ai-agents-for-beginners
AI ایجنٹس کے لیے میموری
جب AI ایجنٹس بنانے کے منفرد فائدوں پر بحث ہوتی ہے تو دو اہم چیزیں زیرِ بحث آتی ہیں: کام مکمل کرنے کے لیے ٹولز کال کرنے کی صلاحیت اور وقت کے ساتھ بہتر ہونے کی صلاحیت۔ میموری ایک ایسے خود کو بہتر بنانے والے ایجنٹ بنانے کی بنیاد ہے جو ہمارے صارفین کے لیے بہتر تجربات تخلیق کر سکے۔
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 مندرجہ ذیل موضوعات پر محیط ہوگا:
• AI ایجنٹ میموری کو سمجھنا: میموری کیا ہے اور ایجنٹس کے لیے اس کی اہمیت کیوں ہے۔
• میموری کا نفاذ اور ذخیرہ کرنا: اپنے AI ایجنٹس میں میموری کی صلاحیتیں شامل کرنے کے عملی طریقے، خاص طور پر قلیل مدتی اور طویل مدتی میموری پر توجہ دیتے ہوئے۔
• AI ایجنٹس کو خود کو بہتر بنانے والا بنانا: میموری کس طرح ایجنٹس کو ماضی کی بات چیت سے سبق سیکھنے اور وقت کے ساتھ بہتر ہونے کے قابل بناتی ہے۔
دستیاب نفاذات
اس سبق میں دو جامع نوٹ بک ٹیوٹوریلز شامل ہیں:
• 13-agent-memory.ipynb: میموری کو Mem0 اور Azure AI Search کے ساتھ Semantic Kernel فریم ورک میں نافذ کرتا ہے
• 13-agent-memory-cognee.ipynb: Cognee کے ذریعے ساختہ میموری نافذ کرتا ہے، خودکار طور پر knowledge graph بناتا ہے جسے embeddings سپورٹ کرتی ہیں، گراف کو بصری شکل دیتا ہے، اور ذہین بازیافت فراہم کرتا ہے
سیکھنے کے مقاصد
اس سبق کو مکمل کرنے کے بعد، آپ جانیں گے کہ:
• AI ایجنٹ میموری کی مختلف اقسام میں فرق کرنا، جن میں ورکنگ، قلیل مدتی، طویل مدتی میموری شامل ہیں، نیز خصوصی انواع جیسے پرسونہ اور ایپی سوڈک میموری۔
• قلیل مدتی اور طویل مدتی میموری کو نافذ اور منظم کرنا Semantic Kernel فریم ورک کا استعمال کرتے ہوئے، Mem0، Cognee، Whiteboard memory جیسے ٹولز سے فائدہ اٹھاتے ہوئے، اور Azure AI Search کے ساتھ انٹیگریٹ کرتے ہوئے۔
• خود کو بہتر بنانے والے AI ایجنٹس کے اصول 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 سے مراد وہ طریقے ہیں جو انہیں معلومات کو محفوظ رکھنے اور یاد کرنے کی اجازت دیتے ہیں۔ یہ معلومات کسی گفتگو کی مخصوص تفصیلات، صارف کی ترجیحات، پچھلے اقدامات، یا سیکھے گئے نمونوں پر مشتمل ہو سکتی ہے۔
میموری کے بغیر، AI اطلاقات اکثر غیر ریاستی ہوتے ہیں، یعنی ہر تعامل نئے سرے سے شروع ہوتا ہے۔ اس سے ایک بار بار آنے والا اور مایوس کن صارف تجربہ پیدا ہوتا ہے جہاں ایجنٹ پچھلے سیاق و سباق یا ترجیحات کو “بھول” جاتا ہے۔
میموری کیوں اہم ہے؟
