ai-agents-for-beginners
Memory para sa AI Agents
Kapag pinag-uusapan ang mga natatanging benepisyo ng paglikha ng AI Agents, dalawang bagay ang kadalasang binibigyang-diin: ang kakayahang gumamit ng mga tool para tapusin ang mga gawain at ang kakayahang mag-improve sa paglipas ng panahon. Ang memorya ang pundasyon ng paglikha ng self-improving agent na makapagbibigay ng mas mahusay na karanasan para sa ating mga user.
Sa araling ito, tatalakayin natin kung ano ang memorya para sa AI Agents at kung paano natin ito pamamahalaan at gagamitin para sa kapakinabangan ng ating mga aplikasyon.
Panimula
Ang araling ito ay tatalakay sa:
• Pag-unawa sa Memorya ng AI Agent: Ano ang memorya at bakit ito mahalaga para sa mga agent.
• Pagpapatupad at Pag-iimbak ng Memorya: Praktikal na mga paraan para magdagdag ng kakayahan sa memorya sa iyong AI agents, na nakatuon sa short-term at long-term memory.
• Pagpapahusay ng AI Agents: Paano nagagamit ang memorya para matuto ang mga agent mula sa nakaraang interaksyon at mag-improve sa paglipas ng panahon.
Mga Layunin sa Pag-aaral
Pagkatapos makumpleto ang araling ito, malalaman mo kung paano:
• Pag-iba-ibahin ang iba’t ibang uri ng memorya ng AI agent, kabilang ang working, short-term, at long-term memory, pati na rin ang mga espesyal na anyo tulad ng persona at episodic memory.
• Ipapatupad at pamahalaan ang short-term at long-term memory para sa AI agents gamit ang Semantic Kernel framework, gamit ang mga tool tulad ng Mem0 at Whiteboard memory, at pagsasama sa Azure AI Search.
• Unawain ang mga prinsipyo sa likod ng self-improving AI agents at kung paano nakakatulong ang matibay na memory management systems sa patuloy na pag-aaral at pag-aangkop.
Pag-unawa sa Memorya ng AI Agent
Sa pinakapundasyon nito, ang memorya para sa AI agents ay tumutukoy sa mga mekanismo na nagpapahintulot sa kanila na magtago at magbalik ng impormasyon. Ang impormasyong ito ay maaaring mga detalye tungkol sa isang pag-uusap, mga kagustuhan ng user, mga nakaraang aksyon, o kahit mga natutunang pattern.
Kung walang memorya, ang mga AI application ay madalas na stateless, ibig sabihin, bawat interaksyon ay nagsisimula mula sa simula. Nagdudulot ito ng paulit-ulit at nakakainis na karanasan para sa user kung saan “nakakalimutan” ng agent ang nakaraang konteksto o mga kagustuhan.
Bakit Mahalaga ang Memorya?
Ang katalinuhan ng isang agent ay malapit na konektado sa kakayahan nitong magbalik at gumamit ng nakaraang impormasyon. Ang memorya ay nagpapahintulot sa mga agent na maging:
• Reflective: Natututo mula sa nakaraang mga aksyon at resulta.
• Interactive: Napananatili ang konteksto sa isang patuloy na pag-uusap.
• Proactive at Reactive: Nahuhulaan ang mga pangangailangan o tumutugon nang naaayon batay sa nakaraang data.
• Autonomous: Mas malayang gumagana sa pamamagitan ng paggamit ng nakaimbak na kaalaman.
Ang layunin ng pagpapatupad ng memorya ay gawing mas maaasahan at may kakayahan ang mga agent.
Mga Uri ng Memorya
Working Memory
Isipin ito bilang isang piraso ng scratch paper na ginagamit ng agent sa isang solong, patuloy na gawain o proseso ng pag-iisip. Nagtatago ito ng agarang impormasyon na kailangan para sa susunod na hakbang.
Para sa AI agents, ang working memory ay madalas na kumukuha ng pinaka-relevant na impormasyon mula sa isang pag-uusap, kahit na mahaba o putol ang buong chat history. Nakatuon ito sa pagkuha ng mga pangunahing elemento tulad ng mga kinakailangan, panukala, desisyon, at aksyon.
Halimbawa ng Working Memory
Sa isang travel booking agent, maaaring makuha ng working memory ang kasalukuyang kahilingan ng user, tulad ng “Gusto kong mag-book ng biyahe papuntang Paris”. Ang partikular na kinakailangang ito ay hawak sa agarang konteksto ng agent upang gabayan ang kasalukuyang interaksyon.
Short Term Memory
Ang ganitong uri ng memorya ay nagtatago ng impormasyon sa tagal ng isang pag-uusap o session. Ito ang konteksto ng kasalukuyang chat, na nagpapahintulot sa agent na bumalik sa mga nakaraang bahagi ng usapan.
