ai-agents-for-beginners
AI ایجنٹس کے لیے میموری
جب AI ایجنٹس بنانے کے منفرد فوائد پر بات کی جاتی ہے، تو دو چیزیں خاص طور پر زیر بحث آتی ہیں: ٹاسک مکمل کرنے کے لیے ٹولز کا استعمال اور وقت کے ساتھ بہتر ہونے کی صلاحیت۔ میموری ایک خود کو بہتر بنانے والے ایجنٹ کی بنیاد ہے جو ہمارے صارفین کے لیے بہتر تجربات فراہم کر سکتی ہے۔
اس سبق میں، ہم دیکھیں گے کہ AI ایجنٹس کے لیے میموری کیا ہے اور ہم اسے اپنے ایپلیکیشنز کے فائدے کے لیے کیسے منظم اور استعمال کر سکتے ہیں۔
تعارف
اس سبق میں شامل ہوگا:
• AI ایجنٹ میموری کو سمجھنا: میموری کیا ہے اور ایجنٹس کے لیے یہ کیوں ضروری ہے۔
• میموری کو نافذ کرنا اور محفوظ کرنا: اپنے AI ایجنٹس میں میموری کی صلاحیتیں شامل کرنے کے عملی طریقے، خاص طور پر مختصر مدتی اور طویل مدتی میموری پر توجہ مرکوز کرتے ہوئے۔
• AI ایجنٹس کو خود کو بہتر بنانے کے قابل بنانا: میموری کیسے ایجنٹس کو ماضی کی بات چیت سے سیکھنے اور وقت کے ساتھ بہتر ہونے میں مدد دیتی ہے۔
سیکھنے کے اہداف
اس سبق کو مکمل کرنے کے بعد، آپ جان سکیں گے کہ:
• AI ایجنٹ میموری کی مختلف اقسام میں فرق کرنا، بشمول ورکنگ، مختصر مدتی، اور طویل مدتی میموری، نیز خصوصی اقسام جیسے پرسونا اور ایپیسوڈک میموری۔
• AI ایجنٹس کے لیے مختصر مدتی اور طویل مدتی میموری کو نافذ اور منظم کرنا، Semantic Kernel فریم ورک کا استعمال کرتے ہوئے، Mem0 اور وائٹ بورڈ میموری جیسے ٹولز کا فائدہ اٹھاتے ہوئے، اور Azure AI Search کے ساتھ انضمام کرتے ہوئے۔
• خود کو بہتر بنانے والے AI ایجنٹس کے اصولوں کو سمجھنا اور کیسے مضبوط میموری مینجمنٹ سسٹمز مسلسل سیکھنے اور موافقت میں مدد دیتے ہیں۔
AI ایجنٹ میموری کو سمجھنا
بنیادی طور پر، AI ایجنٹس کے لیے میموری ان میکانزمز کو کہتے ہیں جو انہیں معلومات کو برقرار رکھنے اور یاد کرنے کی اجازت دیتے ہیں۔ یہ معلومات کسی بات چیت کی مخصوص تفصیلات، صارف کی ترجیحات، ماضی کے اعمال، یا سیکھے گئے پیٹرنز ہو سکتی ہیں۔
میموری کے بغیر، AI ایپلیکیشنز اکثر اسٹیٹ لیس ہوتی ہیں، یعنی ہر تعامل نئے سرے سے شروع ہوتا ہے۔ اس سے ایک بار بار اور مایوس کن صارف تجربہ پیدا ہوتا ہے جہاں ایجنٹ پچھلے سیاق و سباق یا ترجیحات کو “بھول” جاتا ہے۔
میموری کیوں اہم ہے؟
ایجنٹ کی ذہانت اس کی ماضی کی معلومات کو یاد کرنے اور استعمال کرنے کی صلاحیت سے گہری جڑی ہوئی ہے۔ میموری ایجنٹس کو درج ذیل بناتی ہے:
• عکاس: ماضی کے اعمال اور نتائج سے سیکھنا۔
• تفاعلی: جاری بات چیت کے دوران سیاق و سباق کو برقرار رکھنا۔
• پیشگی اور ردعملی: تاریخی ڈیٹا کی بنیاد پر ضروریات کا اندازہ لگانا یا مناسب جواب دینا۔
• خود مختار: ذخیرہ شدہ علم کا استعمال کرتے ہوئے زیادہ آزادانہ طور پر کام کرنا۔
میموری کو نافذ کرنے کا مقصد ایجنٹس کو زیادہ قابل اعتماد اور قابل بنانا ہے۔
میموری کی اقسام
ورکنگ میموری
