ai-agents-for-beginners
AI ఏజెంట్ల కోసం మెమరీ
AI ఏజెంట్లను సృష్టించే ప్రత్యేక ప్రయోజనాలు చర్చిస్తున్నప్పుడు, రెండు విషయాలు ప్రధానంగా చర్చించబడతాయి: పనుల్ని పూర్తి చేయడానికి టూల్స్ పిలవగల సామర్ధ్యం మరియు సమయం గడుస్తుంటే మెరుగుపరుచుకునే సామర్ధ్యం. మెమరీ అనేది మన వినియోగదారుల కోసం మెరుగైన అనుభవాలను సృష్టించగల స్వయం మెరుగయ్యే ఏజెంట్లను సృష్టించడంలో ఆధారం.
ఈ పాఠంలో, AI ఏజెంట్ల కోసం మెమరీ అంటే ఏమిటి, దాన్ని ఎలా నిర్వహించవచ్చు మరియు మన అనువర్తనాల ప్రయోజనాల కోసం దాన్ని ఎలా ఉపయోగించవచ్చో చూస్తాం.
పరిచయం
ఈ పాఠంలో కవర్ చేయబడుతుంది:
• AI ఏజెంట్ మెమరీని అర్థం చేసుకోవడం: మెమరీ అంటే ఏమిటి మరియు ఏజెంట్లకు అది ఎందుకు అవసరమో.
• మెమరీ అమలు మరియు నిల్వ: మీ AI ఏజెంట్లకు మెమరీ సామర్థ్యాలను జోడించే ఆచరణాత్మక పద్ధతులు, ముఖ్యంగా షార్ట్-టర్మ్ మరియు లాంగ్-టర్మ్ మెమరీపై దృష్టిపెట్టి.
• AI ఏజెంట్లను స్వయం మెరుగయ్యేవిగా చేయడం: మెమరీ ఏజెంట్లు గత ఇంటరాక్షన్ల నుండి నేర్చుకుని సమయం గడుస్తుంటే ఎలా మెరుగుపడతాయో వివరించడం.
అందుబాటులో ఉన్న అమలులు
ఈ పాఠంలో రెండు విస్తృతమైన నోటుబుక్ పాఠాలు ఉన్నాయి:
• 13-agent-memory.ipynb: Microsoft Agent Framework తో Mem0 మరియు Azure AI Search ఉపయోగించి మెమరీను అమలు చేస్తుంది
• 13-agent-memory-cognee.ipynb: Cognee ఉపయోగించి స్ట్రక్చర్డ్ మెమరీ అమలు చేస్తుంది, ఎంబెడింగ్స్ బ్యాక్పై ఉన్న జ్ఞాన గ్రాఫ్ను ఆటోమేటిక్గా నిర్మించడం, గ్రాఫ్ను దృశ్యీకరించడం, మరియు తెలివైన రీట్రీవల్
అభ్యాస లక్ష్యాలు
ఈ పాఠాన్ని పూర్తి చేసిన తర్వాత, మీరు తెలుసుకుంటారు ఎలా:
• వివిధ AI ఏజెంట్ మెమరీ తరహాలను భేదం చేయగలరు, వాటిలో వర్కింగ్, షార్ట్-టర్మ్, లాంగ్-టర్మ్ మెమరీ అలాగే ప్రత్యేక రూపాలు Persona మరియు Episodic మెమరీ.
• షార్ట్-టర్మ్ మరియు లాంగ్-టర్మ్ మెమరీలను అమలు చేసి నిర్వహించగలరు Microsoft Agent Framework ఉపయోగించి, Mem0, Cognee, వైట్బోర్డ్ మెమరీ వంటి టూల్స్ ఉపయోగించి మరియు Azure AI Search తో సమ్మేళనం చేసుకొని.
• స్వయం మెరుగయ్యే AI ఏజెంట్ల వెనుక సూత్రాలను అర్థం చేసుకోగలరు, మరియు బలమైన మెమరీ నిర్వహణ వ్యవస్థలు నిరంతర అభ్యాసం మరియు సరిపోలికకు ఎలా పాల్పడతాయో.
AI ఏజెంట్ మెమరీని అర్థం చేసుకోవడం
ప్రాథమికంగా, AI ఏజెంట్లకు మెమరీ అంటే సమాచారం నిల్వ చేసి గుర్తుపెట్టుకునే యంత్రాంగాలు. ఈ సమాచారం సంభాషణ గురించి ప్రత్యేక వివరాలు, వినియోగదారుల అభిరుచులు, గత చర్యలు లేదా నేర్చుకున్న నమూనాలు కావచ్చు.
