ai-agents-for-beginners
ఏఐ ఏజెంట్లకు మెమరీ
ఏఐ ఏజెంట్లను సృష్టించడంలో ఉన్న ప్రత్యేక ప్రయోజనాలను చర్చించినప్పుడు, ప్రధానంగా రెండు అంశాలు చర్చిస్తారు: పనులను పూర్తిచేయడానికి టూల్స్ను పిలవగల సామర్థ్యం మరియు కాలక్రమేణా మెరుగుపడే సామర్థ్యం. వినియోగదారులకు మెరుగైన అనుభవాలు అందించగల స్వయం-మెరుగయ్యే ఏజెంట్లను సృష్టించడానికి మెమరీనే ఆధారం.
ఈ పాఠంలో, ఏఐ ఏజెంట్ల కోసం మెమరీ ఏంటో, దాన్ని ఎలా నిర్వహించాలో మరియు మా అప్లికేషన్ల ప్రయోజనానికి ఎలా ఉపయోగించుకోవచ్చో పరిశీలించుతాం.
పరిచయం
ఈ పాఠం కవర్ చేయుటలో:
• ఏఐ ఏజెంట్ మెమరీని అర్థం చేసుకోవడం: మెమరీ అంటే ఏమిటి మరియు ఏజెంట్లకు అది ఎందుకు కీలకమో.
• మెమరీని అమలు చేయడం మరియు నిల్వ చేయడం: మీ ఏఐ ఏజెంట్లకు మెమరీ సామర్థ్యాలను జోడించే ప్రాక్టికల్ పద్ధతులు, షార్ట్-టర్మ్ మరియు లాంగ్-టర్మ్ మెమరీపై ఫోకస్ చేయబడినవి.
• ఏఐ ఏజెంట్లను స్వయం-మెరుగయ్యేలా చేయడం: గత ఇన్టరాక్షన్ల నుంచి నేర్చుకొని సమయానుగుణంగా ఎలా మెరుగుపడతాయో మెమరీ ఎలా సాయపడుతుంది.
అందుబాటులో ఉన్న అమలు విధానాలు
ఈ పాఠంలో రెండు సమగ్ర నోట్బుక్ ట్యూటోరియల్స్ ఉన్నాయి:
• 13-agent-memory.ipynb: Mem0 మరియు Azure AI Search ను Microsoft Agent Framework ఉపయోగించి మెమరీని అమలు చేస్తుంది
• 13-agent-memory-cognee.ipynb: Cognee ఉపయోగించి నిర్మితమైన మెమరీని అమలు చేస్తుంది, embeddings తో బ్యాక్డ్ నాలెడ్జ్ గ్రాఫ్ను ఆటోమేటిక్గా నిర్మించడం, గ్రాఫ్ను విజువల్ చేయడం మరియు ఇంటెలిజెంట్ రిట్రీవల్ చేయడం
నేర్చుకొనే లక్ష్యాలు
ఈ పాఠం పూర్తిచేసిన తర్వాత, మీరు తెలుసుకుంటారు:
• వివిధ రకాల ఏఐ ఏజెంట్ మెమరీల మధ్య తేడాను గుర్తించటం, పనిచేసే (working), షార్ట్-టర్మ్ మరియు లాంగ్-టర్మ్ మెమరీలు, మరియు persona మరియు episodic వంటి ప్రత్యేక రూపాలూ సహా.
• Microsoft Agent Framework ఉపయోగించి ఏఐ ఏజెంట్ల కోసం షార్ట్-టర్మ్ మరియు లాంగ్-టర్మ్ మెమరీని ఎలా అమలు చేసి నిర్వహించాలో తెల్సుకోగలరు, Mem0, Cognee, Whiteboard memory వంటి టూల్స్ను ఉపయోగించి, మరియు Azure AI Searchతో ఇంటిగ్రేట్ చేయడం.
