ai-agents-for-beginners
AI ایجنٹس کے لیے میموری
جب AI ایجنٹس بنانے کے منفرد فوائد پر بات کی جاتی ہے، تو بنیادی طور پر دو چیزیں زیر بحث آتی ہیں: کام مکمل کرنے کے لیے ٹولز کو کال کرنے کی صلاحیت اور وقت کے ساتھ بہتری کی صلاحیت۔ میموری ایک خود کو بہتر بنانے والے ایجنٹ کی تخلیق کی بنیاد ہے جو ہمارے صارفین کے لیے بہتر تجربات پیدا کر سکتا ہے۔
اس سبق میں، ہم دیکھیں گے کہ AI ایجنٹس کے لیے میموری کیا ہے اور ہم اسے اپنے اطلاقات کے فائدے کے لیے کیسے منظم اور استعمال کر سکتے ہیں۔
تعارف
اس سبق میں شامل ہیں:
• AI ایجنٹ میموری کو سمجھنا: میموری کیا ہے اور ایجنٹس کے لیے کیوں ضروری ہے۔
• میموری کا نفاذ اور ذخیرہ کرنا: اپنے AI ایجنٹس میں میموری کی صلاحیتیں شامل کرنے کے عملی طریقے، خاص طور پر مختصر مدت اور طویل مدت کی میموری پر توجہ دیتے ہوئے۔
• AI ایجنٹس کو خود کو بہتر بنانے والا بنانا: میموری کس طرح ایجنٹس کو پچھلے تعاملات سے سیکھنے اور وقت کے ساتھ بہتری لانے کے قابل بناتی ہے۔
دستیاب نفاذات
اس سبق میں دو جامع نوٹ بک ٹیوٹوریلز شامل ہیں:
• 13-agent-memory.ipynb: Microsoft Agent Framework کے ساتھ Mem0 اور Azure AI Search استعمال کرتے ہوئے میموری کا نفاذ
• 13-agent-memory-cognee.ipynb: Cognee کا استعمال کرتے ہوئے ساختی میموری کا نفاذ، خودکار طور پر ایمبیڈنگز کے ذریعے نالج گراف بنانا، گراف کی بصری نمائندگی، اور ذہین بازیافت
سیکھنے کے مقاصد
اس سبق کو مکمل کرنے کے بعد، آپ یہ جان پائیں گے کہ:
• AI ایجنٹ میموری کی مختلف اقسام میں فرق کرنا، بشمول ورکنگ، مختصر مدت، اور طویل مدت کی میموری، جیسے خصوصی اقسام پرسونا اور ایپیسوڈک میموری بھی۔
• Microsoft Agent Framework استعمال کرتے ہوئے AI ایجنٹس کے لیے مختصر مدت اور طویل مدت کی میموری کا نفاذ اور انتظام کرنا، اور Mem0، Cognee، وائٹ بورڈ میموری جیسے ٹولز کا فائدہ اٹھانا اور Azure AI Search کے ساتھ انضمام۔
• خود کو بہتر بنانے والے AI ایجنٹس کے اصول سمجھنا اور یہ کہ مضبوط میموری مینجمنٹ سسٹمز مسلسل سیکھنے اور انضمام میں کس طرح مدد دیتے ہیں۔
AI ایجنٹ میموری کو سمجھنا
بنیادی طور پر، AI ایجنٹس کے لیے میموری سے مراد وہ میکانزم ہیں جو انہیں معلومات کو برقرار رکھنے اور یاد کرنے کی اجازت دیتے ہیں۔ یہ معلومات کسی گفتگو کی مخصوص تفصیلات، صارف کی پسندیدگیاں، ماضی کے اعمال، یا سیکھے ہوئے نمونوں سے متعلق ہو سکتی ہیں۔
بغیر میموری کے، AI ایپلیکیشنز اکثر بغیر کسی ریاست کی ہوتی ہیں، مطلب ہر تعامل نیا آغاز ہوتا ہے۔ اس سے ایک بار بار دہرائی جانے والا اور مایوس کن صارف تجربہ پیدا ہوتا ہے جہاں ایجنٹ پچھلے سیاق و سباق یا پسندیدگیوں کو “بھول” جاتا ہے۔
میموری کیوں اہم ہے؟
