ai-agents-for-beginners
AI ایجنٹس کے لیے میموری
جب AI ایجنٹس بنانے کے منفرد فوائد پر بات ہوتی ہے، تو دو چیزیں زیادہ تر زیر بحث آتی ہیں: کام مکمل کرنے کے لیے آلات کو کال کرنے کی صلاحیت اور وقت کے ساتھ بہتر ہونے کی صلاحیت۔ میموری خود کو بہتر بنانے والے ایجنٹ بنانے کی بنیاد ہے جو ہمارے صارفین کے لیے بہتر تجربات تخلیق کر سکیں۔
اس سبق میں، ہم دیکھیں گے کہ AI ایجنٹس کے لیے میموری کیا ہے اور ہم اسے کس طرح منظم کر سکتے ہیں اور اپنے اطلاقات کے فائدے کے لیے استعمال کر سکتے ہیں۔
تعارف
یہ سبق درج ذیل موضوعات کا احاطہ کرے گا:
• AI ایجنٹ کی میموری کو سمجھنا: میموری کیا ہے اور ایجنٹس کے لیے یہ کیوں اہم ہے۔
• میموری کا نفاذ اور ذخیرہ: آپ کے AI ایجنٹس میں میموری کی صلاحیتیں شامل کرنے کے عملی طریقے، خاص طور پر قلیل مدتی اور طویل مدتی میموری پر توجہ۔
• AI ایجنٹس کو خود بہتربنانا: کس طرح میموری ایجنٹس کو ماضی کے تعاملات سے سیکھنے اور وقت کے ساتھ بہتر ہونے کی اجازت دیتی ہے۔
دستیاب نفاذات
یہ سبق دو جامع نوٹ بک ٹیوٹوریلز پر مشتمل ہے:
• 13-agent-memory.ipynb: Microsoft Agent Framework کے ساتھ Mem0 اور Azure AI Search کا استعمال کرتے ہوئے میموری کا نفاذ
• 13-agent-memory-cognee.ipynb: Cognee کا استعمال کرتے ہوئے ساختہ میموری کا نفاذ، جو خودکار طریقے سے embeddings سے وابستہ نالج گراف بناتا ہے، گراف کی بصری تشکیل اور ذہین بازیافت فراہم کرتا ہے
سیکھنے کے مقاصد
اس سبق کو مکمل کرنے کے بعد، آپ جانیں گے کہ کیسے:
• AI ایجنٹ کی مختلف اقسام کی میموری میں تمیز کریں، بشمول ورکنگ، قلیل مدتی، اور طویل مدتی میموری، نیز خصوصی اقسام جیسے پرسانا اور ایپیسوڈک میموری۔
• Microsoft Agent Framework کا استعمال کرتے ہوئے قلیل اور طویل مدتی میموری کو نافذ اور منظم کریں، Mem0، Cognee، وائٹ بورڈ میموری جیسے آلات سے فائدہ اٹھاتے ہوئے، اور Azure AI Search کے ساتھ انضمام۔
• خود بہتربنانے والے AI ایجنٹس کی اصولیات کو سمجھیں اور کس طرح مستحکم میموری مینجمنٹ سسٹمز مسلسل سیکھنے اور تطبیق میں مدد دیتے ہیں۔
AI ایجنٹ میموری کو سمجھنا
اپنے جوہر میں، AI ایجنٹس کے لیے میموری وہ طریقے ہیں جو انہیں معلومات محفوظ کرنے اور یاد رکھنے کی اجازت دیتے ہیں۔ یہ معلومات گفتگو کی مخصوص تفصیلات، صارف کی پسند، ماضی کے عمل یا حتیٰ کہ سیکھی ہوئی نمونے ہو سکتی ہیں۔
بغیر میموری کے، AI ایپلیکیشنز اکثر ریاست سے عاری ہوتی ہیں، یعنی ہر تعامل پہلی بار سے شروع ہوتا ہے۔ اس سے تکراری اور مایوس کن صارف تجربہ پیدا ہوتا ہے جہاں ایجنٹ پچھلے سیاق و سباق یا پسند کو “بھول” جاتا ہے۔