Halimbawa ng Short Term Memory
Kung ang user ay magtanong, “Magkano ang flight papuntang Paris?” at pagkatapos ay magtanong, “Paano naman ang tirahan doon?”, tinitiyak ng short-term memory na alam ng agent na ang “doon” ay tumutukoy sa “Paris” sa parehong pag-uusap.
Long Term Memory
Ito ay impormasyon na nananatili sa maraming pag-uusap o session. Pinapayagan nito ang mga agent na tandaan ang mga kagustuhan ng user, mga nakaraang interaksyon, o pangkalahatang kaalaman sa mahabang panahon. Mahalaga ito para sa personalisasyon.
Halimbawa ng Long Term Memory
Ang long-term memory ay maaaring mag-imbak ng impormasyon tulad ng “Mahilig si Ben sa skiing at outdoor activities, gusto niya ng kape na may tanawin ng bundok, at nais niyang iwasan ang advanced ski slopes dahil sa isang nakaraang injury”. Ang impormasyong ito, na natutunan mula sa mga nakaraang interaksyon, ay nakakaimpluwensya sa mga rekomendasyon sa mga susunod na session ng pagpaplano ng biyahe, na ginagawang lubos na personalized.
Persona Memory
Ang ganitong uri ng memorya ay tumutulong sa agent na bumuo ng isang pare-parehong “personality” o “persona”. Pinapayagan nito ang agent na tandaan ang mga detalye tungkol sa sarili nito o sa nilalayong papel nito, na ginagawang mas natural at nakatuon ang mga interaksyon.
Halimbawa ng Persona Memory
Kung ang travel agent ay idinisenyo bilang isang “eksperto sa ski planning,” maaaring palakasin ng persona memory ang papel na ito, na nakakaimpluwensya sa mga sagot nito upang tumugma sa tono at kaalaman ng isang eksperto.
Workflow/Episodic Memory
Ang memoryang ito ay nagtatago ng pagkakasunod-sunod ng mga hakbang na ginawa ng agent sa isang kumplikadong gawain, kabilang ang mga tagumpay at pagkabigo. Para itong pag-alala sa mga partikular na “episode” o nakaraang karanasan upang matuto mula rito.
Halimbawa ng Episodic Memory
Kung sinubukan ng agent na mag-book ng isang partikular na flight ngunit nabigo dahil sa kawalan ng availability, maaaring i-record ng episodic memory ang pagkabigong ito, na nagpapahintulot sa agent na subukan ang mga alternatibong flight o ipaalam sa user ang isyu sa mas impormadong paraan sa susunod na pagtatangka.
Entity Memory
Ito ay tumutukoy sa pagkuha at pag-alala ng mga partikular na entity (tulad ng mga tao, lugar, o bagay) at mga kaganapan mula sa mga pag-uusap. Pinapayagan nito ang agent na bumuo ng isang structured na pag-unawa sa mga pangunahing elementong tinalakay.
Halimbawa ng Entity Memory
Mula sa isang pag-uusap tungkol sa nakaraang biyahe, maaaring makuha ng agent ang “Paris,” “Eiffel Tower,” at “hapunan sa Le Chat Noir restaurant” bilang mga entity. Sa isang susunod na interaksyon, maaaring alalahanin ng agent ang “Le Chat Noir” at mag-alok na mag-book ng bagong reservation doon.
Structured RAG (Retrieval Augmented Generation)
Bagama’t ang RAG ay isang mas malawak na teknolohiya, ang “Structured RAG” ay binibigyang-diin bilang isang makapangyarihang memory technology. Kumukuha ito ng dense, structured na impormasyon mula sa iba’t ibang source (mga pag-uusap, email, larawan) at ginagamit ito upang mapahusay ang precision, recall, at bilis ng mga sagot. Hindi tulad ng classic RAG na umaasa lamang sa semantic similarity, ang Structured RAG ay gumagana sa inherent structure ng impormasyon.
Halimbawa ng Structured RAG
Sa halip na tumugma lamang sa mga keyword, maaaring i-parse ng Structured RAG ang mga detalye ng flight (destinasyon, petsa, oras, airline) mula sa isang email at iimbak ang mga ito sa isang structured na paraan. Pinapayagan nito ang mga eksaktong query tulad ng “Anong flight ang na-book ko papuntang Paris sa Martes?”
Pagpapatupad at Pag-iimbak ng Memorya
Ang pagpapatupad ng memorya para sa AI agents ay nangangailangan ng sistematikong proseso ng memory management, na kinabibilangan ng pagbuo, pag-iimbak, pagkuha, pagsasama, pag-update, at kahit “pagkalimot” (o pagtanggal) ng impormasyon. Ang retrieval ay isang partikular na mahalagang aspeto.
