AI ஏஜென்டுகளை உருவாக்குவதன் தனிச்சிறப்புகளைக் குறித்து பேசும்போது, இரண்டு விஷயங்கள் முதன்மையாக பேசப்படுகின்றன: பணிகளை முடிக்க கருவிகளை அழைக்கும் திறன் மற்றும் காலத்திற்குட்பட்ட மேம்படுவதற்கான திறன். நினைவகம் என்பது பயனர்களுக்கான சிறந்த அனுபவங்களை உருவாக்கக்கூடிய சுய-முன்னேற்றமடையும் ஏஜென்டுகளை உருவாக்குவதின் அடித்தளமாகும்.
இந்த பாடத்தில், AI ஏஜென்டுகளுக்கான நினைவகம் என்ன என்பதையும் அதை எவ்வாறு நிர்வகித்து, எங்கள் பயன்பாடுகளின் நன்மைக்காக அதை எவ்வாறு பயன்படுத்தலாம் என்பதையும் பார்க்கப் போகிறோம்.
இந்த பாடம் கற்பிக்கும் விஷயங்கள்:
• Understanding AI Agent Memory: நினைவகம் என்றால் என்ன மற்றும் ஏஜென்ட்களுக்கு அது ஏன் அவசியம் என்பதற்கான விளக்கம்.
• Implementing and Storing Memory: உங்கள் AI ஏஜென்டுகளுக்கு நினைவக திறன்களைச் சேர்க்கும் நடைமுறைகள், குறுகிய கால மற்றும் நீண்ட கால நினைவகத்தை கவனத்தில்-taking செய்கின்றன.
• Making AI Agents Self-Improving: நினைவகம் எப்படி ஏஜென்ட்கள் கடந்த இடையிலான தொடர்புகளைப் படித்து காலத்திற்குட்பட்ட மேம்பாட்டை ஏற்படுத்த உதவுகிறது.
இந்த பாடத்தில் இரண்டு விரிவான நோட்புக் பயிற்சிகளைக் கொண்டுள்ளது:
• 13-agent-memory.ipynb: Mem0 மற்றும் Azure AI Search ஐ Semantic Kernel framework உடன் பயன்படுத்தி நினைவகத்தை அமல்படுத்துகிறது
• 13-agent-memory-cognee.ipynb: Cognee பயன்படுத்தி கட்டமைப்பு வாய்ந்த நினைவகத்தை அமல்படுத்து, embeddings ஆதாரமான அறிவு கிராப் தானாக உருவாக்கப்படுகிறது, கிராப் காண்பித்தல் மற்றும் நுண்ணறிவு மீட்டெடுப்பை அடங்களுடன் செய்கிறது
இந்த பாடத்தை முடித்த பின்னர், நீங்கள் எப்படி செய்யacağını அறிந்திருப்பீர்கள்:
• AI ஏஜென்ட் நினைவகத்தின் பல்வேறு வகைகளை வேறுபடுத்துவது: வேலை நினைவகம், குறுகிய கால நினைவகம், நீண்ட கால நினைவகம் மற்றும் persona மற்றும் episodic போன்ற சிறப்பு வடிவங்களை உள்ளடக்கியவையாக உள்ளவை எப்படி வேறுபடுகின்றன என்பதைக் கண்டறிதல்.
• Semantic Kernel framework பயன்படுத்தி AI ஏஜென்ட்களுக்கு குறுகிய கால மற்றும் நீண்ட கால நினைவகத்தை அமல்படுத்தி நிர்வகிப்பது: Mem0, Cognee, Whiteboard memory போன்ற கருவிகளை பயன்படுத்து, Azure AI Search உடன் ஒருங்கிணைப்பது.
• சுய-முன்னேற்றமடையும் AI ஏஜென்ட்களின் அடிப்படைக் கொள்கைகளை புரிந்து கொள்வது மற்றும் வலுவான நினைவக நிர்வாக அமைப்புகள் தொடர்ச்சியான கற்றல் மற்றும் சூழலுக்கு ஏற்ப பழகுதல் என்பதை எவ்வாறு உதவுகின்றன என்பதைக் கற்றுக் கொள்வது.
அதன் மூலத்திலேயே, AI ஏஜென்டுகளுக்கான நினைவகம் என்பது அவர்களுக்கு தகவலை வைத்திருக்கவும் மீட்டெடுக்கவும் அனுமதிக்கும் யந்திரணைகள் என்பதைக் குறிக்கிறது. இந்த தகவல் ஒரு உரையாடலின் குறிப்பிட்ட விவரங்களை, பயனர் விருப்பங்களை, கடந்த செயல்களை அல்லது אפילו கற்றுக்கொண்ட மாதிரிகள் ஆகியவற்றாக இருக்கலாம்.