میموری کیوں اہم ہے؟
ایجنٹ کی ذہانت گہری طور پر اس کی ماضی کی معلومات کو یاد رکھنے اور استعمال کرنے کی صلاحیت سے وابستہ ہوتی ہے۔ میموری ایجنٹس کو بناتی ہے:
• غور و فکر کرنے والا: ماضی کے عمل اور نتائج سے سیکھنا۔
• مداخلتی: ایک جاری گفتگو کے دوران سیاق و سباق کو برقرار رکھنا۔
• متحرک اور ردعمل دینے والا: تاریخی ڈیٹا کی بنیاد پر ضروریات کا اندازہ لگانا یا مناسب جواب دینا۔
• خود مختار: محفوظ شدہ علم سے فائدہ اٹھا کر زیادہ آزادانہ کام کرنا۔
میموری کا مقصد ہے کہ ایجنٹس کو زیادہ قابل اعتماد اور قابل بنایا جائے۔
میموری کی اقسام
ورکنگ میموری
اسے اسکرچ پیپر سمجھیں جو ایجنٹ ایک جاری کام یا سوچ کے عمل کے دوران استعمال کرتا ہے۔ یہ اگلے قدم کی ضرورت کے فوری معلومات کو محفوظ رکھتی ہے۔
AI ایجنٹس کے لیے، ورکنگ میموری اکثر گفتگو سے سب سے متعلقہ معلومات کو پکڑتی ہے، چاہے مکمل چیٹ ہسٹری لمبی یا کٹ گئی ہو۔ یہ ضروری عناصر جیسے تقاضے، تجاویز، فیصلے، اور کارروائیوں کو نکالنے پر مرکوز ہوتی ہے۔
ورکنگ میموری کی مثال
ایک سفر کی بکنگ ایجنٹ میں، ورکنگ میموری صارف کی موجودہ درخواست کو محفوظ کر سکتی ہے، جیسے “میں پیرس کا سفر بک کرنا چاہتا ہوں”۔ یہ مخصوص تقاضہ ایجنٹ کے فوری سیاق و سباق میں ہولڈ ہوتا ہے تاکہ موجودہ تعامل کی رہنمائی کرے۔
قلیل مدتی میموری
اس قسم کی میموری ایک ہی گفتگو یا سیشن کے دوران معلومات کو محفوظ رکھتی ہے۔ یہ موجودہ چیٹ کا سیاق و سباق ہے، جو ایجنٹ کو مکالمے کے پچھلے موڑوں کا حوالہ دینے کی اجازت دیتی ہے۔
قلیل مدتی میموری کی مثال
اگر صارف پوچھے، “پیرس کے لیے فلائٹ کی قیمت کتنی ہوگی؟” اور پھر “وہاں رہائش کے بارے میں کیا خیال ہے؟”، تو قلیل مدتی میموری یقینی بناتی ہے کہ ایجنٹ سمجھتا ہے “وہاں” سے مراد “پیرس” ہے اسی گفتگو میں۔
طویل مدتی میموری
یہ ایسی معلومات ہے جو متعدد گفتگو یا سیشنز کے دوران برقرار رہتی ہے۔ یہ ایجنٹس کو صارف کی پسند، تاریخی تعاملات، یا عمومی علم کو طویل عرصے تک یاد رکھنے کی اجازت دیتی ہے۔ یہ شخصی نوعیت کے لیے اہم ہے۔
طویل مدتی میموری کی مثال
طویل مدتی میموری میں یہ ذخیرہ ہو سکتا ہے کہ “بین کو اسکیئنگ اور بیرونی سرگرمیاں پسند ہیں، وہ پہاڑ کے منظر کے ساتھ کافی کو پسند کرتا ہے، اور ماضی کے چوٹ کی وجہ سے ایڈوانس اسکی سلوپس سے بچنا چاہتا ہے”۔ یہ معلومات، جو ماضی کے تعاملات سے سیکھی گئی، مستقبل کے سفر کی منصوبہ بندی میں سفارشات کو بہت زیادہ شخصی بناتی ہے۔
پرسانا میموری
یہ خصوصی قسم کی میموری ایجنٹ کو ایک مستقل “شخصیت” یا “پرسونا” تیار کرنے میں مدد دیتی ہے۔ یہ ایجنٹ کو اپنے بارے میں یا اپنے مطلوبہ کردار کے بارے میں تفصیلات یاد رکھنے کی اجازت دیتی ہے، جس سے تعاملات زیادہ روان اور مرکوز ہو جاتے ہیں۔