ایک ایجنٹ کی ذہانت گہرائی سے اس کی ماضی کی معلومات کو یاد کرنے اور استعمال کرنے کی صلاحیت سے جڑی ہوتی ہے۔ میموری ایجنٹس کو قابل بناتی ہے:
• انعکاسی: ماضی کے اقدامات اور نتائج سے سیکھنا۔
• تفاعلی: جاری گفتگو کے دوران سیاق و سباق کو برقرار رکھنا۔
• پیشگی اور ردعمل کے طور پر: ضروریات کا اندازہ لگانا یا تاریخی ڈیٹا کی بنیاد پر مناسب جواب دینا۔
• خود مختار: محفوظ شدہ علم استعمال کرکے زیادہ آزادانہ کام کرنا۔
میموری نافذ کرنے کا مقصد ایجنٹس کو زیادہ قابل اعتماد اور قابل بنانا ہے۔
میموری کی اقسام
ورکنگ میموری
اسے اُس سکریچ پیپر کی طرح سمجھیں جو ایجنٹ ایک واحد، جاری کام یا سوچ کے عمل کے دوران استعمال کرتا ہے۔ یہ اگلے قدم کے لیے درکار فوری معلومات رکھتی ہے۔
AI ایجنٹس کے لیے، ورکنگ میموری اکثر گفتگو سے سب سے متعلقہ معلومات کو پکڑتی ہے، چاہے مکمل چیٹ ہسٹری طویل یا کٹی ہوئی ہو۔ یہ اہم عناصر جیسے ضروریات، تجاویز، فیصلے، اور اقدامات نکالنے پر توجہ دیتی ہے۔
ورکنگ میموری کی مثال
ایک سفر کی بکنگ ایجنٹ میں، ورکنگ میموری صارف کی موجودہ درخواست جیسے “میں پیرس کا ٹرپ بک کرنا چاہتا ہوں” کو پکڑ سکتی ہے۔ یہ مخصوص ضرورت ایجنٹ کے فوری سیاق و سباق میں رکھی جاتی ہے تاکہ موجودہ تعامل کو رہنمائی دی جا سکے۔
قلیل مدتی میموری
یہ میموری ایک واحد گفتگو یا سیشن کی مدت کے لیے معلومات رکھتی ہے۔ یہ موجودہ چیٹ کا سیاق و سباق ہے، جو ایجنٹ کو اجازت دیتا ہے کہ وہ مکالمے کے پچھلے حصوں کا حوالہ دے سکے۔
قلیل مدتی میموری کی مثال
اگر صارف پوچھے، “پیرس کے لیے فلائٹ کی قیمت کیا ہوگی؟” اور پھر پوچھے “وہاں رہائش کیسی ہوگی؟”، تو قلیل مدتی میموری اس بات کو یقینی بناتی ہے کہ ایجنٹ کو معلوم ہو کہ “وہاں” سے مراد اسی گفتگو میں “پیرس” ہے۔
طویل مدتی میموری
یہ ایسی معلومات ہوتی ہے جو متعدد بات چیت یا سیشنز کے دوران برقرار رہتی ہے۔ یہ ایجنٹس کو صارف کی ترجیحات، تاریخی بات چیت، یا عمومی معلومات کو بڑے عرصے میں یاد رکھنے دیتی ہے۔ یہ ذاتی نوعیت کے لیے اہم ہے۔
طویل مدتی میموری کی مثال
طویل مدتی میموری میں یہ محفوظ ہو سکتا ہے کہ “بین اسکیئنگ اور باہر کی سرگرمیوں کا شوقین ہے، کافی کو پہاڑ کے نظارے کے ساتھ پسند کرتا ہے، اور ماضی کی چوٹ کی وجہ سے جدید اسکی پگڈنڈیوں سے بچنا چاہتا ہے۔” یہ معلومات، جو پچھلی بات چیت سے سیکھی گئی ہیں، مستقبل کی سفر منصوبہ بندی میں سفارشات کو انتہائی ذاتی بناتی ہیں۔
پرسونہ میموری
یہ مخصوص قسم کی میموری ایک ایجنٹ کو مسلسل “شخصیت” یا “پرسونہ” تیار کرنے میں مدد دیتی ہے۔ یہ ایجنٹ کو اپنے یا اپنے متعین کردار کے بارے میں تفصیلات یاد رکھنے کی اجازت دیتی ہے، تاکہ بات چیت زیادہ روان اور مرکوز ہو۔