• స్వయం-మెరుగయ్యే ఏఐ ఏజెంట్ల వెనుక ఉన్న సూత్రాల్ని అర్థం చేసుకోవడం మరియు 如何 శక్తివంతమైన మెమరీ నిర్వహణ వ్యవస్థలు నిరంతర నేర్చుకోవడం మరియు అనుకూలతకు ఎలా తోడ్పడతాయో తెలుసుకోవడం.
ఏఐ ఏజెంట్ మెమరీని అర్థం చేసుకోవడం
మెరుగైన తాత్త్వికంగా, ఏఐ ఏజెంట్ల కోసం మెమరీ అనగా వాటిని సమాచారాన్ని నిలుపుకొనుటకు మరియు మళ్ళీ పొందుపరచుటకు అనుమతించే యాంత్రిక విధానాలు. ఈ సమాచారం సంభాషణకు సంబంధించిన ప్రత్యేక వివరాలు, వినియోగదారు ప్రాధాన్యతలు, గత చర్యలు లేదా甚至 నేర్చుకున్న నమూనాలు కావచ్చు.
మెమరీ లేకుండా, ఏఐ అప్లికేషన్లు చాలా సార్లు స్టేట్లెస్గా ఉంటాయి, అంటే ప్రతి ఇన్టరాక్షన్ కొత్తదిగా మొదలవుతుంది. దీని వలన ఏజెంట్ గత సందర్భం లేదా ప్రాధాన్యతలను “మర్చిపోవడానికి” కారణమయ్యే పునరావృత మరియు నిరాశకరమైన వినియోగదారు అనుభవం ఏర్పడుతుంది.
మెమరీ ఎందుకు కీలకమైతే?
ఏజెంట్ యొక్క బుద్ధి దాని గత సమాచారాన్ని గుర్తించే మరియు ఉపయోగించే సామర్థ్యానికి తీవ్రంగా సంకల్పించబడింది. మెమరీ ఏజెంట్లను చేయగలవు:
• పురస్కరించుకునేలా (Reflective): గత చర్యలు మరియు ఫలితాల నుంచి నేర్చుకోవటం.
• ఇంటరాక్టివ్గా: కొనసాగుతున్న సంభాషణలో సందర్భాన్ని నిలుపుకోవటం.
• ప్రో యాక్టివ్ మరియు రియాక్టివ్గా: చారిత్రక డేటాతో ఆధారంగా అవసరాలు ఊహించడం లేదా తగిన రీతిలో ప్రతిస్పందించడం.
• స్వాతంత్ర్యంగా: నిల్వ చేసిన జ్ఞానాన్ని ఉపయோகించి మరింత స్వతంత్రంగా పనిచేయడం.
మెమరీని అమలు చేయటం ద్వారా ఏజెంట్లను మరింత నమ్మదగిన, సామర్థ్యవంతులుగా చేయటమే లక్ష్యం.
మెమరీ రకాలు
వర్కింగ్ మెమరీ
ఇదాన్ని ఏజెంట్ ఒకే, కొనసాగుతున్న టాస్క్ లేదా ఆలోచన ప్రక్రియలో ఉపయోగించే స్క్రాచు పేపర్ అని ఆలోచించండి. ఇది తదుపరి చర్యను లెక్కించడానికి అవసరమైన తక్షణ సమాచారాన్ని కలిగి ఉంటుంది.
ఏఐ ఏజెంట్ల కోసం, వర్కింగ్ మెమరీ సాధారణంగా సంభాషణలోని అత్యంత సంబంధిత సమాచారాన్ని కాపాడుతుంది, చాట్ హిస్ట్రీ పొడవైన లేదా ట్రంకేట్ అయినప్పటికీ. ఇది అవసరాలు, ప్రతిపాదనలు, నిర్ణయాలు మరియు చర్యల వంటి కీలక అంశాల్ని సిద్ధాంతంగా తీయడంపై ఫోకస్ చేస్తుంది.