اسے ایک قسم کے اسکریچ پیپر کے طور پر سوچیں جو ایجنٹ ایک واحد، جاری ٹاسک یا سوچنے کے عمل کے دوران استعمال کرتا ہے۔ یہ فوری معلومات کو رکھتا ہے جو اگلے قدم کا حساب لگانے کے لیے ضروری ہے۔
AI ایجنٹس کے لیے، ورکنگ میموری اکثر بات چیت سے سب سے زیادہ متعلقہ معلومات کو پکڑتی ہے، چاہے مکمل چیٹ ہسٹری طویل ہو یا مختصر۔ یہ کلیدی عناصر جیسے ضروریات، تجاویز، فیصلے، اور اعمال کو نکالنے پر توجہ مرکوز کرتا ہے۔
ورکنگ میموری کی مثال
ایک ٹریول بکنگ ایجنٹ میں، ورکنگ میموری صارف کی موجودہ درخواست کو پکڑ سکتی ہے، جیسے “مجھے پیرس کا سفر بک کرنا ہے”۔ یہ مخصوص ضرورت ایجنٹ کے فوری سیاق و سباق میں رکھی جاتی ہے تاکہ موجودہ تعامل کی رہنمائی کی جا سکے۔
مختصر مدتی میموری
یہ قسم کی میموری ایک واحد بات چیت یا سیشن کے دوران معلومات کو برقرار رکھتی ہے۔ یہ موجودہ چیٹ کا سیاق و سباق ہے، جو ایجنٹ کو مکالمے کے پچھلے موڑوں کا حوالہ دینے کی اجازت دیتا ہے۔
مختصر مدتی میموری کی مثال
اگر کوئی صارف پوچھے، “پیرس کے لیے فلائٹ کی قیمت کتنی ہوگی؟” اور پھر اس کے بعد پوچھے، “وہاں رہائش کے بارے میں کیا خیال ہے؟”، مختصر مدتی میموری اس بات کو یقینی بناتی ہے کہ ایجنٹ جانتا ہے کہ “وہاں” کا مطلب “پیرس” ہے اسی بات چیت کے دوران۔
طویل مدتی میموری
یہ وہ معلومات ہے جو متعدد بات چیت یا سیشنز کے دوران برقرار رہتی ہے۔ یہ ایجنٹس کو صارف کی ترجیحات، تاریخی تعاملات، یا عمومی معلومات کو طویل عرصے تک یاد رکھنے کی اجازت دیتی ہے۔ یہ ذاتی نوعیت کے لیے اہم ہے۔
طویل مدتی میموری کی مثال
طویل مدتی میموری یہ ذخیرہ کر سکتی ہے کہ “بین کو اسکیئنگ اور آؤٹ ڈور سرگرمیاں پسند ہیں، پہاڑ کے نظارے کے ساتھ کافی پسند ہے، اور ماضی کی چوٹ کی وجہ سے ایڈوانس اسکی سلوپس سے بچنا چاہتا ہے”۔ یہ معلومات، پچھلے تعاملات سے سیکھی گئی، مستقبل کے ٹریول پلاننگ سیشنز میں سفارشات کو انتہائی ذاتی نوعیت کی بناتی ہے۔
پرسونا میموری
یہ ایک خاص قسم کی میموری ہے جو ایجنٹ کو ایک مستقل “شخصیت” یا “کردار” 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 روانی اور مرکوز ہو جاتے ہیں۔
پرسونا میموری کی مثال
اگر ٹریول ایجنٹ کو “ماہر اسکی پلانر” کے طور پر ڈیزائن کیا گیا ہے، تو پرسونا میموری اس کردار کو تقویت دے سکتی ہے، جس سے اس کے جوابات ماہر کے لہجے اور علم کے مطابق ہوں۔
ورک فلو/ایپیسوڈک میموری
یہ میموری ایک پیچیدہ کام کے دوران ایجنٹ کے اٹھائے گئے اقدامات کی ترتیب کو ذخیرہ کرتی ہے، بشمول کامیابیاں اور ناکامیاں۔ یہ مخصوص “اقساط” یا ماضی کے تجربات کو یاد رکھنے جیسا ہے تاکہ ان سے سیکھا جا سکے۔
ایپیسوڈک میموری کی مثال
اگر ایجنٹ نے ایک مخصوص فلائٹ بک کرنے کی کوشش کی لیکن یہ دستیاب نہ ہونے کی وجہ سے ناکام ہو گئی، تو ایپیسوڈک میموری اس ناکامی کو ریکارڈ کر سکتی ہے، جس سے ایجنٹ کو متبادل فلائٹس آزمانے یا صارف کو مسئلے کے بارے میں زیادہ معلوماتی انداز میں آگاہ کرنے کی اجازت ملتی ہے۔