మెమరీ లేకుండా, AI అనువర్తనాలు తరచుగా స్టేట్లెస్గా ఉంటాయి, అంటే ప్రతీ ఇంటరాక్షన్ మొదలుగానే ఉంటుంది. ఇది పునరావృతమైన, నిరాశన కలిగించే వినియోగదారు అనుభవానికి దారి తీస్తుంది, ఇందులో ఏజెంట్ గత సందర్భం లేదా అభిరుచులను “మర్చిపోతోంది”.
మెమరీ ఎందుకు అవసరం?
ఏజెంట్ల బుద్ధిమత్త చాలా లోతుగా గత సమాచారాన్ని గుర్తుపెట్టి ఉపయోగించగల సామర్ధ్యంకు సంబంధించినది. మెమరీ ఏజెంట్లను చేయగలుగుతుంది:
• ప్రతిబింబించగల: గత చర్యల మరియు ఫలితాల నుండి నేర్చుకోవడం.
• ఇంటరాక్టివ్: ఒక కొనసాగుతుండే సంభాషణలో సందర్భాన్ని నిలుపుకోవడం.
• ప్రాక్టివ్ మరియు రియాక్టివ్: చరిత్రాత్మక డేటా ఆధారంగా అవసరాలను అంచనా వేయడం లేదా సరైన స్పందనలు ఇచ్చడం.
• స్వతంత్రమైన: నిల్వ చేసిన జ్ఞానాన్ని ఉపయొగించి స్వతంత్రంగా పనిచేయడం.
మెమరీ అమలులో ఉద్దేశ్యం ఏజెంట్లను మరింత నమ్మకప్రదంగా మరియు సమర్థవంతంగా చేయడం.
మెమరీ రకాలు
వర్కింగ్ మెమరీ
ఇది ఏజెంట్ ఒకే పని లేదా ఆలోచనా ప్రక్రియ సమయంలో ఉపయోగించే ఒక స్క్రాచ్ పేపర్ లాంటిదని భావించండి. తదుపరి దశను లెక్కించడానికి అవసరమైన తక్షణ సమాచారాన్ని ఇది కలిగి ఉంటుంది.
AI ఏజెంట్ల కోసం, వర్కింగ్ మెమరీ సాధారణంగా సంభాషణ నుండి అత్యంత సంబంధిత సమాచారంను చిక్కిస్తుంటుంది, పూర్తి చాట్ చరిత్ర పొడవుగా లేదా కోతలు ఉన్నా కూడా. ఇది అవసరాలు, ప్రతిపాదనలు, నిర్ణయాలు మరియు చర్యలు వంటి కీలక అంశాల మీద దృష్టి పెట్టుతుంది.
వర్కింగ్ మెమరీ ఉదాహరణ
ఒక ప్రయాణ బుకింగ్ ఏజెంట్లో, వర్కింగ్ మెమరీ వినియోగదారు ప్రస్తుతం ఉన్న అభ్యర్థన “నాకు పారిస్కి ట్రిప్ బుక్ చేయాలి”ని పట్టి పెట్టుకోవచ్చు. ఈ ప్రత్యేక అవసరం ఏజెంట్ల తక్షణ సందర్భంలో ఉంటుంది తదుపరి సంభాషణను మార్గనిర్దేశం చేయడానికి.
షార్ట్ టర్మ్ మెమరీ
ఈ రకమైన మెమరీ ఒకే సంభాషణ లేదా సెషన్ సమయంలో సమాచారం నిల్వ చేస్తుంది. ఇది ప్రస్తుత చాట్ సందర్భం, ఏజెంటుకి సంభాషణలో గత మోయులను సూచించడానికి అవకాశం ఇస్తుంది.
Microsoft Agent Framework Python SDK నమూనాల్లో, ఇది AgentSession కు మ్యాప్ అవుతుంది, ఇది agent.create_session()తో సృష్టించబడుతుంది. ఈ సెషన్ ఫ్రేమ్వర్క్లో అంతర్గత షార్ట్-టర్మ్ మెమరీలాగా పనిచేస్తుంది: అదే సెషన్ మళ్లీ ఉపయోగించినప్పుడు సంభాషణ సందర్భాన్ని అందుబాటులో ఉంచుతుంది, కాని సెషన్ ముగిసినప్పుడు లేదా అనువర్తనం రీస్టార్ట్ అయినప్పుడు ఆ సందర్భం నిల్వ చేయబడదు. సత్యాలు మరియు అభిరుచులు జీలుగా నిల్వ చేయడానికి లాంగ్-టర్మ్ మెమరీ ఉపయోగించండి, సాధారణంగా డేటాబేస్, వెక్టర్ సూచిక లేదా మరొక స్థిరమైన స్టోర్ ద్వారా.
