ai-agents-for-beginners
اے آئی ایجنٹس کے لیے میموری
جب اے آئی ایجنٹس بنانے کے منفرد فوائد پر بات کی جاتی ہے، تو دو چیزیں خاص طور پر زیر بحث آتی ہیں: کام مکمل کرنے کے لیے ٹولز کو کال کرنے کی صلاحیت اور وقت کے ساتھ بہتر ہونے کی صلاحیت۔ میموری خود کو بہتر بنانے والے ایجنٹ کی بنیاد ہے جو ہمارے صارفین کے لیے بہتر تجربات تخلیق کر سکتا ہے۔
اس سبق میں، ہم دیکھیں گے کہ اے آئی ایجنٹس کے لیے میموری کیا ہے اور ہم اسے اپنے ایپلیکیشنز کے فائدے کے لیے کس طرح مینج اور استعمال کر سکتے ہیں۔
تعارف
یہ سبق مندرجہ ذیل موضوعات پر مشتمل ہوگا:
• اے آئی ایجنٹ میموری کو سمجھنا: میموری کیا ہے اور ایجنٹس کے لیے یہ کیوں ضروری ہے۔
• میموری کا نفاذ اور ذخیرہ کرنا: اپنے اے آئی ایجنٹس میں میموری کی صلاحیتیں شامل کرنے کے عملی طریقے، خاص طور پر قلیل مدتی اور طویل مدتی میموری پر توجہ۔
• اے آئی ایجنٹس کو خود کو بہتر بنانے والا بنانا: میموری ایجنٹس کو ماضی کی بات چیت سے سیکھنے اور وقت کے ساتھ بہتر ہونے کے قابل کیسے بناتی ہے۔
دستیاب نفاذات
یہ سبق دو جامع نوٹ بک ٹیوٹوریلز پر مشتمل ہے:
• 13-agent-memory.ipynb: میموری کو Mem0 اور Azure AI Search کے ذریعے Microsoft Agent Framework کے ساتھ نافذ کرتا ہے
• 13-agent-memory-cognee.ipynb: Cognee کے ذریعے ساختی میموری کو نافذ کرتا ہے، جو ایمبیڈنگز سے بیک کی گئی نالج گراف خودکار طریقے سے بناتا ہے، گراف کو دکھاتا ہے، اور ذہین بازیافت کرتا ہے
تعلیمی مقاصد
اس سبق کو مکمل کرنے کے بعد، آپ جانیں گے کہ کیسے:
• مختلف قسم کی اے آئی ایجنٹ میموری میں فرق کرنا، جن میں ورکنگ، قلیل مدتی، اور طویل مدتی میموری شامل ہیں، نیز خاص اقسام جیسے پرسانہ اور ایپسوڈک میموری۔
• Aے آئی ایجنٹس کے لیے قلیل مدتی اور طویل مدتی میموری کو نافذ اور منظم کرنا، Microsoft Agent Framework کا استعمال کرتے ہوئے، Mem0، Cognee، وائٹ بورڈ میموری جیسے ٹولز کو بروئے کار لاتے ہوئے اور Azure AI Search کے ساتھ انضمام۔
• خود کو بہتر بنانے والے اے آئی ایجنٹس کے اصول کو سمجھنا اور کس طرح مضبوط میموری مینجمنٹ نظام مسلسل سیکھنے اور تطابق میں مددگار ہوتے ہیں۔
اے آئی ایجنٹ میموری کو سمجھنا
اپنی اساس پر، اے آئی ایجنٹس کے لیے میموری ان میکانزمز کو کہتے ہیں جو انہیں معلومات کو محفوظ کرنے اور یاد کرنے کی اجازت دیتے ہیں۔ یہ معلومات کوئی مخصوص تفصیلات ہو سکتی ہیں، جیسے گفتگو کے بارے میں، صارف کی ترجیحات، ماضی کے اقدامات، یا سیکھے گئے پیٹرنز۔