ایک ایجنٹ کی ذہانت اس کی پچھلی معلومات کو یاد کرنے اور استعمال کرنے کی صلاحیت سے گہرا تعلق رکھتی ہے۔ میموری ایجنٹس کو بنانے میں مدد دیتی ہے:
• عکاس: پچھلے اعمال اور نتائج سے سیکھنا۔
• انٹرایکٹو: جاری گفتگو کے دوران سیاق و سباق کو برقرار رکھنا۔
• پیشگی اور رد عمل دینے والا: تاریخی ڈیٹا کی بنیاد پر ضروریات کا اندازہ لگانا یا مناسب ردعمل دینا۔
• خودمختار: محفوظ شدہ علم سے فائدہ اٹھا کر زیادہ آزادانہ طریقے سے کام کرنا۔
میموری کا نفاذ ایجنٹس کو زیادہ قابل اعتماد اور قابل بنانے کا مقصد رکھتا ہے۔
میموری کی اقسام
ورکنگ میموری
اسے ایسے سمجھیں جیسے ایک نوٹ پیپر جسے ایجنٹ کسی ایک جاری کام یا سوچ کے عمل کے دوران استعمال کرتا ہے۔ یہ فوری معلومات رکھتا ہے جو اگلے قدم کا حساب لگانے کے لیے درکار ہوتی ہے۔
AI ایجنٹس کے لیے، ورکنگ میموری اکثر گفتگو سے سب سے متعلقہ معلومات کو قید کرتی ہے، چاہے پورا چیٹ ہسٹری لمبا یا مختصر ہو۔ یہ کلیدی عناصر جیسے ضروریات، تجاویز، فیصلے، اور اعمال نکالنے پر توجہ دیتی ہے۔
ورکنگ میموری کی مثال
ایک سفری بکنگ ایجنٹ میں، ورکنگ میموری صارف کی موجودہ درخواست کو قید کر سکتی ہے، جیسا کہ “میں پیرس کے لیے سفر بک کرنا چاہتا ہوں”۔ یہ مخصوص ضرورت ایجنٹ کے فوری سیاق و سباق میں رکھی جاتی ہے تاکہ موجودہ تعامل کی رہنمائی کی جا سکے۔
مختصر مدت کی میموری
اس قسم کی میموری معلومات کو ایک گفتگو یا سیشن کے دوران برقرار رکھتی ہے۔ یہ موجودہ چیٹ کا سیاق و سباق ہوتا ہے، جو ایجنٹ کو بات چیت کے گذشتہ دور کا حوالہ دینے کی اجازت دیتا ہے۔
Microsoft Agent Framework کے Python SDK نمونوں میں، یہ AgentSession سے مماثل ہے، جو agent.create_session() کے ذریعے بنایا جاتا ہے۔ سیشن فریم ورک کی بلٹ ان مختصر مدت کی میموری ہے: یہ اس وقت تک گفتگو کا سیاق و سباق دستیاب رکھتا ہے جب تک وہی سیشن دوبارہ استعمال ہوتا ہے، لیکن جب سیشن ختم ہو جاتا ہے یا ایپلیکیشن ری اسٹارٹ ہوتی ہے، تو یہ سیاق و سباق برقرار نہیں رہتا۔ حقائق اور ترجیحات کے لیے جو سیشنز کے پار مزید عرصے تک رہنا چاہیے، طویل مدتی میموری استعمال کریں، عام طور پر ڈیٹا بیس، ویکٹر انڈیکس، یا کسی دوسرے مستقل اسٹور کے ذریعے۔
مختصر مدت کی میموری کی مثال
اگر صارف پوچھتا ہے، “پیرس کے لیے فلائٹ کی قیمت کتنی ہوگی؟” اور پھر پوچھتا ہے “وہاں رہائش کا کیا؟”، تو مختصر مدت کی میموری اس بات کو یقینی بناتی ہے کہ ایجنٹ جانتا ہے کہ “وہاں” کا مطلب اسی گفتگو میں “پیرس” ہے۔
طویل مدت کی میموری
یہ وہ معلومات ہوتی ہے جو متعدد گفتگو یا سیشنز کے دوران برقرار رہتی ہے۔ یہ ایجنٹس کو صارف کی پسندیدگیوں، تاریخی تعاملات، یا عمومی علم کو طویل عرصے تک یاد رکھنے کی اجازت دیتی ہے۔ یہ شخصی نوعیت کے لیے اہم ہے۔
طویل مدت کی میموری کی مثال