వర్కింగ్ మెమరీ ఉదాహరణ
ప్రయాణ బుకింగ్ ఏజెంట్లో, వర్కింగ్ మెమరీ వినియోగదారి ప్రస్తుతం కోరుకుంటున్న విషయాన్ని క్యాప్ చేయవచ్చు, ఉదాహరణకు “నేను పారిస్కు ఒక ట్రిప్ బుక్ చేయాలనుకుంటున్నాను”. ఈ ప్రత్యేక అవసరం ప్రస్తుత పరస్పర చర్యను దృష్టిపెట్టడానికి ఏజెంట్ యొక్క తక్షణ సందర్భంలో నిల్వ చేయబడుతుంది.
షార్ట్ టర్మ్ మెమరీ
ఈ రకమైన మెమరీ ఒకే సంభాషణ లేదా సెషన్ వ్యవధికి సమాచారం నిలుపును కల్పిస్తుంది. ఇది ప్రస్తుత చాట్ యొక్క సందర్భం, ఏజెంట్కు డైలాగ్లో పూర్వ టర్న్లకు తిరిగి సూచించగలిగేలా చేస్తుంది.
షార్ట్ టర్మ్ మెమరీ ఉదాహరణ
వినియోగదారు అడిగితే, “పారిస్ కు ఫ్లైట్ ఎంత ఖర్చవుతుంది?” మరియు తరువాత “అక్కడ వసతి గురించి ఎలా?” అని అడిగితే, షార్ట్-టర్మ్ మెమరీ ఏజెంట్కు అదే సంభాషణలో “అక్కడ” అంటే “పారిస్” అని తెలుసు.
లాంగ్ టర్మ్ మెమరీ
ఇది బహుళ సంభాషణలు లేదా సెషన్లపైన కొనసాగించే సమాచారం. ఇది ఏజెంట్లకు వినియోగదారు ప్రాధాన్యాలు, చారిత్రిక పరస్పర చర్యలు లేదా విస్తృతకాలం వరకు సాధించిన సాధారణ జ్ఞానాన్ని గుర్తుంచుకోవడానికి అనుమతిస్తుంది. ఇది వ్యక్తిగతీకరణకు ముఖ్యమైనది.
లాంగ్ టర్మ్ మెమరీ ఉదాహరణ
దీంతో “బెన్ స్కీయింగ్ మరియు అవుట్డోర్ గతక్రీడలను ఇష్టపడతాడు, పర్వత దృశ్యంతో కాఫీ ఇష్టపడుతున్నాడు, మరియు గత గాయంతో advanced ski దారులను తప్పించాలని కోరుకుంటున్నాడు” అనే విషయాన్ని నిల్వ చేయవచ్చు. గత పరస్పర చర్యల నుంచి నేర్చుకున్న ఈ సమాచారం భవిష్యత్ ప్రయాణ ప్రణాళిక సిఫారసుల్లో ప్రభావం చూపిస్తుంది, వాటిని అత్యంత వ్యక్తిగతంగా మారుస్తుంది.
పర్సోనా మెమరీ
ఈ ప్రత్యేక మెమరీ రకం ఏజెంట్కు స్థిరమైన “వ్యక్తిత్వం” లేదా “పర్సోనా” అభివృద్ధి చేయడంలో సహాయపడుతుంది. ఇది ఏజెంట్ తన గురించి లేదా తన అంచనించిన పాత్ర గురించి వివరాలను గుర్తుంచుకోవడానికి అనుమతిస్తుంది, ఇంటరాక్షన్లను మరింత సజావుగా మరియు లక్ష్యనిర్దిష్టంగా చేస్తుంది.
పర్సోనా మెమరీ ఉదాహరణ ప్రయాణ ఏజెంట్ను “నిపుణులైన స్కీ ప్లానర్”గా డిజైన్ చేసినట్లయితే, పర్సోనా మెమరీ ఈ పాత్రను బలోపేతం చేసి, ఒక నిపుణుడి టోన్ మరియు జ్ఞానంతో స్పందనలను ప్రభావితం చేయవచ్చు.