پرسانا میموری کی مثال
اگر سفر کا ایجنٹ “ماہر اسکی منصوبہ ساز” کے طور پر ڈیزائن کیا گیا ہے، تو پرسانا میموری اس کردار کو مضبوط کر سکتی ہے، جو اس کے جوابات کو ماہر کے لہجے اور علم کے مطابق ڈھالتی ہے۔
ورک فلو/ایپیسوڈک میموری
یہ میموری ایک پیچیدہ کام کے دوران ایجنٹ کے اٹھائے گئے اقدامات کی تسلسل کو ذخیرہ کرتی ہے، بشمول کامیابیاں اور ناکامیاں۔ یہ مخصوص “ایپیسوڈز” یا ماضی کے تجربات کو یاد رکھنے کی طرح ہے تاکہ ان سے سیکھا جا سکے۔
ایپیسوڈک میموری کی مثال
اگر ایجنٹ نے مخصوص فلائٹ بک کرنے کی کوشش کی لیکن دستیابی نہ ہونے کی وجہ سے ناکام ہوا، تو ایپیسوڈک میموری اس ناکامی کو ریکارڈ کر سکتی ہے، جو ایجنٹ کو متبادل فلائٹس آزمانے یا صارف کو اس مسئلے کے بارے میں مزید معلومات کے ساتھ آگاہ کرنے کی اجازت دیتی ہے اگلی کوشش میں۔
انٹیٹی میموری
اس میں بات چیت سے مخصوص اشیاء (جیسے افراد، مقامات، یا چیزیں) اور واقعات کو نکالنا اور یاد رکھنا شامل ہے۔ یہ ایجنٹ کو بات چیت میں زیر بحث کلیدی عناصر کی منظم سمجھ بوجھ بنانے کی اجازت دیتا ہے۔
انٹیٹی میموری کی مثال
ماضی کے سفر کی گفتگو سے، ایجنٹ “پیرس”، “ایفل ٹاور”، اور “لی شا نوآر ریسٹورنٹ میں ڈنر” جیسے عناصر نکال سکتا ہے۔ مستقبل کے تعامل میں، ایجنٹ “لی شا نوآر” کو یاد رکھ سکتا ہے اور نئی ریزرویشن کرانے کی پیشکش کر سکتا ہے۔
ساختہ RAG (ریٹریول آگیومینٹڈ جنریشن)
اگرچہ RAG ایک وسیع تکنیک ہے، “ساختہ RAG” کو ایک طاقتور میموری ٹیکنالوجی کے طور پر اجاگر کیا گیا ہے۔ یہ مختلف ذرائع (گفتگو، ای میلز، تصاویر) سے گھنے، ساختہ معلومات نکالتی ہے اور اسے استعمال کرتی ہے تاکہ جوابات میں درستگی، بازیافت، اور رفتار کو بہتر بنایا جا سکے۔ کلاسیکی RAG جو صرف معنوی مماثلت پر انحصار کرتی ہے، کے برعکس، ساختہ RAG معلومات کی اندرونی ساخت کے ساتھ کام کرتی ہے۔
ساختہ RAG کی مثال
صرف کلیدی الفاظ کے ملاپ کی بجائے، ساختہ RAG ایک ای میل سے فلائٹ کی تفصیلات (منزل، تاریخ، وقت، ایئرلائن) نکال کر ساختہ انداز میں ذخیرہ کر سکتی ہے۔ اس سے یہ ممکن ہوتا ہے کہ مخصوص سوالات کیے جائیں جیسے “میں نے منگل کو پیرس کے لیے کون سی فلائٹ بک کی؟”
میموری کا نفاذ اور ذخیرہ
AI ایجنٹس کے لئے میموری کا نفاذ ایک منظم عمل ہے جس میں میموری مینجمنٹ شامل ہے، جس میں معلومات پیدا کرنا، ذخیرہ کرنا، بازیافت کرنا، ضم کرنا، اپ ڈیٹ کرنا، اور یہاں تک کہ “بھولنا” (یا حذف کرنا) شامل ہے۔ بازیافت خاص طور پر اہم ہے۔
مخصوص میموری آلات
Mem0