پرسونہ میموری کی مثال
اگر سفر کا ایجنٹ “ماہر اسکی منصوبہ ساز” کے طور پر ڈیزائن کیا گیا ہو، تو پرسونہ میموری اس کردار کو مضبوط کر سکتی ہے، اس کے جوابوں کو ماہر کے لہجے اور علم کے مطابق متاثر کرتی ہے۔
ورک فلو/ایپی سوڈک میموری
یہ میموری ایک پیچیدہ کام کے دوران ایجنٹ کے کیے گئے اقدامات کے سلسلے کو ذخیرہ کرتی ہے، جس میں کامیابیاں اور ناکامیاں شامل ہیں۔ یہ مخصوص “قسطوں” یا ماضی کے تجربات کو یاد رکھنے جیسا ہے تاکہ ان سے سیکھا جا سکے۔
ایپی سوڈک میموری کی مثال
اگر ایجنٹ نے کسی مخصوص فلائٹ کی بکنگ کی کوشش کی لیکن دستیابی نہ ہونے کی وجہ سے ناکام ہو گیا، تو ایپی سوڈک میموری اس ناکامی کو ریکارڈ کر سکتی ہے، جس سے ایجنٹ متبادل فلائٹس آزمانے یا اگلی کوشش کے دوران صارف کو بہتر معلومات فراہم کرنے کے قابل ہوتا ہے۔
اینٹیٹی میموری
یہ مخصوص شخصیات (جیسے لوگ، جگہیں، یا چیزیں) اور بات چیت سے واقعات نکالنے اور یاد رکھنے سے متعلق ہے۔ یہ ایجنٹ کو کلیدی عناصر کا ساختہ فہم بنانے کی اجازت دیتی ہے۔
اینٹیٹی میموری کی مثال
ایک ماضی کے سفر کے بارے میں گفتگو سے، ایجنٹ “پیرس”، “ایفل ٹاور”، اور “Le Chat Noir ریسٹورنٹ میں کھانا” جیسی اینٹیٹیز نکال سکتا ہے۔ اگلی گفتگو میں، ایجنٹ “Le Chat Noir” کو یاد کر کے وہاں نئی ریزرویشن کرنے کی پیشکش کر سکتا ہے۔
ساختہ RAG (Retrieval Augmented Generation)
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 گہری، ساختہ معلومات نکالتا ہے اور اسے جوابات میں درستگی، یاددہانی، اور رفتار بڑھانے کے لیے استعمال کرتا ہے۔ کلاسیکی RAG کے برعکس جو صرف معنوی مشابہت پر منحصر ہوتا ہے، ساختہ RAG معلومات کی ذاتی ساخت کے ساتھ کام کرتا ہے۔
ساختہ RAG کی مثال
بس کلیدی الفاظ سے میل نہیں کھانے کے بجائے، ساختہ RAG ای میل سے فلائٹ کی تفصیلات (منزل، تاریخ، وقت، ایئر لائن) نکال کر ساختہ انداز میں محفوظ کر سکتا ہے۔ یہ خاص سوالات کی اجازت دیتا ہے جیسے “میں نے منگل کو پیرس کے لیے کون سی فلائٹ بک کی؟”
میموری کا نفاذ اور ذخیرہ کرنا
AI ایجنٹس کے لیے میموری نافذ کرنا ایک منظم عمل ہے جسے میموری مینجمنٹ کہا جاتا ہے، جس میں معلومات تیار کرنا، ذخیرہ کرنا، بازیافت کرنا، انضمام کرنا، اپ ڈیٹ کرنا، اور حتیٰ کہ “بھولنا” (یا حذف کرنا) شامل ہے۔ بازیافت خاص طور پر اہم پہلو ہے۔
مخصوص میموری ٹولز
Mem0