వర్క్ఫ్లో / ఎపిసోడిక్ మెమరీ
ఈ మెమరీ సంక్లిష్ట టాస్క్ సమయంలో ఏజెంట్ తీసుకున్న చర్యల క్రమాన్ని నిల్వచేస్తుంది, విజయాలు మరియు విఫలతలు సహా. ఇది ప్రత్యేక “ఎపిసోడ్స్” లేదా గత అనుభవాలను గుర్తుంచుకుని వాటినుండి నేర్చుకునేందుకు సహాయపడేదిగా ఉంటుంది.
ఎపిసోడిక్ మెమరీ ఉదాహరణ
ఏజెంట్ నిర్దిష్ట ఫ్లైట్ బుక్ చేయడానికి ప్రయత్నించి అది అందుబాటులో లేకపోవడంతో 실패 అయితే, ఎపిసోడిక్ మెమరీ ఈ విఫలతను రికార్డు చేసి, తరువాతి ప్రయత్నంలో ప్రత్యామ్నాయ ఫ్లైట్లు ప్రయత్నించడానికి లేదా వినియోగదారుడికి సమస్య గురించి మరింత సమాచారం కలిగించే ప్రతిస్పందన ఇవ్వడానికి ఉపయోగపడుతుంది.
ఎంటిటీ మెమరీ
ఇది సంభాషణల నుంచి నిర్దిష్ట ఎంటిటీలు (మనుషులం, ప్రదేశాలు లేదా వస్తువులు) మరియు ఈవెంట్స్ను ఎక్స్ట్రాక్ట్ చేసి గుర్తుంచుకోవడం తో సంబంధించింది. ఇది ఏజెంట్ చర్చించిన కీలక అంశాల పై నిర్మిత అవగాహనను సృష్టించడానికి అనుమతిస్తుంది.
ఎంటిటీ మెమరీ ఉదాహరణ
గత ప్రయాణంపై సంభాషణ నుండి ఏజెంట్ “పారిస్”, “ఐఫిల్ టవర్”, మరియు “Le Chat Noir రెస్టారెంట్ వద్ద డిన్నర్” వంటి ఎంటిటీలను ఎత్తి చెప్పవచ్చు. భవిష్యత్ పరస్పర చర్యలో ఏజెంట్ “Le Chat Noir”ని గుర్తుచేసుకుని అక్కడ కొత్త రిజర్వేషన్ చేయడానికి సూచించవచ్చు.
స్ట్రక్చర్డ్ RAG (Retrieval Augmented Generation)
RAG ఒక విస్తృత సాంకేతిక పద్ధతి అయినప్పటికీ, “Structured RAG” ఒక శక్తివంతమైన మెమరీ టెక్నాలజీగా హైలైట్ చేయబడింది. ఇది సంభాషణలు, ఇమెయిల్స్, చిత్రాలు వంటి వివిధ మూలాల నుంచి డెన్స్, నిర్మిత సమాచారాన్ని ఎక్స్ట్రాక్ట్ చేసి, ప్రతిస్పందనలలో ఖచ్చితత్వం, రీకాల్ మరియు వేగాన్ని పెంచడానికి ఉపయోగిస్తుంది. సంప్రదాయ RAG కేవలం సేమాంటిక్ సమానత్వంపై ఆధారపడినప్పటికి, Structured RAG సమాచారం యొక్క అంతర్గత నిర్మాణంతో పనిచేస్తుంది.
Structured RAG ఉదాహరణ
సరళంగా కీవర్డ్స్కు మాత్రమే మ్యాచ్ చేయకుండా, Structured RAG ఒక ఇమెయిల్ నుండి ఫ్లైట్ వివరాలు (గమకం, తేదీ, సమయం, ఏవియాన్) పార్స్ చేసి వాటిని నిర్మితంగా నిల్వ చేయవచ్చు. ఇది “నేను మంగళవారం పారిస్కు ఏ ఫ్లైట్ బుక్ చేసినాను?” వంటి ఖచ్చితమైన ప్రశ్నలకు వేగంగా సమాధానం ఇవ్వగలిగేలా చేస్తుంది.