ایجنٹ کی میموری کو ذخیرہ اور منظم کرنے کا ایک طریقہ مخصوص آلات جیسے Mem0 کا استعمال ہے۔ Mem0 ایک مستقل میموری پرت کے طور پر کام کرتا ہے، جو ایجنٹس کو متعلقہ تعاملات یاد رکھنے، صارف کی ترجیحات اور معلوماتی سیاق و سباق ذخیرہ کرنے، اور وقت کے ساتھ کامیابیوں اور ناکامیوں سے سیکھنے کی اجازت دیتا ہے۔ خیال یہ ہے کہ ریاست سے عاری ایجنٹس ریاست دار بن جائیں۔
یہ ایک دو مرحلوں پر مشتمل میموری پائپ لائن: اخراج اور اپ ڈیٹ کے ذریعے کام کرتا ہے۔ پہلے، ایجنٹ کے تھریڈ میں شامل پیغامات Mem0 سروس کو بھیجے جاتے ہیں، جو ایک بڑی زبان ماڈل (LLM) کا استعمال کرتے ہوئے گفتگو کی تاریخ کا خلاصہ کرتا ہے اور نئی یادیں نکالتا ہے۔ بعد میں، ایک LLM سے چلنے والا اپ ڈیٹ مرحلہ فیصلہ کرتا ہے کہ آیا ان یادوں کو شامل کرنا، ترمیم کرنا، یا حذف کرنا ہے، اور انہیں ایک ہائبرڈ ڈیٹا اسٹور میں ذخیرہ کرتا ہے جس میں ویکٹر، گراف، اور کی-ویلیو ڈیٹا بیس شامل ہو سکتے ہیں۔ یہ نظام مختلف میموری اقسام کو بھی سپورٹ کرتا ہے اور انٹیٹیز کے درمیان تعلقات کے انتظام کے لیے گراف میموری شامل کر سکتا ہے۔
Cognee
ایک اور طاقتور طریقہ کار Cognee کا استعمال ہے، جو AI ایجنٹس کے لیے ایک اوپن سورس معنوی میموری ہے جو ساختہ اور غیر ساختہ ڈیٹا کو انبیڈنگز کے ذریعہ حمایت یافتہ قابل استفسار نالج گرافز میں تبدیل کرتا ہے۔ Cognee ایک دوہری اسٹور آرکیٹیکچر فراہم کرتا ہے جو ویکٹر مماثلت تلاش کو گراف تعلقات کے ساتھ جوڑتا ہے، جس سے ایجنٹس کو نہ صرف یہ سمجھنے کی اجازت ملتی ہے کہ معلومات کتنی مشابہ ہیں بلکہ تصورات آپس میں کس طرح مربوط ہیں۔
یہ ہائبرڈ بازیافت میں مہارت رکھتا ہے جو ویکٹر مماثلت، گراف ساخت، اور LLM استدلال کو ملاتا ہے - خام چنک تلاش سے لے کر گراف سے آگاہ سوالات تک۔ یہ نظام ایک زندہ میموری کو برقرار رکھتا ہے جو ترقی کرتی اور بڑھتی ہے جب کہ ایک جڑا ہوا گراف کی طرح قابل استفسار رہتی ہے، جو قلیل مدتی سیشن کے سیاق و سباق اور طویل مدتی مستقل میموری دونوں کی حمایت کرتی ہے۔
Cognee نوٹ بک ٹیوٹوریل (13-agent-memory-cognee.ipynb) اس متحدہ میموری پرت کی تعمیر دکھاتا ہے، مختلف ڈیٹا ذرائع کی انجیست، علمی گراف کی بصری شکل، اور مخصوص ایجنٹ کی ضروریات کے مطابق مختلف تلاش کی حکمت عملیوں کے ساتھ سوال کرنے کی عملی مثالیں پیش کرتا ہے۔
RAG کے ساتھ میموری ذخیرہ کرنا
Mem0 جیسے مخصوص میموری آلات کے علاوہ، آپ مضبوط تلاش کی خدمات جیسے Azure AI Search کو میموری کی ذخیرہ اندوزی اور بازیافت کے بیک اینڈ کے طور پر استعمال کر سکتے ہیں، خاص طور پر ساختہ RAG کے لیے۔