షార్ట్ టర్మ్ మెమరీ ఉదాహరణ
ఒక వినియోగదారు “పారిస్కి విమానం ఎంత ఖరీదు?” అని అడిగిన తర్వాత, “అక్కడుని ఆసుపత్రులు ఎలా ఉన్నాయి?” అని అడిగితే, షార్ట్-టర్మ్ మెమరీ ఏజెంట్కు “అక్కడు” అంటే అదే సంభాషణలో “పారిస్” అని అవగాహన కల్పిస్తుంది.
లాంగ్ టర్మ్ మెమరీ
ఇది అనేక సంభాషణలు లేదా సెషన్లు దాటి నిల్వ ఉండే సమాచారం. ఇది ఏజెంట్లు వినియోగదారు అభిరుచులు, చారిత్రక ఇంటరాక్షన్లు లేదా సాధారణ జ్ఞానాన్ని గుర్తుపెట్టుకునేందుకు ఇస్తుంది. ఇది వ్యక్తిగతీకరణకు ముఖ్యమైనది.
లాంగ్ టర్మ్ మెమరీ ఉదాహరణ
ఒక లాంగ్-టర్మ్ మెమరీ వద్ద “బెన్ స్కీయింగ్ మరియు బహిరంగ క్రియాకలాపాలను ప్రేమిస్తాడు, కొండ వీక్షణతో కాఫీ ఇష్టం, మరియు గత గాయంతో సంబంధించి ప్రगत స్కీ స్లోప్స్ избегించాలనుకుంటాడు” అనే సమాచారం నిల్వ ఉంటుంది. ముందర ఇంటరాక్షన్ల నుండి నేర్చుకున్న ఈ సమాచారం భవిష్యత్తు ప్రయాణ ప్రణాళిక సెషన్లలో highly personalized సిఫారసులు చేసి, వాటిని ప్రభావితం చేస్తుంది.
పర్సోనా మెమరీ
ఈ ప్రత్యేక మెమరీ రకం ఏజెంట్కు సద్దుబాటు “వ్యక్తిత్వం” లేదా “పర్సోనా” అభివృద్ధి చేయడానికి సహాయపడుతుంది. ఇది ఏజెంట్ తన గురించి లేదా తన ప్రాధాన్య పాత్ర గురించి వివరాలు గుర్తుపెట్టుకునేందుకు అనుమతిస్తుంది, అందువల్ల ఇంటరాక్షన్లు మరింత సజావుగా మరియు దృష్టి పెట్టబడి ఉంటాయి.
పర్సోనా మెమరీ ఉదాహరణ ఒక ప్రయాణ ఏజెంట్ “నిపుణుడు స్కీ ప్లానర్”గా డిజైన్ చేసినట్లైతే, పర్సోనా మెమరీ ఈ పాత్రను బలపరిచి, నిపుణుడి స్వరం మరియు జ్ఞానంతో సరిపోయే రెస్పాన్స్లను ప్రభావితం చేస్తుంది.
వర్క్ఫ్లో/ఎపిసోడిక్ మెమరీ
ఈ మెమరీ ఏజెంట్ ఒక సంక్లిష్ట పని సమయంలో తీసే దశల క్రమాన్ని నిల్వ చేస్తుంది, విజయాలు మరియు వైఫల్యాలను కూడా కలిగి ఉంటుంది. ఇది ఒక ప్రత్యేక “ఎపిసోడ్స్” లేదా గత అనుభవాలను గుర్తు చేసుకుని వాటినుంచి నేర్చుకునేందుకు లాంటిది.
ఎపిసోడిక్ మెమరీ ఉదాహరణ
ఏజెంట్ ఒక నిర్దిష్ట విమానం బుక్ చేయాలని ప్రయత్నించి అది అందుబాటులో లేకపోవడంతో విఫలమైతే, ఎపిసోడిక్ మెమరీ ఈ వైఫల్యాన్ని రికార్డు చేసి, ఏజెంట్ ప్రత్యామ్నాయ విమానాలను ప్రయత్నించగలదు లేదా తదుపరి ప్రయత్న సమయంలో వినియోగదారుని సమస్య గురించి మరింత వివరంగా తెలియజేయగలదు.