ایک طویل مدت کی میموری یہ ذخیرہ کر سکتی ہے کہ “بین کو اسکیئنگ اور بیرونی سرگرمیاں پسند ہیں، انہیں پہاڑ کے منظر کے ساتھ کافی پسند ہے، اور وہ پچھلے چوٹ کی وجہ سے اعلی درجے کے اسکی ڈھلوانوں سے بچنا چاہتے ہیں”۔ یہ معلومات، جو پچھلے تعاملات سے سیکھی گئی ہے، مستقبل کے سفری منصوبہ بندی کے سیشنز میں سفارشات کو انتہائی شخصی بناتی ہے۔
پرسونا میموری
یہ مخصوص میموری کی قسم ایک ایجنٹ کو ایک مستقل “شخصیت” یا “پرسونا” تیار کرنے میں مدد دیتی ہے۔ یہ ایجنٹ کو اپنے بارے میں یا اس کے متعین کردار کے بارے میں تفصیلات یاد رکھنے کی اجازت دیتی ہے، جس سے تعاملات زیادہ روان اور مرکوز ہوتے ہیں۔
پرسونا میموری کی مثال اگر سفری ایجنٹ کو “ماہر اسکی پلانر” کے طور پر ڈیزائن کیا گیا ہے، تو پرسونا میموری اس کردار کو مضبوط کر سکتی ہے، اس کے جوابات کو ماہر کے لہجے اور علم کے مطابق بناتی ہے۔
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 “واقعوں” یا ماضی کے تجربات کو یاد رکھنے جیسی ہوتی ہے تاکہ ان سے سیکھا جا سکے۔
ایپیسوڈک میموری کی مثال
اگر ایجنٹ نے کسی مخصوص پرواز کو بک کرنے کی کوشش کی لیکن وہ عدم دستیابی کی وجہ سے ناکام رہی، تو ایپیسوڈک میموری اس ناکامی کو ریکارڈ کر سکتی ہے، جس سے ایجنٹ کو متبادل پروازیں آزمانے یا بعد کی کوشش میں صارف کو بہتر طریقے سے مسئلہ بتانے کی سہولت ملتی ہے۔
اینٹیٹی میموری
اس کا مطلب ہے کہ گفتگو سے مخصوص ہستیوں (مثلاً افراد، جگہیں، یا چیزیں) اور واقعات کو نکالنا اور یاد رکھنا۔ اس سے ایجنٹ کو زیر بحث اہم عناصر کی ساختی سمجھ بنانے کی اجازت ملتی ہے۔
اینٹیٹی میموری کی مثال
ایک گزری ہوئی سفر کی گفتگو سے، ایجنٹ “پیرس”، “ایفل ٹاور”، اور “Le Chat Noir ریسٹورنٹ میں ڈنر” کو ہستیوں کے طور پر نکال سکتا ہے۔ مستقبل کے تعامل میں، ایجنٹ “Le Chat Noir” کو یاد کر کے وہاں نئی ریزرویشن کرنے کی پیشکش کر سکتا ہے۔
ساختہ RAG (ریٹریول آگمینٹڈ جنریشن)
جبکہ RAG ایک وسیع تر 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، ساختی معلومات نکالتا ہے اور جوابوں کی درستگی، بازیافت، اور تیزی کو بہتر بنانے کے لیے استعمال کرتا ہے۔ کلاسک RAG جو صرف معنوی مماثلت پر منحصر ہوتا ہے، اس کے برعکس ساختہ RAG معلومات کی موجودہ ساخت کے ساتھ کام کرتا ہے۔
ساختہ RAG کی مثال
صرف کلیدی الفاظ سے میل کرنے کی بجائے، ساختہ RAG ای میل سے پرواز کی تفصیلات (منزل، تاریخ، وقت، ایئر لائن) نکال کر انھیں ساختی انداز میں ذخیرہ کر سکتا ہے۔ یہ درست سوالات کی اجازت دیتا ہے جیسے “میں نے منگل کو پیرس کے لیے کون سی فلائٹ بک کی تھی؟”
میموری کا نفاذ اور ذخیرہ