بغیر میموری کے، اے آئی ایپلیکیشنز اکثر بے ریاست (stateless) ہوتی ہیں، یعنی ہر تعامل نیا آغاز ہوتا ہے۔ اس سے بار بار اور مایوس کن صارف کا تجربہ پیدا ہوتا ہے جہاں ایجنٹ پچھلے سیاق و سباق یا ترجیحات کو “بھول” جاتا ہے۔
میموری کیوں ضروری 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:
• غور و فکر کرنے والا: ماضی کے اقدامات اور نتائج سے سیکھنا۔
• انٹرایکٹو: ایک جاری گفتگو کے دوران سیاق و سباق کو برقرار رکھنا۔
• پیش قدم اور ردعمل دینے والا: ضروریات کا اندازہ لگانا یا تاریخی ڈیٹا کی بنیاد پر مناسب ردعمل دینا۔
• خود مختار: محفوظ شدہ علم کی بنیاد پر زیادہ آزادانہ کام کرنا۔
میموری کو نافذ کرنے کا مقصد ایجنٹس کو زیادہ قابل اعتماد اور قابل بنانا ہے۔
میموری کی اقسام
ورکنگ میموری
اسے اسکرینچ پیپر سمجھیں جو ایجنٹ ایک ہی جاری کام یا سوچ کے عمل کے دوران استعمال کرتا ہے۔ یہ فوری معلومات کو رکھتی ہے جو اگلے قدم کے حساب کے لیے ضروری ہوتی ہے۔
اے آئی ایجنٹس کے لیے، ورکنگ میموری اکثر گفتگو سے سب سے متعلقہ معلومات کو ضبط کرتی ہے، چاہے مکمل چیٹ ہسٹری لمبی یا مختصر ہو۔ یہ کلیدی عناصر جیسے ضروریات، تجاویز، فیصلے، اور اقدامات کو نکالنے پر توجہ دیتی ہے۔
ورکنگ میموری کی مثال
ایک سفر بکنگ ایجنٹ میں، ورکنگ میموری صارف کی موجودہ درخواست کو قابو میں رکھ سکتی ہے، جیسے “میں پیرس کا 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۔
قلیل مدتی میموری
یہ میموری معلومات کو ایک ہی گفتگو یا سیشن کے دوران محفوظ رکھتی ہے۔ یہ موجودہ چیٹ کا سیاق و سباق ہوتا ہے، جو ایجنٹ کو مکالمے کے پچھلے حصوں کا حوالہ دینے کی اجازت دیتا ہے۔
Microsoft Agent Framework پائتھون SDK کے نمونوں میں، یہ AgentSession سے منسلک ہے، جو agent.create_session() کے ذریعے پیدا ہوتا ہے۔ سیشن فریم ورک کی تعمیری قلیل مدتی میموری ہے: یہ بات چیت کا سیاق و سباق دستیاب رکھتا ہے جب بھی وہی سیشن دوبارہ استعمال ہوتا ہے، لیکن جب سیشن ختم ہوتا ہے یا ایپلیکیشن ری اسٹارٹ ہوتی ہے، یہ سیاق و سباق محفوظ نہیں رہتا۔ طویل مدتی حقائق اور ترجیحات کے لیے میموری استعمال کریں جو سیشنز کے درمیان برقرار رہنا ضروری ہوں، عام طور پر ڈیٹا بیس، ویکٹر انڈیکس، یا کسی اور مستقل ذخیرہ کے ذریعے۔
قلیل مدتی میموری کی مثال
اگر کوئی صارف پوچھتا ہے، “پیرس کے لیے فلائٹ کی قیمت کتنی ہوگی؟” اور پھر پوچھتا ہے، “وہاں قیام کا کیا حال ہے؟”، قلیل مدتی میموری یہ یقینی بناتی ہے کہ ایجنٹ جانتا ہے کہ “وہاں” کا مطلب اسی گفتگو کے اندر “پیرس” ہے۔
طویل مدتی میموری
یہ ایسی معلومات ہے جو متعدد بات چیت یا سیشنز کے دوران برقرار رہتی ہے۔ یہ ایجنٹس کو صارف کی ترجیحات، تاریخی بات چیت، یا عمومی علم یاد رکھنے کی اجازت دیتی ہے، جو شخصی بنانے کے لیے اہم ہے۔