ఎంటిటీ మెమరీ
ఇది సంభాషణల నుండి నిర్ధిష్ట ఎంటిటీలను (ప్రముఖులు, ప్రదేశాలు, లేదా విషయాలు వంటి) మరియు घटनాలను తీసుకుని గుర్తుపెట్టుకోవడం. ఇది ఏజెంట్ చర్చించిన కీలక అంశాల կառուցిత జ్ఞానాన్ని సృష్టించడానికి అనుమతిస్తుంది.
ఎంటిటీ మెమరీ ఉదాహరణ
గత ప్రయాణంను గురించి సంభాషణ నుంచి, ఏజెంట్ “పారిస్,” “ఎఫిల్ టవర్,” మరియు “Le Chat Noir రెస్టారెంట్లో డిన్నర్” వంటి ఎంటిటీలను వెలికితీసి గుర్తుపెట్టుకోవచ్చు. భవిష్యత్తులో ఈ ఎజెంట్ “Le Chat Noir” ని గుర్తు చేసుకుని అక్కడ కొత్త రిజర్వేషన్ చేసేందుకు సలహా ఇవ్వగలదు.
స్ట్రక్చర్డ్ RAG (రిట్రీవల్ ఆగ్మెంటెడ్ జనరేషన్)
RAG ఒక విస్తృత సాంకేతికత కాగా, “స్ట్రక్చర్డ్ RAG” ఒక శక్తివంతమైన మెమరీ సాంకేతికతగా మిగిలింది. ఇది వివిధ మూలాల నుంచి (సంభాషణలు, ఇమెయిల్స్, చిత్రాలు) సాంద్రమైన, నిర్మాణాత్మక సమాచారాన్ని వెలికితీసి, ప్రతిస్పందనలలో ఖచ్చితత్వం, రీకాల్ మరియు వేగాన్ని మెరుగుపరుస్తుంది. క్లాసిక్ RAG.semantic సమానత్వంపై మాత్రమే ఆధారపడినప్పటికీ, స్ట్రక్చర్డ్ RAG సమాచారం యొక్క సహజ నిర్మాణంతో పనిచేస్తుంది.
స్ట్రక్చర్డ్ RAG ఉదాహరణ
కీవర్డ్స్ సరిపోల్చకుండానే, స్ట్రక్చర్డ్ RAG ఒక ఇమెయిల్లోనుండి విమాన వివరాలు (గమ్యం, తేది, సమయం, ఎయిర్లైన్) పాడ చేసి వాటిని నిర్మాణాత్మకంగా నిల్వ చేయగలదు. ఇది “నేను మంగళవారం పారిస్కి ఏ విమానం బుక్ చేసుకున్నాను?” అనే ఖచ్చితమైన ప్రశ్నలకు అనుకూలం.
మెమరీ అమలు మరియు నిల్వ
AI ఏజెంట్లకు మెమరీ అమలు చేయడం అనేది మెమరీ నిర్వహణ అనే ప్రయోజనాత్మక ప్రക്രియ, దీని ద్వారా సమాచారం సృష్టించడం, నిల్వ చేయడం, రీట్రీవ్ చేయడం, సమ్మేళనం చేయడం, నవీకరించడం మరియు మరచిపోవడం (లేదా తొలగించడం) జరుగుతుంది. రీట్రీవల్ చాలా ముఖ్యమైన అంశం.
ప్రత్యేక మెమరీ టూల్స్
Mem0
ఏజెంట్ మెమరీని నిల్వ చేసి నిర్వహించడానికి ఒక మార్గం Mem0 వంటి ప్రత్యేక టూల్స్ ఉపయోగించడం. Mem0 పర్సిస్టంట్ మెమరీ లేయర్గా పనిచేస్తుంది, ఏజెంట్లు సంబంధిత ఇంటరాక్షన్లను గుర్తుపెట్టి, వినియోగదారు అభిరుచులు మరియు వాస్తవ సందర్భాన్ని నిల్వ చేసి, విజయాలు మరియు వైఫల్యాల నుండి నేర్చుకోగలుగుతుంది. ఇక్కడ భావన స్టేట్లెస్ ఏజెంట్లు స్టేట్ఫుల్గా మారడం.