మెమరీని అమలు చేయడం మరియు నిల్వ చేయడం
ఏఐ ఏజెంట్లకు మెమరీని అమలు చేయటం అనేది ఒక వ్యవస్థాబద్ధమైన ప్రక్రియను అవసరపడుతుంది, దీని పేరెంట్స్ గా మెమరీ నిర్వహణ ఉన్నాయి, వాటిలో జనరేట్ చేయడం, నిల్వ చేయడం, రిట్రీవ్ చేయడం, ఇంటిగ్రేట్ చేయడం, అప్డేట్ చేయడం, మరియు కొన్నిసార్లు “మర్చిపోవడం” (లేదా డీలీట్ చేయడం) కూడా చేర్చబడతాయి. రిట్రీవల్ ప్రత్యేకంగా అత్యంత కీలక అంశం.
ప్రత్యేక మెమరీ టూల్స్
Mem0
ఏజెంట్ మెమరీని నిల్వ చేయడానికి మరియు నిర్వహించడానికి ఒక మార్గం Mem0 వంటి ప్రత్యేక టూల్స్ ఉపయోగించడం. Mem0 ఒక పర్సిస్టెంట్ మెమరీ లేయర్గా పనిచేస్తుంది, ఏజెంట్లకు సంబంధిత పరస్పర చర్యలను గుర్తుచేసుకోవడానికి, వినియోగదారుల ప్రాధాన్యాలు మరియు వాస్తవిక సందర్భాన్ని నిల్వ చేయడానికి మరియు విజయాలు మరియు విఫలతల నుంచి కాలక్రమేణా నేర్చుకోవడానికి అనుమతిస్తాయి. భావన ఏది అంటే స్టేట్లెస్ ఏజెంట్లు స్టేట్ੲుల్ నుంచి స్టేట్ఫుల్గా మారతాయి.
ఇది రెండు-దశల మెమరీ పైప్లైన్: ఎక్స్ట్రాక్షన్ మరియు అప్డేట్ ద్వారా పనిచేస్తుంది. మొదట, ఏజెంట్ త్రెడ్లోని సందేశాలు Mem0 సర్వీస్కు పంపబడతాయి, ఇది ఒక Large Language Model (LLM) ను ఉపయోగించి సంభాషణ చరిత్రని సమ్మరీ చేయగలదు మరియు కొత్త మెమరీలను ఎక్స్ట్రాక్ట్ చేస్తుంది. తరువాత, LLM-డ్రైవన్ అప్డేట్ దశ ఈ మెమరీలను జోడించవలసినదో, మార్పుచేర్పులు చేయవలసినదో లేక డిలీట్ చేయవలసినదో నిర్ణయిస్తుంది, వాటిని వెక్టర్, గ్రాఫ్ మరియు కీ-వాల్యూ డేటాబేస్లను కలిగిన హైబ్రిడ్ డేటా స్టోర్లో నిల్వ చేస్తుంది. ఈ సిస్టమ్ వివిధ మెమరీ రకాల్ని కూడా సహాయపడుతుంది మరియు ఎంటిటీల మధ్య సంబంధాలను నిర్వహించడానికి గ్రాఫ్ మెమరీని కూడా చేర్చగలదు.
Cognee
మరొక శక్తివంతమైన విధానం Cognee ఉపయోగించడం. Cognee ఓపెన్-సోర్సు సేమాంటిక్ మెమరీ టూల్, ఇది నిర్మిత మరియు నిర్మిత రహిత డేటాను embeddings తో బ్యాక్డ్ నాలెడ్జ్ గ్రాఫ్లుగా మార్చి ప్రశ్నించగలిగేలా చేస్తుంది. Cognee ఒక డ్యుయల్-స్టోర్ ఆర్కిటెక్చర్ని అందిస్తుంది, ఇది వెక్టర్ సమానత్వ శోధనను గ్రాఫ్ సంబంధాలతో కలిపి, ఏజెంట్లకు విషయం ఏది సమానమో కాకుండా భావాలు ఎలా సంబంధిస్తాయో అర్థం చేసుకోవడానికి సాయం చేస్తుంది.