AI ایجنٹس کے لیے میموری کا نفاذ ایک منظم عمل پر مشتمل ہے جسے میموری مینجمنٹ کہتے ہیں، جس میں معلومات کا پیدا کرنا، ذخیرہ کرنا، بازیافت کرنا، انضمام کرنا، اپ ڈیٹ کرنا، اور حتیٰ کہ “بھولنا” (یا حذف کرنا) شامل ہے۔ بازیافت خاص طور پر اہم ہے۔
مخصوص میموری ٹولز
Mem0
ایجنٹ میموری کو ذخیرہ اور منظم کرنے کا ایک طریقہ خصوصی ٹولز جیسے Mem0 کا استعمال ہے۔ Mem0 ایک مستقل میموری پرت کے طور پر کام کرتا ہے، جس سے ایجنٹ اہم تعاملات کو یاد رکھ سکتے ہیں، صارف کی پسند اور حقائق کا سیاق و سباق ذخیرہ کر سکتے ہیں، اور وقت کے ساتھ کامیابیوں اور ناکامیوں سے سیکھ سکتے ہیں۔ یہاں خیال یہ ہے کہ بغیر ریاست کے ایجنٹس ریاستی بن جاتے ہیں۔
یہ دو مرحلہ میموری پائپ لائن: نکالنا اور اپ ڈیٹ کے ذریعے کام کرتا ہے۔ پہلے، ایجنٹ کے تھریڈ میں شامل پیغامات Mem0 سروس کو بھیجے جاتے ہیں، جو ایک بڑا زبان ماڈل (LLM) استعمال کرکے گفتگو کی تاریخ کا خلاصہ بناتا ہے اور نئی میموریز نکالتا ہے۔ بعد میں، ایک LLM کی مدد سے اپ ڈیٹ فیز یہ طے کرتی ہے کہ ان میموریز کو شامل کرنا ہے، ترمیم کرنا ہے، یا حذف کرنا ہے، اور انہیں ایک ہائبریڈ ڈیٹا اسٹور میں ذخیرہ کیا جاتا ہے جس میں ویکٹر، گراف، اور کی-ویلیو ڈیٹا بیس شامل ہو سکتے ہیں۔ یہ نظام مختلف میموری کی اقسام کو بھی سپورٹ کرتا ہے اور ہستیوں کے بیچ تعلقات کے انتظام کے لیے گراف میموری کو شامل کر سکتا ہے۔
Cognee
ایک اور طاقتور طریقہ Cognee کا استعمال ہے، جو AI ایجنٹس کے لیے ایک اوپن سورس معنوی میموری ہے جو ساختی اور غیر ساختی ڈیٹا کو سوال کے قابل نالج گرافز میں تبدیل کرتا ہے جن کی اساس ایمبیڈنگز پر ہوتی ہے۔ Cognee ایک دوہری اسٹور فن تعمیر فراہم کرتا ہے جو ویکٹر مماثلت تلاش کو گراف تعلقات کے ساتھ ملا دیتا ہے، جس سے ایجنٹس کو نہ صرف یہ سمجھنے میں مدد ملتی ہے کہ معلومات کس طرح مشابہت رکھتی ہے، بلکہ یہ بھی کہ تصورات ایک دوسرے سے کیسے جڑے ہوئے ہیں۔
یہ ہیبریڈ بازیافت میں مہارت رکھتا ہے جو ویکٹر مماثلت، گراف کی ساخت، اور LLM استدلال کو مکس کرتا ہے - خام چنکس کی تلاش سے لے کر گراف-واقف سوال و جواب تک۔ نظام ایک زندہ میموری برقرار رکھتا ہے جو ترقی کرتا ہے اور بڑھتا ہے جبکہ ایک مربوط گراف کے طور پر سوال کے قابل رہتا ہے، مختصر مدت کے سیشن سیاق و سباق اور طویل مدتی مستقل میموری دونوں کی حمایت کرتا ہے۔
Cognee نوٹ بک ٹیوٹوریل (13-agent-memory-cognee.ipynb) اس متحدہ میموری پرت کی تعمیر کو ظاہر کرتا ہے، مختلف ڈیٹا ذرائع کو شامل کرنے، نالج گراف کی بصری نمائندگی، اور مختلف ایجنٹ کی ضروریات کے مطابق مختلف تلاش کی حکمت عملیوں کے ساتھ سوالات کرنے کی عملی مثالوں کے ساتھ۔
RAG کے ساتھ میموری ذخیرہ کرنا
Mem0 جیسے مخصوص میموری ٹولز کے علاوہ، آپ مضبوط تلاش خدمات جیسے Azure AI Search کو میموری ذخیرہ کرنے اور بازیافت کرنے کے پس منظر کے طور پر استعمال کر سکتے ہیں، خاص طور پر ساختہ RAG کے لیے۔