یہ آپ کو اپنے ایجنٹ کے جوابات کو اپنے ڈیٹا کے ساتھ مربوط کرنے کی اجازت دیتا ہے، جس سے مزید متعلقہ اور درست جوابات یقینی بنتے ہیں۔ Azure AI Search صارفین کی مخصوص سفر کی یادیں، پروڈکٹ کیٹلاگز، یا کوئی بھی مخصوص علم ذخیرہ کرنے کے لیے استعمال ہو سکتا ہے۔
Azure AI Search ایسی خصوصیات کی حمایت کرتا ہے جیسے ساختہ RAG، جو بڑی مقدار کے ڈیٹا جیسے گفتگو کی تاریخ، ای میلز، یا تصاویر سے گھنی، ساختہ معلومات نکالنے اور بازیافت کرنے میں مہارت رکھتا ہے۔ یہ روایتی متن چنکنگ اور انبیڈنگ کے طریقوں کے مقابلے میں “انسانی سے بڑھ کر درستگی اور بازیافت” فراہم کرتا ہے۔
AI ایجنٹس کو خود بہتر بنانا
خود بہتربنانے والے ایجنٹس کے لیے ایک عام نمونہ ہے “نالج ایجنٹ” متعارف کرانا۔ یہ الگ ایجنٹ صارف اور بنیادی ایجنٹ کے درمیان مرکزی گفتگو کا مشاہدہ کرتا ہے۔ اس کا کردار ہے:
-
قیمتی معلومات کی شناخت: یہ تعین کرنا کہ کیا گفتگو کا کوئی حصہ عمومی علم یا مخصوص صارف کی ترجیح کے طور پر محفوظ کیا جانا چاہیے۔
-
نکالنا اور خلاصہ کرنا: گفتگو سے ضروری سیکھنے یا ترجیح کو جدا کرنا۔
-
علمی ذخیرہ میں ذخیرہ کرنا: اس نکالی گئی معلومات کو مستقل کرنا، اکثر ویکٹر ڈیٹا بیس میں، تاکہ بعد میں بازیافت کی جا سکے۔
-
مستقبل کے سوالات کو بڑھانا: جب صارف نیا سوال شروع کرتا ہے، نالج ایجنٹ متعلقہ محفوظ شدہ معلومات بازیافت کرتا ہے اور اسے صارف کے پرامپٹ کے ساتھ شامل کرتا ہے، بنیادی ایجنٹ کو اہم سیاق و سباق فراہم کرتے ہوئے (RAG کے مترادف)۔
میموری کے لیے اصلاحات
• تاخیر کا انتظام: صارف کے تعاملات میں سست روی سے بچنے کے لیے، ابتدا میں ایک سستا، تیز ماڈل استعمال کیا جا سکتا ہے تاکہ جلدی چیک کیا جا سکے کہ معلومات ذخیرہ کرنے یا بازیافت کے قابل ہے یا نہیں، اور صرف ضرورت پڑنے پر زیادہ پیچیدہ نکالنے/بازیافت کے عمل کو فعال کیا جائے۔
• علمی ذخیرہ کی دیکھ بھال: بڑھتے ہوئے علمی ذخیرے کے لیے، کم استعمال ہونے والی معلومات کو “کولڈ سٹوریج” میں منتقل کیا جا سکتا ہے تاکہ لاگت کو کنٹرول کیا جا سکے۔
کیا آپ کے پاس ایجنٹ میموری کے بارے میں مزید سوالات ہیں؟
Microsoft Foundry Discord میں شامل ہوں تاکہ دیگر سیکھنے والوں سے ملیں، آفس آورز میں شرکت کریں اور اپنے AI ایجنٹس کے سوالات کے جواب حاصل کریں۔
ڈسکلیمر: یہ دستاویز AI ترجمہ سروس Co-op Translator کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات کا خیال رکھیں کہ خودکار تراجم میں غلطیاں یا غیر یقینی باتیں ہو سکتی ہیں۔ اصل دستاویز اپنی مادری زبان میں ہی مستند ذریعہ تصور کی جانی چاہیے۔ اہم معلومات کے لیے پیشہ ورانہ انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تفسیر کے ذمہ دار نہیں ہیں۔