طویل مدتی میموری کی مثال
طویل مدتی میموری یہ محفوظ کر سکتی ہے کہ “بین کو اسکیئنگ اور باہر کی سرگرمیاں پسند ہیں، وہ پہاڑ کے منظر کے ساتھ کافی پسند کرتا ہے، اور گزشتہ چوٹ کی وجہ سے اعلیٰ درجے کے اسکی راستوں سے گریز چاہتا ہے”۔ یہ معلومات، جو ماضی کی بات چیت سے سیکھی گئی ہے، مستقبل کے سفر کی منصوبہ بندی میں سفارشات کو ذاتی نوعیت کی بناتی ہے۔
پرسانہ میموری
یہ خصوصی میموری قسم ایجنٹ کو مستقل “شخصیت” یا “پرسونا” تیار کرنے میں مدد دیتی ہے۔ یہ ایجنٹ کو اپنے یا اپنے متعین کردہ کردار کے بارے میں تفصیلات یاد رکھنے کی اجازت دیتی ہے، جس سے بات چیت زیادہ روان اور مرکوز ہوتی ہے۔
پرسانہ میموری کی مثال
اگر سفر کا ایجنٹ “ماہر اسکی منصوبہ ساز” کے طور پر ڈیزائن کیا گیا ہو، تو پرسانہ میموری اس کردار کو مضبوط کر سکتی ہے، جو اس کے جوابات کو ماہر کے لہجے اور علم کے مطابق بناتی ہے۔
ورک فلو/ایپسوڈک میموری
یہ میموری اس عمل کے مراحل کو ذخیرہ کرتی ہے جو ایجنٹ نے کسی پیچیدہ کام کے دوران پورے کیے، جس میں کامیابیاں اور ناکامیاں شامل ہیں۔ یہ مخصوص “قسطوں” یا ماضی کے تجربات کو یاد رکھنے کی مانند ہے تاکہ ان سے سیکھا جا سکے۔
ایپسوڈک میموری کی مثال
اگر ایجنٹ نے کسی مخصوص فلائٹ کی بکنگ کی کوشش کی لیکن اسے عدم دستیابی کی وجہ سے ناکامی ہوئی، ایپسوڈک میموری اس ناکامی کو ریکارڈ کر سکتی ہے، جس سے ایجنٹ متبادل فلائٹس آزما سکتا ہے یا بعد کی کوشش میں صارف کو بہتر انداز میں مسئلہ بتا سکتا ہے۔
اینٹیٹی میموری
یہ بات چیت سے مخصوص اکائیوں (جیسے لوگ، جگہیں، یا اشیاء) اور واقعات کو نکالنے اور یاد کرنے کا عمل ہے۔ یہ ایجنٹ کو کلیدی عناصر کے بارے میں منظم فہم بنانے کی اجازت دیتا ہے۔
اینٹیٹی میموری کی مثال
گزشتہ سفر کے بارے میں بات چیت سے، ایجنٹ “پیرس”، “ایفل ٹاور”، اور “Le Chat Noir ریسٹورنٹ میں رات کا کھانا” جیسے اکائیاں نکال سکتا ہے۔ مستقبل کی بات چیت میں، ایجنٹ “Le Chat Noir” کو یاد کر کے وہاں نئی ریزرویشن کرنے کی پیشکش کر سکتا ہے۔
ساختی RAG (ریٹریول آگمینٹڈ جنریشن)
اگرچہ RAG ایک وسیع تکنیک ہے، “ساختی RAG” ایک طاقتور میموری ٹیکنالوجی کے طور پر نمایاں ہے۔ یہ مختلف ذرائع (گفتگو، ای میلز، تصاویر) سے کثیف، ساختی معلومات نکالتی ہے اور جوابوں میں درستگی، یادداشت، اور رفتار کو بڑھاتی ہے۔ کلاسیکی RAG جو صرف معنوی مماثلت پر منحصر ہے کے برعکس، ساختی RAG معلومات کی اندرونی ساخت کے ساتھ کام کرتی ہے۔
ساختی RAG کی مثال