اینٹیٹی میموری
یہ بات چیت سے مخصوص اداروں (جیسے لوگ، جگہیں، یا چیزیں) اور واقعات کو نکالنے اور یاد رکھنے سے متعلق ہے۔ یہ ایجنٹ کو زیر بحث کلیدی عناصر کی ایک منظم تفہیم بنانے کی اجازت دیتی ہے۔
اینٹیٹی میموری کی مثال
ماضی کے سفر کے بارے میں بات چیت سے، ایجنٹ “پیرس”، “ایفل ٹاور”، اور “لی چیٹ نوئر ریسٹورنٹ میں ڈنر” کو اداروں کے طور پر نکال سکتا ہے۔ مستقبل کے تعامل میں، ایجنٹ “لی چیٹ نوئر” کو یاد کر سکتا ہے اور وہاں ایک نئی ریزرویشن کرنے کی پیشکش کر سکتا ہے۔
اسٹرکچرڈ RAG (ریٹریول آگمنٹڈ جنریشن)
جبکہ RAG ایک وسیع تکنیک ہے، “اسٹرکچرڈ RAG” کو ایک طاقتور میموری ٹیکنالوجی کے طور پر اجاگر کیا گیا ہے۔ یہ مختلف ذرائع (بات چیت، ای میلز، تصاویر) سے گہری، منظم معلومات نکالتا ہے اور اسے جواب دینے میں درستگی، یادداشت، اور رفتار کو بڑھانے کے لیے استعمال کرتا ہے۔ کلاسک RAG کے برعکس جو صرف سیمینٹک مماثلت پر انحصار کرتا ہے، اسٹرکچرڈ RAG معلومات کی اندرونی ساخت کے ساتھ کام کرتا ہے۔
اسٹرکچرڈ RAG کی مثال
صرف کلیدی الفاظ سے مماثلت کرنے کے بجائے، اسٹرکچرڈ RAG فلائٹ کی تفصیلات (منزل، تاریخ، وقت، ایئرلائن) کو ای میل سے پارس کر سکتا ہے اور انہیں منظم طریقے سے ذخیرہ کر سکتا ہے۔ یہ درست سوالات جیسے “میں نے پیرس کے لیے منگل کو کون سی فلائٹ بک کی تھی؟” کے لیے اجازت دیتا ہے۔
میموری کو نافذ کرنا اور محفوظ کرنا
AI ایجنٹس کے لیے میموری کو نافذ کرنا میموری مینجمنٹ کے ایک منظم عمل پر مشتمل ہوتا ہے، جس میں معلومات کو پیدا کرنا، ذخیرہ کرنا، بازیافت کرنا، انضمام کرنا، اپ ڈیٹ کرنا، اور یہاں تک کہ “بھولنا” (یا حذف کرنا) شامل ہے۔ بازیافت خاص طور پر ایک اہم پہلو ہے۔
خصوصی میموری ٹولز
ایجنٹ میموری کو ذخیرہ اور منظم کرنے کا ایک طریقہ خصوصی ٹولز جیسے Mem0 کا استعمال ہے۔ Mem0 ایک مستقل میموری لیئر کے طور پر کام کرتا ہے، جو ایجنٹس کو متعلقہ تعاملات کو یاد کرنے، صارف کی ترجیحات اور حقائق کے سیاق و سباق کو ذخیرہ کرنے، اور وقت کے ساتھ کامیابیوں اور ناکامیوں سے سیکھنے کی اجازت دیتا ہے۔ یہاں خیال یہ ہے کہ اسٹیٹ لیس ایجنٹس کو اسٹیٹ فل میں تبدیل کیا جائے۔
یہ دو مرحلے کی میموری پائپ لائن: نکالنا اور اپ ڈیٹ کرنا کے ذریعے کام کرتا ہے۔ پہلے، ایجنٹ کے تھریڈ میں شامل پیغامات Mem0 سروس کو بھیجے جاتے ہیں، جو ایک بڑے لینگویج ماڈل (LLM) کا استعمال کرتے ہوئے بات چیت کی تاریخ کا خلاصہ کرتا ہے اور نئی یادداشتیں نکالتا ہے۔ اس کے بعد، ایک LLM سے چلنے والا اپ ڈیٹ مرحلہ ان یادداشتوں کو شامل کرنے، ترمیم کرنے، یا حذف کرنے کا تعین کرتا ہے، انہیں ایک ہائبرڈ ڈیٹا اسٹور میں ذخیرہ کرتا ہے جو ویکٹر، گراف، اور کلیدی قدر کے ڈیٹا بیس شامل کر سکتا ہے۔ یہ نظام مختلف میموری اقسام کی بھی حمایت کرتا ہے اور اداروں کے درمیان تعلقات کو منظم کرنے کے لیے گراف میموری کو شامل کر سکتا ہے۔