ایجنٹ کی میموری ذخیرہ کرنے اور منظم کرنے کا ایک طریقہ Mem0 جیسے مخصوص ٹولز کا استعمال ہے۔ Mem0 ایک مستحکم میموری پرت کے طور پر کام کرتا ہے، جو ایجنٹس کو متعلقہ بات چیت یاد رکھنے، صارف کی ترجیحات اور حقائق کا سیاق و سباق ذخیرہ کرنے، اور وقت کے ساتھ کامیابیوں اور ناکامیوں سے سیکھنے کی اجازت دیتا ہے۔ یہ تصور کہ غیر ریاستی ایجنٹس ریاستی میں تبدیل ہو جاتے ہیں۔
یہ دو مرحلوں پر مشتمل میموری پائپ لائن: اخراج اور اپ ڈیٹ کے ذریعے کام کرتا ہے۔ پہلے، ایجنٹ کے تھریڈ میں شامل کردہ پیغامات Mem0 سروس کو بھیجے جاتے ہیں، جو ایک وسیع زبان ماڈل (LLM) استعمال کرتا ہے تاکہ گفتگو کی تاریخ کا خلاصہ کرے اور نئی یادیں نکالے۔ اس کے بعد، LLM سے چلنے والا اپ ڈیٹ مرحلہ تعین کرتا ہے کہ آیا انہیں شامل کیا جائے، ترمیم کی جائے یا حذف کیا جائے، اور انہیں ہائبرڈ ڈیٹا اسٹور میں ذخیرہ کیا جاتا ہے جو ویکٹر، گراف، اور کلید-قدر ڈیٹابیسز پر مشتمل ہو سکتا ہے۔ یہ نظام مختلف میموری اقسام کی حمایت کرتا ہے اور اینٹیٹیز کے تعلقات کے انتظام کے لیے گراف میموری بھی شامل کر سکتا ہے۔
Cognee
ایک اور طاقتور طریقہ Cognee کا استعمال ہے، جو AI ایجنٹس کے لیے اوپن سورس معنوی میموری ہے جو ساختہ اور غیر ساختہ ڈیٹا کو کیوری ایبل نالج گرافز میں تبدیل کرتا ہے جو embeddings پر مبنی ہوتے ہیں۔ Cognee ایک دوہری اسٹور آرکیٹیکچر فراہم کرتا ہے جو ویکٹر مماثلت سرچ کو گراف کے تعلقات کے ساتھ ملاتا ہے، جس سے ایجنٹس کو صرف یہ سمجھنے میں مدد ملتی ہے کہ معلومات کس طرح ایک دوسرے سے منسلک ہیں۔
یہ ہائبرڈ بازیافت میں مہارت رکھتا ہے جو ویکٹر مماثلت، گراف کے ڈھانچے، اور LLM استدلال کو ملاتا ہے — خام چنکس کی تلاش سے لے کر گراف کو سمجھنے والے سوالات کے جوابات تک۔ نظام لائیونگ میموری برقرار رکھتا ہے جو بڑھتی اور ارتقا پذیر ہوتی ہے جبکہ ایک منسلک گراف کے طور پر قابل تلاش رہتی ہے، قلیل مدتی سیشن کے سیاق و سباق اور طویل مدتی مستحکم میموری دونوں کی حمایت کرتا ہے۔
Cognee نوٹ بک ٹیوٹوریل (13-agent-memory-cognee.ipynb) اس متحدہ میموری پرت کی تعمیر کا مظاہرہ کرتا ہے، متنوع ڈیٹا ذرائع کو شامل کرنے، نالج گراف کو بصری شکل دینے، اور مختلف تلاش کی حکمت عملیوں کے ساتھ کیوری کرنے کی عملی مثالوں کے ساتھ جو مخصوص ایجنٹ کی ضروریات کے مطابق ہیں۔
RAG کے ساتھ میموری ذخیرہ کرنا
Mem0 جیسے مخصوص میموری ٹولز کے علاوہ، آپ مضبوط سرچ سروسز جیسے Azure AI Search کو میموریوں کو ذخیرہ کرنے اور بازیافت کرنے کے لیے بیک اینڈ کے طور پر استعمال کر سکتے ہیں، خاص طور پر ساختہ RAG کے لیے۔