بس کلیدی الفاظ میچ کرنے کی بجائے، ساختی RAG ای میل سے فلائٹ کی تفصیلات (منزل، تاریخ، وقت، ایئر لائن) نکال سکتی ہے اور انہیں منظم انداز میں ذخیرہ کر سکتی ہے۔ یہ بالکل مخصوص سوالات کی اجازت دیتا ہے جیسے “میں نے منگل کو پیرس کے لیے کون سی فلائٹ بک کی؟”
میموری کا نفاذ اور ذخیرہ
اے آئی ایجنٹس کے لیے میموری کا نفاذ ایک منظم عمل ہے جسے میموری مینجمنٹ کہتے ہیں، جس میں معلومات کی پیداوار، ذخیرہ، بازیافت، انضمام، اپڈیٹ، اور یہاں تک کہ “بھولنا” (یا حذف کرنا) شامل ہے۔ بازیافت ایک خاص طور پر اہم پہلو ہے۔
خصوصیت والے میموری ٹولز
Mem0
ایجنٹ کی میموری کو ذخیرہ کرنے اور منظم کرنے کا ایک طریقہ خاص ٹولز جیسے Mem0 کا استعمال ہے۔ Mem0 ایک مستقل 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۔ یہاں تصور یہ ہے کہ بے ریاست ایجنٹس ریاستی بن جاتے ہیں۔
یہ دو مرحلوں پر مشتمل میموری پائپ لائن: استخراج اور اپ ڈیٹ کے ذریعے کام کرتا ہے۔ سب سے پہلے، ایجنٹ کے تھریڈ میں شامل کیے گئے پیغامات کو Mem0 سروس کو بھیجا جاتا ہے، جو ایک بڑا زبان ماڈل (LLM) استعمال کر کے گفتگو کی تاریخ کا خلاصہ بناتا ہے اور نئی یادوں کو نکالتا ہے۔ بعد میں، ایک LLM چلائی جانے والی اپ ڈیٹ مرحلہ یہ فیصلہ کرتی ہے کہ آیا ان یادوں کو شامل، ترمیم، یا حذف کرنا ہے، اور انہیں ایک ہائبرڈ ڈیٹا اسٹور میں محفوظ کرتی ہے جو ویکٹر، گراف، اور کی-ویلیو ڈیٹا بیس شامل ہو سکتا ہے۔ یہ نظام مختلف قسم کی میموری کی حمایت کرتا ہے اور موجودات کے مابین رشتوں کو منظم کرنے کے لیے گراف میموری کو بھی شامل کر سکتا ہے۔
Cognee
ایک اور طاقتور طریقہ کار Cognee کا استعمال ہے، جو AI ایجنٹس کے لیے اوپن سورس معنوی میموری ہے جو ساختی اور غیر ساختی ڈیٹا کو ایمبیڈنگز کے ذریعے معاونت یافتہ قابل تلاش نالج گرافز میں تبدیل کرتا ہے۔ Cognee دوہری ذخیرہ کا فن تعمیر مہیا کرتا ہے جو ویکٹر مماثلت تلاش کو گراف رشتوں کے ساتھ ملاتا ہے، جس سے ایجنٹس کو صرف معلومات کی مماثلت ہی نہیں بلکہ تصورات کے آپس میں رشتے کو بھی سمجھنے کی صلاحیت ملتی ہے۔
یہ ہائبرڈ بازیافت میں مہارت رکھتا ہے جو ویکٹر مماثلت، گراف کی ساخت، اور LLM استدلال کو یکجا کرتا ہے - خام چنکس کی تلاش سے لے کر گراف-واقف سوال جواب تک۔ نظام جینے والی میموری کو برقرار رکھتا ہے جو ترقی کرتی ہے اور بڑھتی ہے جبکہ ایک مربوط گراف کے طور پر قابل تلاش رہتی ہے، قلیل مدتی سیشن 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 کا مظاہرہ کرتا ہے، متنوع ڈیٹا ذرائع کو شامل کرنے، نالج گراف کو دکھانے، اور مخصوص ایجنٹ کی ضروریات کے لیے مختلف تلاش کی حکمت عملیوں کے ساتھ سوالات کرنے کی عملی مثالوں کے ساتھ۔
