிவுத் தரவுத்தளத்தில் சேமித்தல்: இந்த எடுத்துக்காட்டிய தகவலை பொதுவாக ஒரு வெக்டர் தரவுத்தளத்தில் நிலைத்தவையாக வைக்கிறது.
-
எதிர்கால கேள்விகளை விருத்தி செய்யுதல்: பயனர் புதிய கேள்வி தொடங்கும்போது, அறிவுக் முகவர் தொடர்புடைய சேமிக்கப்பட்ட தகவலை மீட்டு அதை பயனரின் தூண்டுதலுடன் இணைத்து, முதன்மை முகவருக்கு முக்கிய சூழலையும் வழங்குகிறது (RAG போல).
நினைவகத்துக்கான மேம்பாடுகள்
• இணைய தாமத மேலாண்மை: பயனர் தொடர்புகளை மெதுவாக்காமல், முதலில் வேகமான மற்றும் குறைந்த செலவுள்ள மாதிரி பயன்படுத்தி தகவல் சேமிக்க அல்லது மீட்டெடுக்க மதிப்புமிக்கதா என்பதை விரைவாக சரிபார்க்கலாம், தேவைப்படும் நேரத்தில் மட்டுமே அதிக சிக்கலான செயல்களை இயக்குகிறது.
• அறிவுத் தரவுத்தள பராமரிப்பு: வளர்ச்சியடையும் தரவுத்தளத்தில், குறைந்து பயன்படுத்தப்படும் தகவலை “குளிர் சேமிப்பு” க்கு மாற்றி செலவுகளை நிர்வகிக்கலாம்.
முகவர் நினைவகத்திற்குத் தொடர்பான மேலும் கேள்விகள் உள்ளதா?
Microsoft Foundry Discord இல் இணைந்து மற்ற கற்றுக் கொள்ளும் மக்களைத்தோடு சந்தியுங்கள், அலுவலக நேரங்களுக்கு பங்கேற்கவும் மற்றும் உங்கள் AI முகவர் கேள்விகளுக்கு பதில்கள் பெறவும்.
முந்தைய பாடம்
AI முகவர்களுக்கான சூழல் பொறியியல்
அடுத்த பாடம்
Microsoft Agent Framework ஆராய்ச்சி
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.