ఇది వెక్టర్ సమానత్వం, గ్రాఫ్ నిర్మాణం మరియు LLM తర్హలో ఉన్న razonningని కలిపి పని చేసే హైబ్రిడ్ రిట్రీవల్లో నిపుణ్యంతో ఉంటుంది - రా చంక్ లుకప్ నుంచి గ్రాఫ్-అవేర్ ప్రశ్నోత్తరాలవరకు. సిస్టమ్ ఒకటిగా కనెక్ట్ అయిన గ్రాఫ్గా అభివృద్ధి చెందుతూ మరియు మార్చుకునే జీవంత మెమరీని నిర్వహిస్తుంది, షార్ట్-టర్మ్ సెషన్ సందర్భం మరియు లాంగ్-టర్మ్ పర్సిస్టెంట్ మెమరీ రెండింటినీ సపోర్ట్ చేస్తుంది.
Cognee నోట్బుక్ ట్యూటోరియల్ (13-agent-memory-cognee.ipynb) ఈ ఏకీకృత మెమరీ లేయర్ని నిర్మించే విధానాన్ని ప్రదర్శిస్తుంది, వివిధ డేటా సోర్సుల్నుంచి ఇన్జెస్ట్ చేయడం, నాలెడ్జ్ గ్రాఫ్ను విజువలైజ్ చేయడం మరియు ప్రత్యేక ఏజెంట్ అవసరాలకుగాను వివిధ సెర్చ్ స్ట్రాటజీలతో ప్రశ్నించడం వంటి ప్రాక్టికల్ ఉదాహరణలతో.
RAG తో మెమరీని నిల్వ చేయడం
Mem0 వంటి ప్రత్యేక మెమరీ టూల్స్ తో పాటు, మీరు మెమరీలను నిల్వ చేసి తిరిగి పొందేందుకు బ్యాక్ఎండ్గా శక్తివంతమైన శోధన సేవలను ఉపయోగించవచ్చు, ఉదాహరణకు Azure AI Search ను خاصంగా Structured RAG కోసం ఉపయోగించడం.
ఈ విధానం మీ ఏజెంట్ ప్రతిస్పందనలను మీ స్వంత డేటాతో గ్రౌండ్ చేయడానికి అనుమతిస్తుంది, తద్వారా మరింత సంబంధిత మరియు ఖచ్చితమైన జవాబులను అందిస్తుంది. Azure AI Search వినియోగదారుని వ్యక్తిగత ప్రయాణ మెమరీలు, ఉత్పత్తి క్యాటలాగ్లు లేదా ఏ ఇతర డొమైన్-నిబంధిత జ్ఞానాన్ని నిల్వ చేయడానికి ఉపయోగించవచ్చు.
Azure AI Search Structured RAG వంటి సామర్థ్యాలను మద్దతు ఇస్తుంది, ఇవి సంభాషణ చరిత్రలు, ఇమెయిల్స్, లేదా చిత్రాల వంటి పెద్ద డేటాసెట్ల నుండి డెన్స్, నిర్మిత సమాచారాన్ని ఎక్స్రాక్ట్ చేసి రిట్రీవ్ చేయడానికి అద్భుతంగా పనిచేస్తాయి. ఇది సంప్రదాయ టెక్స్ట్ చంకింగ్ మరియు ఎంబెడింగ్ విధానాలతో పోలిస్తే “మానవానుకూలమైన ఖచ్చితత్వం మరియు రీకాల్”ని అందిస్తుంది.