நினைவகம் இல்லாமல், AI பயன்பாடுகள் பெரும்பாலும் நிலையற்றவையாக இருக்கும்; ஒவ்வொரு தொடர்பும் தூரத்திலிருந்து ஆரம்பமானபடி கருதப்படுகிறது. இது ஏஜென்ட் முன்பு இருந்த சூழல் அல்லது விருப்பங்களை "மறந்துவிடும்" முறையில் 반복மான மற்றும் கடுமையான பயனர் அனுபவத்திற்குக் காரணமாகிறது.
ஒரு ஏஜென்டின் நுண்ணறிவு அதன் கடந்த தகவலை மீட்டெடுத்து பயன்படுத்து கொள்ளும் திறனுடன் வலுவாக தொடர்புடையது. நினைவகம் ஏஜென்ட்களுக்கு கீழ்க்கண்டவற்றை செய்ய உதவுகிறது:
• உறுதிசெய்தல்: கடந்த செயல்கள் மற்றும் முடிவுகளில் இருந்து கற்றுக்கொள்வது.
• மெய்யுரையாடல்: தொடர்ச்சியான உரையாடல் முழுவதும் சூழலை பராமரிப்பது.
• முன்னறிவு மற்றும் செயல்முறை எதிர்வினை: வரலாறான தரவின் அடிப்படையில் தேவைகளை எதிர்பார்த்து அல்லது பொருத்தமான முறையில் மறுவினை கொடுப்பது.
• சுயாதீன செயல்பாடு: சேமிக்கப்பட்ட அறிவைப் பயன்படுத்தி அதிக தன்னிரைக் கொண்ட செயல்பாடுகள்.
நினைவகத்தை அமல்படுத்துவதன் நோக்கம் ஏஜென்டுகளை மேலும் நம்பகத்தன்மையுடனும் திறனுடனும் வைத்திருப்பதாகும்.
இதை ஒரு ஏஜென்டு ஒரே தொடர்ச்சியான பணிநிகழ்ச்சிக்கோ அல்லது சிந்தனைக் கோரிக்கைக்கோ பயன்படுத்தும் ஒரு ஸ்கிராட்ச் பேப்பராக நினைக்கலாம். அடுத்த கட்டத்தை கணக்கிட தேவையான உடனடி தகவலை இது வைத்திருக்கும்.
AI ஏஜென்டுகளுக்காக, வேலை நினைவகம் பெரும்பாலும் ஒரு உரையாடலிலிருந்து மிகவும் தொடர்புடைய தகவல்களைப் பிடிக்கிறது, முழு சேட் வரலாறு நீளமோ குத்தகையாக்கப்பட்டதாக இருந்தாலும். இது தேவைகள், முன்மொழிவுகள், முடிவுகள் மற்றும் செயல்கள் போன்ற முக்கிய அம்சங்களை எடுக்க கவனம் செலுத்தும்.
வேலை நினைவக உதாரணம்
ஒரு பயணமொய்க்கும் ஏஜென்டில், வேலை நினைவகம் பயனர் தற்போதைய கோரிக்கையைப் பிடிக்கலாம், உதாரணமாக "I want to book a trip to Paris" என்று. இந்த குறிப்பிட்ட கோரிக்கை தற்போதைய தொடர்பை வழிகாட்டுவதற்காக ஏஜென்ட் உடனடியான சூழலில் வைக்கப்படும்.
இந்த வகை நினைவகம் ஒரு சுருக்கமான உரையாடல் அல்லது அமர்வு காலத்துக்கு தகவலை வைத்திருக்கும். இது தற்போதைய அரட்டையின் சூழலாகும், ஏஜென்டு உரையாடலின் முந்தைய மடக்குகளை மீண்டும் மேற்கொள்ள அனுமதிக்கிறது.
குறுகிய கால நினைவக உதாரணம்
ஒரு பயனர் "How much would a flight to Paris cost?" என்று கேட்டபிறகு "What about accommodation there?" என்று தொடர்ந்தால், குறுகிய கால நினைவகம் "there" என்பது அதே உரையாடலில் "Paris"ஐ குறிக்கிறது என்பதை ஏஜென்டுக்கு உறுதிசெய்யும்.