RAG کے ساتھ میموری کو ذخیرہ کرنا
Mem0 جیسے خصوصی میموری ٹولز کے علاوہ، آپ مضبوط سرچ سروسز جیسے Azure AI Search کو میموری ذخیرہ کرنے اور بازیافت کرنے کے لیے بیک اینڈ کے طور پر استعمال کر سکتے ہیں، خاص طور پر اسٹرکچرڈ RAG کے لیے۔
یہ آپ کے ایجنٹ کے جوابات کو آپ کے اپنے ڈیٹا کے ساتھ بنیاد فراہم کرنے کی اجازت دیتا ہے، جس سے زیادہ متعلقہ اور درست جوابات یقینی بنتے ہیں۔ Azure AI Search کو صارف کے مخصوص سفر کی یادداشتیں، پروڈکٹ کیٹلاگز، یا کسی بھی دوسرے ڈومین مخصوص علم کو ذخیرہ کرنے کے لیے استعمال کیا جا سکتا ہے۔
Azure AI Search اسٹرکچرڈ RAG جیسی صلاحیتوں کی حمایت کرتا ہے، جو بات چیت کی تاریخ، ای میلز، یا یہاں تک کہ تصاویر جیسے بڑے ڈیٹا سیٹس سے گہری، منظم معلومات نکالنے اور بازیافت کرنے میں مہارت رکھتا ہے۔ یہ روایتی ٹیکسٹ چنکنگ اور ایمبیڈنگ کے طریقوں کے مقابلے میں “انسانی سے زیادہ درستگی اور یادداشت” فراہم کرتا ہے۔
AI ایجنٹس کو خود کو بہتر بنانا
خود کو بہتر بنانے والے ایجنٹس کے لیے ایک عام پیٹرن “علم ایجنٹ” کو متعارف کرانا شامل ہے۔ یہ الگ ایجنٹ صارف اور بنیادی ایجنٹ کے درمیان اہم بات چیت کا مشاہدہ کرتا ہے۔ اس کا کردار یہ ہے:
-
قیمتی معلومات کی شناخت کرنا: یہ تعین کرنا کہ بات چیت کا کوئی حصہ عمومی علم یا مخصوص صارف کی ترجیح کے طور پر محفوظ کرنے کے قابل ہے۔
-
نکالنا اور خلاصہ کرنا: بات چیت سے ضروری سیکھنے یا ترجیح کو کشید کرنا۔
-
علمی بنیاد میں ذخیرہ کرنا: اس نکالی گئی معلومات کو برقرار رکھنا، اکثر ویکٹر ڈیٹا بیس میں، تاکہ اسے بعد میں بازیافت کیا جا سکے۔
-
مستقبل کے سوالات کو بڑھانا: جب صارف نیا سوال شروع کرتا ہے، تو علم ایجنٹ متعلقہ ذخیرہ شدہ معلومات کو بازیافت کرتا ہے اور اسے صارف کے پرامپٹ میں شامل کرتا ہے، بنیادی ایجنٹ کو اہم سیاق و سباق فراہم کرتا ہے (RAG کی طرح)۔
میموری کے لیے اصلاحات
• لیٹنسی مینجمنٹ: صارف کے تعاملات کو سست ہونے سے بچانے کے لیے، ایک سستا، تیز ماڈل ابتدائی طور پر استعمال کیا جا سکتا ہے تاکہ جلدی سے چیک کیا جا سکے کہ معلومات ذخیرہ کرنے یا بازیافت کرنے کے قابل ہے یا نہیں، صرف زیادہ پیچیدہ نکالنے/بازیافت کے عمل کو ضرورت پڑنے پر استعمال کیا جائے۔
• علمی بنیاد کی دیکھ بھال: بڑھتی ہوئی علمی بنیاد کے لیے، کم کثرت سے استعمال ہونے والی معلومات کو “کولڈ اسٹوریج” میں منتقل کیا جا سکتا ہے تاکہ اخراجات کا انتظام کیا جا سکے۔
ایجنٹ میموری کے بارے میں مزید سوالات ہیں؟
Azure AI Foundry Discord میں شامل ہوں تاکہ دوسرے سیکھنے والوں سے ملاقات کریں، آفس آورز میں شرکت کریں، اور اپنے AI ایجنٹس کے سوالات کے جوابات حاصل کریں۔
اعلانِ لاتعلقی:
یہ دستاویز AI ترجمہ سروس Co-op Translator کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا خامیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