یہ آپ کو اپنے ایجنٹ کے جوابات کو آپ کے اپنے ڈیٹا کے ساتھ زمین پر قائم کرنے کی اجازت دیتا ہے، جس سے زیادہ متعلقہ اور درست جوابات یقینی بنتے ہیں۔ Azure AI Search صارف کی مخصوص سفری میموری، پروڈکٹ کیٹلاگز، یا کسی اور مخصوص علمی شعبے کے لیے استعمال کیا جا سکتا ہے۔
Azure AI Search ایسی صلاحیتوں کی حمایت کرتا ہے جیسے Structured RAG، جو بات چیت کی تاریخ، ای میلز، یا حتیٰ کہ تصاویر جیسے بڑے ڈیٹا سیٹس سے گہری، ساختی معلومات نکالنے اور بازیافت کرنے میں ماہر ہے۔ یہ روایتی ٹیکسٹ چنکس اور ایمبیڈنگ طریقوں کے مقابلے میں “انسان سے زیادہ درستگی اور بازیافت” فراہم کرتا ہے۔
AI ایجنٹس کو خود بہتر بنانے والا بنانا
خود کو بہتر بنانے والے ایجنٹس کے لیے ایک عام نمونہ ہے ایک “نالج ایجنٹ” متعارف کروانا۔ یہ الگ ایجنٹ صارف اور بنیادی ایجنٹ کے درمیان مرکزی گفتگو کا مشاہدہ کرتا ہے۔ اس کا کردار یہ ہے کہ:
-
قیمتی معلومات کی شناخت کرنا: فیصلہ کرنا کہ گفتگو کا کون سا حصہ بطور عمومی علم یا مخصوص صارف کی ترجیح کے طور پر محفوظ کرنا قابل ہے۔
-
نکالنا اور خلاصہ کرنا: گفتگو سے اہم سیکھنے یا ترجیح کو نچوڑنا۔
-
علم کے ذخیرے میں ذخیرہ کرنا: نکالی گئی معلومات کو مستقل رکھنا، عام طور پر ویکٹر ڈیٹا بیس میں، تاکہ بعد میں بازیافت کیا جا سکے۔
-
مستقبل کے سوالات کو بڑھانا: جب صارف نیا سوال شروع کرتا ہے، تو نالج ایجنٹ متعلقہ محفوظ شدہ معلومات بازیافت کرتا ہے اور اسے صارف کے پرامٹ میں شامل کر دیتا ہے، جو بنیادی ایجنٹ کو اہم سیاق و سباق فراہم کرتا ہے (RAG کی طرح)۔
میموری کے لیے اصلاحات
• لیٹنسی مینجمنٹ: صارف کے تعاملات کو سست کیے بغیر، ابتدائی طور پر ایک سستا اور تیز ماڈل استعمال کیا جا سکتا ہے تاکہ تیزی سے چیک کیا جا سکے کہ معلومات ذخیرہ یا بازیافت کے لیے قیمتی ہے یا نہیں، اور صرف ضرورت پڑنے پر پیچیدہ نکالنے/بازیافت کے عمل کو متحرک کیا جائے۔
• علم کے ذخیرے کی دیکھ بھال: بڑھتے ہوئے علم کے ذخیرے کے لیے، کم استعمال ہونے والی معلومات کو لاگتوں کے انتظام کے لیے “کولڈ اسٹوریج” میں منتقل کیا جا سکتا ہے۔
ایجنٹ میموری کے بارے میں مزید سوالات ہیں؟
دوسرے سیکھنے والوں سے ملنے، دفتر کے اوقات میں شرکت کرنے، اور اپنے AI ایجنٹس کے سوالات کے جواب حاصل کرنے کے لیے Microsoft Foundry Discord میں شامل ہوں۔
پچھلا سبق
AI ایجنٹس کے لیے سیاق و سباق کی انجینئرنگ
اگلا سبق
مائیکروسافٹ ایجنٹ فریم ورک کا جائزہ
ڈس کلیمر: یہ دستاویز AI ترجمہ سروس Co-op Translator کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس 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 کی ذمہ داری ہم قبول نہیں کرتے۔