ఇది రెండు దశల మెమరీ పైప్లైన్: ఎక్స్ట్రాక్షన్ మరియు అప్డేట్ ద్వారా పనిచేస్తుంది. మొదట ఏజెంట్ థ్రెడ్కు జోడించిన సందేశాలు Mem0 సేవకు పంపబడతాయి, ఇది ఒక LLM ఉపయోగించి సంభాషణ చరిత్రను సరాంశం చేసి కొత్త మెమరీలను వెలికితీస్తుంది. తర్వాత, LLM-చలన అప్డేట్ దశ ఈ మెమరీలను జోడించటం, మార్చడం లేదా తొలగించడం నిర్ణయిస్తుంది, వాటిని వెక్టర్, గ్రాఫ్, ముఖ్య-విలువ డేటాబేసులు కలిగిన హైబ్రీడ్ డేటా స్టోర్లో నిల్వ చేస్తుంది. ఈ సిస్టమ్ వివిధ మెమరీ రకాలను మద్దతు ఇస్తుంది మరియు ఎంటిటీల మధ్య సంబంధాలను నిర్వహించడానికి గ్రాఫ్ మెమరీని ఉపయోగించగలదు.
Cognee
మరో శక్తివంతమైన విధానం Cognee ఉపయోగించడం, ఇది AI ఏజెంట్ల కోసం ఓపెన్-సోర్స్ సెమాంటిక్ మెమరీ, ఇది నిర్మాణాత్మక మరియు నిర్మాణరహిత డేటాను క్వెరీఅయ్యే జ్ఞాన గ్రాఫులుగా ఎంబెడింగ్స్తో మద్దతుగా మారుస్తుంది. Cognee రెండు-స్టోర్ ఆర్కిటెక్చర్ అందిస్తుంది, వెక్టర్ సాదృశ్యం శోధనతో గ్రాఫ్ సంబంధాలను కలిపి, ఏజెంట్లకు సమాచారం ఎలా సంబంధించింది అనేదానిని అర్థం చేసుకోగలుగుతుంది, కేవలం దానితో ఏది సమానమేననేదాన్ని కాదు.
ఇది హైబ్రిడ్ రీట్రీవల్లో బలపడింది, ఇది వెక్టర్ సాదృశ్యం, గ్రాఫ్ నిర్మాణం మరియు LLM కారణ నిర్ణయాన్ని కలుపుతూ పని చేస్తుంది - రా చంక్ శోధన నుండి గ్రాఫ్-జ్ఞానం ప్రశ్నలకు సమాధానం ఇవ్వడం వరకు. సిస్టమ్ లివింగ్ మెమరీను నిర్వహిస్తుంది, ఇది అభివృద్ధి చెందుతూ, పెరిగి, ఒక నగదుపచ్చిగలిగిన గ్రాఫ్గా నిలబడుతుంది, ఇది షార్ట్-టర్మ్ సెషన్ సందర్భం మరియు లాంగ్-టర్మ్ పర్సిస్టెంట్ మెమరీ రెండింటినీ మద్దతు ఇస్తుంది.
Cognee నోటుబుక్ పాఠం (13-agent-memory-cognee.ipynb) ఈ ఏకీకృత మెమరీ లేయర్ను నిర్మించడం, వివిధ డేటా మూలాలను తీసుకోవడం, జ్ఞాన గ్రాఫ్ని దృశ్యీకరించడం మరియు వివిధ శోధన వ్యూహాలతో ప్రశ్నించడం వంటి ఆచరణాత్మక ఉదాహరణలను చూపిస్తుంది.
RAGతో మెమరీ నిల్వ
Mem0 వంటి ప్రత్యేక మెమరీ టూల్స్ వెలుపల, మీరు మెమరీలను నిల్వచేసి తిరిగి పొందేందుకు Azure AI Search వంటి బలమైన శోధన సేవలను బ్యాక్ఎండ్గా ఉపయోగించుకోవచ్చు, ముఖ్యంగా స్ట్రక్చర్డ్ RAGకి.
ఇది మీ ఏజెంట్ సమాధానాలను మీ స్వంత డేటాతో లింక్ చేసి, మరింత సంబంధిత మరియు ఖచ్చితమైన జవాబులు ఇవ్వగలుగుతుంది. Azure AI Search వినియోగదారుని ప్రయాణ మెమరీలు, ఉత్పత్తి కాటలాగులు లేదా మరొక ఏ డొమైన్-ప్రత్యేక జ్ఞానం నిల్వ చేయడానికి ఉపయోగించవచ్చు.