Mga Espesyal na Memory Tools
Isang paraan upang mag-imbak at pamahalaan ang memorya ng agent ay ang paggamit ng mga espesyal na tool tulad ng Mem0. Ang Mem0 ay gumagana bilang isang persistent memory layer, na nagpapahintulot sa mga agent na alalahanin ang mga relevant na interaksyon, mag-imbak ng mga kagustuhan ng user at factual na konteksto, at matuto mula sa mga tagumpay at pagkabigo sa paglipas ng panahon. Ang ideya dito ay ang mga stateless agents ay nagiging stateful.
Ito ay gumagana sa pamamagitan ng two-phase memory pipeline: extraction at update. Una, ang mga mensaheng idinagdag sa thread ng agent ay ipinapadala sa Mem0 service, na gumagamit ng Large Language Model (LLM) upang i-summarize ang history ng pag-uusap at kunin ang mga bagong memorya. Pagkatapos, ang LLM-driven update phase ay nagtatakda kung idaragdag, babaguhin, o tatanggalin ang mga memoryang ito, na iniimbak ang mga ito sa isang hybrid data store na maaaring maglaman ng vector, graph, at key-value databases. Sinusuportahan din ng sistemang ito ang iba’t ibang uri ng memorya at maaaring isama ang graph memory para sa pamamahala ng mga relasyon sa pagitan ng mga entity.
Pag-iimbak ng Memorya gamit ang RAG
Bukod sa mga espesyal na memory tools tulad ng Mem0, maaari mong gamitin ang mga robust search services tulad ng Azure AI Search bilang backend para sa pag-iimbak at pagkuha ng mga memorya, lalo na para sa structured RAG.
Pinapayagan nito ang iyong agent na i-ground ang mga sagot nito gamit ang sarili mong data, na tinitiyak ang mas relevant at accurate na mga sagot. Ang Azure AI Search ay maaaring gamitin upang mag-imbak ng mga travel memorya ng user, mga catalog ng produkto, o anumang domain-specific na kaalaman.
Sinusuportahan ng Azure AI Search ang mga kakayahan tulad ng Structured RAG, na mahusay sa pagkuha at pag-retrieve ng dense, structured na impormasyon mula sa malalaking dataset tulad ng mga history ng pag-uusap, email, o kahit mga larawan. Nagbibigay ito ng “superhuman precision and recall” kumpara sa tradisyunal na text chunking at embedding approaches.
Pagpapahusay ng AI Agents
Isang karaniwang pattern para sa self-improving agents ay ang pagpapakilala ng isang “knowledge agent”. Ang hiwalay na agent na ito ay nagmamasid sa pangunahing pag-uusap sa pagitan ng user at ng pangunahing agent. Ang papel nito ay:
-
Tukuyin ang mahalagang impormasyon: Alamin kung may bahagi ng pag-uusap na mahalagang i-save bilang pangkalahatang kaalaman o partikular na kagustuhan ng user.
-
Kunin at i-summarize: Kunin ang mahalagang natutunan o kagustuhan mula sa pag-uusap.
-
I-imbak sa knowledge base: I-persist ang nakuhang impormasyon, kadalasan sa isang vector database, upang ma-retrieve ito sa hinaharap.
-
Palakasin ang mga susunod na query: Kapag nagpasimula ang user ng bagong query, kinukuha ng knowledge agent ang relevant na nakaimbak na impormasyon at idinadagdag ito sa prompt ng user, na nagbibigay ng mahalagang konteksto sa pangunahing agent (katulad ng RAG).
Mga Pag-optimize para sa Memorya
• Pamamahala ng Latency: Upang maiwasan ang pagbagal ng interaksyon ng user, maaaring gumamit ng mas mura at mas mabilis na modelo sa simula upang mabilis na suriin kung mahalagang i-store o i-retrieve ang impormasyon, at gagamitin lamang ang mas kumplikadong proseso ng extraction/retrieval kapag kinakailangan.
• Pagpapanatili ng Knowledge Base: Para sa lumalaking knowledge base, ang mas madalang gamitin na impormasyon ay maaaring ilipat sa “cold storage” upang pamahalaan ang gastos.
May Karagdagang Tanong Tungkol sa Memorya ng Agent?
Sumali sa Azure AI Foundry Discord upang makipag-usap sa ibang mga nag-aaral, dumalo sa office hours, at makuha ang sagot sa iyong mga tanong tungkol sa AI Agents.
Paunawa:
Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagama’t sinisikap naming maging tumpak, mangyaring tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.