یہ آپ کو اپنے ایجنٹ کے جوابات کو اپنی ڈیٹا کے ساتھ مربوط کرنے دیتا ہے، جو زیادہ متعلقہ اور درست جوابات کی ضمانت دیتا ہے۔ Azure AI Search صارف کی مخصوص سفر کی یادداشتیں، مصنوعات کے کیٹلاگ، یا کسی بھی مخصوص میدان کی معلومات ذخیرہ کرنے کے لیے استعمال کیا جا سکتا ہے۔
Azure AI Search Structured RAG جیسی صلاحیتیں فراہم کرتا ہے، جو بڑے ڈیٹا سیٹس جیسے گفتگو کی تاریخ، ای میلز، یا یہاں تک کہ تصاویر سے گہری، ساختہ معلومات نکالنے اور بازیافت کرنے میں مہارت رکھتا ہے۔ یہ روایتی متن کے چنکس اور embeddings کے مقابلے میں “انسانی سے زیادہ درستگی اور یاددہانی” فراہم کرتا ہے۔
AI ایجنٹس کو خود کو بہتر بنانے والا بنانا
خود کو بہتر بنانے والے ایجنٹس کا ایک عام نمونہ ایک “نالج ایجنٹ” متعارف کروانا ہے۔ یہ علیحدہ ایجنٹ صارف اور بنیادی ایجنٹ کے درمیان مرکزی گفتگو کا مشاہدہ کرتا ہے۔ اس کا کردار ہے:
-
قیمتی معلومات کی شناخت کرنا: 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 بنانا: گفتگو سے ضروری سبق یا ترجیح نکالنا۔
-
نالج بیس میں ذخیرہ کرنا: اس نکالی گئی معلومات کو محفوظ کرنا، اکثر ویکٹر ڈیٹابیس میں، تاکہ بعد میں بازیافت کی جا سکے۔
-
مستقبل کے سوالات کو بڑھانا: جب صارف نیا سوال شروع کرے، نالج ایجنٹ متعلقہ محفوظ شدہ معلومات بازیافت کرتا ہے اور اسے صارف کے پرامپٹ میں شامل کرتا ہے، بنیادی ایجنٹ کو ضروری سیاق و سباق فراہم کرتا ہے (RAG کے مشابہ)۔
میموری کے لیے بہتر بنانے کے طریقے
• لیٹینسی مینجمنٹ: صارف کے تعاملات کو سست کیے بغیر، ایک سستا اور تیز ماڈل ابتدائی طور پر استعمال کیا جا سکتا ہے تاکہ جلدی سے چیک کیا جا سکے کہ معلومات ذخیرہ یا بازیافت کے لائق ہے یا نہیں، صرف ضرورت پڑنے پر زیادہ پیچیدہ اخراج/بازیافت کا عمل استعمال کیا جائے۔
• نالج بیس کی دیکھ بھال: بڑھتے ہوئے نالج بیس کے لیے، کم استعمال ہونے والی معلومات کو “کولڈ اسٹوریج” میں منتقل کیا جا سکتا ہے تاکہ لاگت کو کنٹرول کیا جا سکے۔
ایجنٹ میموری کے بارے میں مزید سوالات ہیں؟
آئیں Azure AI Foundry Discord پر، جہاں آپ دیگر سیکھنے والوں سے مل سکتے ہیں، دفتر کے اوقات میں شرکت کر سکتے ہیں، اور اپنے AI ایجنٹس کے سوالات کے جوابات حاصل کر سکتے ہیں۔
دھیان دہی: اس دستاویز کا ترجمہ AI ترجمہ سروس Co-op Translator کے ذریعے کیا گیا ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنی مادری زبان میں ہی معتبر ذریعہ سمجھی جانی چاہیے۔ اہم معلومات کے لیے پیشہ ور انسانی ترجمہ تجویز کیا جاتا ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم پر نہیں ہوگی۔