RAG کے ساتھ میموری ذخیرہ کرنا
Mem0 جیسے خصوصی میموری ٹولز کے علاوہ، آپ مضبوط تلاش خدمات جیسے Azure AI Search کو میموری ذخیرہ کرنے اور بازیافت کے لیے بیک اینڈ کے طور پر استعمال کر سکتے ہیں، خاص طور پر ساختی RAG کے لیے۔
یہ آپ کو ایجنٹ کے جوابات کو 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 یادیں، پروڈکٹ کیٹلاگز، یا کوئی اور مخصوص دائرہ کار کی معلومات ذخیرہ کرنے کے لیے استعمال کیا جا سکتا ہے۔
Azure AI Search جسی سہولیات فراہم کرتا ہے جیسے ساختی RAG، جو بڑے ڈیٹا سیٹس جیسے گفتگو کی تاریخ، ای میلز، یا حتیٰ کہ تصاویر سے گہری، ساختی معلومات نکالنے اور بازیافت کرنے میں مہارت رکھتا ہے۔ یہ روایتی ٹیکسٹ چنکس اور ایمبیڈنگ طریقوں کے مقابلے میں “بہت اعلیٰ درستگی اور یادداشت” مہیا کرتا ہے۔
اے آئی ایجنٹس کو خود بہتر بنانا
خود کو بہتر بنانے والے ایجنٹس کے لیے ایک عام پیٹرن “علمی ایجنٹ” متعارف کرانا ہوتا ہے۔ یہ الگ ایجنٹ صارف اور مرکزی ایجنٹ کے درمیان موجودہ بات چیت کا مشاہدہ کرتا ہے۔ اس کا کام یہ ہے کہ:
-
قیمتی معلومات کی نشاندہی کرنا: یہ فیصلہ کرنا کہ بات چیت کا کوئی حصہ عمومی علم یا مخصوص صارف کی ترجیح کے طور پر محفوظ کرنے کے قابل ہے۔
-
استخراج اور خلاصہ سازی: گفتگو سے ضروری سیکھنے یا ترجیح کا خلاصہ نکالنا۔
-
علمی بنیاد میں ذخیرہ کرنا: اس نکالی گئی معلومات کو اکثر ویکٹر ڈیٹا بیس میں محفوظ کرنا تاکہ بعد میں اسے بازیافت کیا جا سکے۔
-
مستقبل کے سوالات کو بڑھانا: جب صارف نیا سوال شروع کرتا ہے، تو علمی ایجنٹ متعلقہ ذخیرہ شدہ معلومات کو بازیافت کر کے صارف کے پرامپٹ کے ساتھ جوڑتا ہے، تاکہ مرکزی ایجنٹ کو اہم سیاق و سباق فراہم کیا جا سکے (جیسا کہ RAG میں ہوتا ہے)۔
میموری کے لیے اصلاحات
• لیٹنسی مینجمنٹ: صارف کی تعاملات کو سست کرنے سے بچنے کے لیے، ابتدائی طور پر ایک سستا اور تیز ماڈل استعمال کیا جا سکتا ہے تاکہ جلدی فیصلہ کیا جا سکے کہ معلومات ذخیرہ کرنے یا بازیافت کے قابل ہے یا نہیں، اور صرف ضرورت پڑنے پر پیچیدہ استخراج/بازیافت عمل کو کال کیا جائے۔
• علمی بنیاد کی دیکھ بھال: بڑھتی ہوئی علمی بنیاد کے لیے، کم استعمال ہونے والی معلومات کو “کولڈ اسٹوریج” میں منتقل کیا جا سکتا ہے تاکہ لاگت کو کنٹرول کیا جا سکے۔
اے آئی ایجنٹ میموری کے بارے میں مزید سوالات ہیں؟
دیگر سیکھنے والوں سے ملیں، آفس آورز میں شرکت کریں، اور اپنے اے آئی ایجنٹ کے سوالات کے جواب حاصل کرنے کے لیے Microsoft Foundry Discord میں شامل ہوں۔
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۔