ఏఐ ఏజెంట్లు స్వయం-మెరుగయ్యేలా చేయడం
స్వయం-మెరుగయ్యే ఏజెంట్ల కోసం సాధారణ నమూనా ఒక “నాలెడ్జ్ ఏజెంట్”ను పరిచయం చేయడమంటుంది. ఇది వేరు చేసే ఏజెంట్ ప్రధాన యూజర్ మరియు ప్రాథమిక ఏజెంట్ మధ్య సంభాషణని పర్యవసానంగా పరిశీలిస్తుంది. దాని పాత్ర:
-
విలువైన సమాచారాన్ని గుర్తించడం: సంభాషణలోని ఏ భాగాన్ని సాధారణ జ్ఞానంగా లేదా నిర్దిష్ట వినియోగదారుడి ప్రాధాన్యంగా సేవ్ చేయవచ్చో నిర్ణయించడం.
-
ఎక్స్ట్రాక్ట్ చేసి సంక్షేపం చేయడం: సంభాషణ నుండి మూలమైన నేర్పు లేదా ప్రాధాన్యాన్ని సారాంశం చేయడం.
-
నాలెడ్జ్ బేస్లో నిల్వ చేయడం: సాధారణంగా వెక్టర్ డేటాబేస్లో ఈ ఎక్స్ట్రాక్ట్ చేసిన సమాచారాన్ని పర్సిస్ట్ చేయడం, తద్వారా పునరావృతంగా పొందగలుగుతారు.
-
భవిష్యత్ ప్రశ్నలకు జోడించడం: వినియోగదారు కొత్త ప్రశ్నను మొదలుపెట్టినప్పుడు, నాలెడ్జ్ ఏజెంట్ సంబంధిత నిల్వ చేసిన సమాచారాన్ని రిట్రీవ్ చేసి వినియోగదారుడి ప్రాంప్ట్కు జోడిస్తుంది, ప్రాథమిక ఏజెంట్కు ముఖ్యమైన సందర్భాన్ని అందిస్తుంది (RAG సారూప్యంగా).
మెమరీ కోసం ఆప్టిమైజేషన్లు
• లేటెన్సీ నిర్వహణ: వినియోగదారుల ఇన్టరాక్షన్లు మందగించకుండా తేలికపాటి, వేగవంతమైన మోడల్ను మొదటగా ఉపయోగించి త్వరగా సమాచారాన్ని సేవ్ చేయదగినదో లేదా రిట్రీవ్ చేయదగినదో పరీక్షించవచ్చు, అవసరమైతే మాత్రమే సంక్లిష్టమైన ఎక్స్ట్రాక్షన్/రిట్రీవల్ ప్రక్రియను ఆహ్వానించాలి.
• నాలెడ్జ్ బేస్ నిర్వహణ: పెరుగుతున్న నాలెడ్జ్ బేస్ కోసం, తక్కువగా ఉపయోగించే సమాచారాన్ని కాస్ట్ నిర్వహణ కోసం “కోల్డ్ స్టోరేజ్”కి తరలించవచ్చు.
ఏజెంట్ మెమరీ గురించి ఇంకా ప్రశ్నలున్నాయా?
చేరండి Microsoft Foundry Discord ఇతర అభ్యాసులను కలవడానికి, ఆఫీస్ అవర్స్కి హాజరుకావడానికి మరియు మీ ఏఐ ఏజెంట్ల ప్రశ్నలకు సమాధానాలు పొందడానికి.
నిరాకరణ: ఈ పత్రాన్ని AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడి ఉంది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తేను, స్వయంచాలక అనువాదాల్లో తప్పులు లేదా లోపాలు ఉండవచ్చు అని దయచేసి గమనించండి. మూల పత్రాన్ని దాని స్థానిక భాషలోని సంస్కరణను అధికారిక మూలంగా భావించాలి. కీలకమైన సమాచారానికి వృత్తిపరమైన మానవ అనువాదం చేయించుకోవడం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడుక వల్ల కలిగే ఏ అపార్థాలు లేదా తప్పుగా అర్థం చేసుకోవడాలపై మేము బాధ్యులు కాదు.