Azure AI Search స్ట్రక్చర్డ్ RAG వంటి సామర్థ్యాలను మద్దతు ఇస్తుంది, ఇది సంభాషణ చరిత్రలు, ఇమెయిల్స్ లేదా చిత్రాల వంటి భారీ డేటాసెట్ల నుండి సాంద్రమైన, నిర్మాణాత్మక సమాచారాన్ని వెలికితీసి, తిరిగి పొందడంలో “అత్యధిక ఖచ్చితత్వం మరియు రీకాల్”ను అందిస్తుంది, సంప్రదాయ టెక్స్ట్ చంకింగ్ మరియు ఎంబెడింగ్ పద్ధతులతో పోల్చితే.
AI ఏజెంట్లను స్వయం మెరుగయ్యేవిగా చేయడం
స్వయం మెరుగయ్యే ఏజెంట్లకు సాధారణ నమూనా “జ్ఞాన ఏజెంట్” ప్రవేశపెట్టడం. ఈ ప్రత్యేక ఏజెంట్ వినియోగదారుతో ప్రధాన ఏజెంట్ మధ్య సంభాషణను పర్యవేక్షిస్తుంది. దాని పాత్ర:
-
మూల్యమైన సమాచారాన్ని గుర్తించడం: సంభాషణలో ఏ భాగాన్ని సాధారణ జ్ఞానం లేదా వినియోగదారు ప్రత్యేక అభిరుచిగా నిల్వ చేయవచ్చో నిర్ణయించడం.
-
ఎక్స్ట్ర్యాక్ట్ మరియు సరాంశం చేయడం: సంభాషణలో ఉన్న కీలకమైన నేర్పు లేదా అభిరుచిని సారాంశం చేయడం.
-
జ్ఞాన ఆధారంలో నిల్వచేయడం: ఈ తీసుకున్న సమాచారాన్ని సాధారణంగా వెక్టర్ డేటాబేస్లో నిల్వ చేయడం, తద్వారా తర్వాత రీట్రీవ్ చేయగలిగేలా.
-
భవిష్యత్తు ప్రశ్నలను పెంపొందించడం: వినియోగదారు కొత్త ప్రశ్న ప్రారంభించినప్పుడు, జ్ఞాన ఏజెంట్ సంబంధిత నిల్వ చేసిన సమాచారాన్ని పొందించి, ఆ సమాచారంతో వినియోగదారుని ప్రాంప్ట్కు జోడించడం, ప్రధాన ఏజెంట్కు కీలక సందర్భాన్ని అందించడం (RAGతో సారూప్యం).
మెమరీ కొరకు ఆప్టిమైజేషన్లు
• లాటెన్సీ నిర్వహణ: వినియోగదారు ఇంటరాక్షన్లను నియంత్రించకుండా నివారించడానికి, ప్రారంభంలో తక్కువ ఖర్చు, మరింత వేగవంతమైన మోడల్ ఉపయోగించి సరైన సమాచారం నిల్వ చేయవలసిందో లేదో త్వరగా తనిఖీ చేసి, అవసరమైతే మాత్రమే క్లిష్టమైన ఎక్స్ట్రాక్షన్/రీట్రీవల్ ప్రక్రియను పిలవడం.
• జ్ఞాన ఆధార నిర్వహణ: పెరుగుతున్న జ్ఞాన ఆధారాలకు తక్కువగా వాడే సమాచారాన్ని “కోల్డ్ స్టోరేజీ”కి మార్చి ఖర్చులను నిర్వహించడం.
ఏజెంటు మెమరీ గురించి మరిన్ని ప్రశ్నలు ఉన్నాయా?
సహా ఆధ్యాయానికి Microsoft Foundry Discordలో చేరండి Microsoft Foundry Discord, ఇతర అభ్యసకులతో కలుసుకోవడానికి, ఆఫీస్ గంటలకు హాజరుకాకుండా మరియు మీ AI ఏజెంట్ల ప్రశ్నలకు సమాధానాలు పొందండి.
గత పాఠం
AI ఏజెంట్ల కోసం కాంటెక్స్ట్ ఇంజనీరింగ్
తదుపరి పాఠం
Microsoft Agent Frameworkని అన్వేషణ
అస్వీకరణ: ఈ పత్రం AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.