இது பல உரையாடல்கள் அல்லது அமர்வுகளுக்கு மேல் நீடிக்கும் தகவல். இது ஏஜென்டுகளுக்கு பயனர் விருப்பங்கள், வரலாற்று தொடர்புகள் அல்லது நீண்டகால பொதுவான அறிவை நினைவில் வைத்திருக்க அனுமதிக்கிறது. இது தனிப்பயனாக்கத்திற்கு முக்கியமானது.
நீண்ட கால நினைவக உதாரணம்
நீண்ட கால நினைவகத்தில் "Ben enjoys skiing and outdoor activities, likes coffee with a mountain view, and wants to avoid advanced ski slopes due to a past injury" போன்ற தகவல்கள் சேமிக்கப்படலாம். கடந்த தொடர்புகளிலிருந்து கற்றுக்கொள்ளப்பட்ட இந்த தகவல் எதிர்கால பயணத் திட்டமிடலில் பரிந்துரைகளை மிகவும் தனிப்பயனாக்கம் செய்ததாகவும் பாதிக்கக் கூடும்.
இந்த சிறப்பு நினைவகம் ஏஜென்டு ஒரு ஒழுங்குபடுத்தப்பட்ட "பயோகம்" அல்லது "பொலிச்" உருவாக்க உதவுகிறது. இது ஏஜென்டு தன்னுடைய தனித்துவத்தைக் குறித்து அல்லது அதன் நோக்கமான வேடத்தைக் குறித்து விவரங்களை நினைவில் வைத்திருக்கும், இதனால் உரையாடல்கள் சீரானவையாகவும் கவனம் செல்லும் வகையிலும் இருக்கும்.
persona நினைவக உதாரணம் பயண ஏஜென்ட் "expert ski planner" ஆக வடிவமைக்கப்பட்டிருக்கும் என்றால், persona நினைவகம் இந்த வேடத்தை வலுப்படுத்தலாம், அதன் பதில்கள் ஒரு வல்லுநரின் மொழி மற்றும் அறிவுடன் பொருந்தும்.
இந்த நினைவகம் ஒரு குறுக்கீட்டு பணியின் போது ஏஜென்ட் எடுத்த படிகளின் வரிசையை, வெற்றியும் தோல்விகளையும் சேமிக்கிறது. இது குறிப்பிட்ட "அத்தியாயங்கள்" அல்லது கடந்த அனுபவங்களை நினைவில் வைத்துக் கொள்ளுவது போலும் இருக்கும்.
Episodic நினைவக உதாரணம்
ஏஜென்ட் ஒரு குறிப்பிட்ட விமானத்தை முன்பதிவு முயன்றது ஆனால் கிடைக்காமையால் அது தோல்வியடைதானால், episodic நினைவகம் இந்த தோல்வியை பதிவு செய்து எஜென்டுக்கு மாற்று விமானங்களை முயற்சிக்கவோ அல்லது தொடர்ச்சி முயற்சியின் போது பயனர்களுக்கு மேம்பட்ட தகவலுடன் தெரிவிக்கவோ உதவலாம்.
இது உரையாடல்களிலிருந்து குறிப்பிட்ட அலகுகள் (பேர், இடங்கள், பொருட்கள்) மற்றும் நிகழ்வுகளை எடுத்தெடுத்து நினைவில் வைப்பதைக் குறிக்கிறது. இது ஏஜென்டுக்கு விவாதிக்கப்பட்ட முக்கிய கூறுகளை ஒரு கட்டமைக்கப்பட்ட புரிதலாக கட்டியெழுப்ப அனுமதிக்கும்.
Entity நினைவக உதாரணம்
ஒரு கடந்தப் பயணப் பற்றி உரையாடலில், ஏஜென்ட் "Paris," "Eiffel Tower," மற்றும் "dinner at Le Chat Noir restaurant" போன்றவற்றை அலகுகளாக எடுத்து இருக்கலாம். எதிர்கால தொடர்பில், ஏஜென்ட் "Le Chat Noir"ஐ நினைவில் கொண்டு அங்கு புதிய ரிசர்வேஷனை செய்ய உதவுவதாய் வழங்கலாம்.
RAG என்றால் பரவலாகப் பயன்படும் ஒரு தொழில்நுட்பம், ஆனால் "Structured RAG" என்பது சக்திவாய்ந்த நினைவக தொழில்நுட்பமாக சிறப்பிக்கப்படுகிறது. இது உரையாடல்கள், மின்னஞ்சல்கள், படங்கள் போன்ற பல்வேறு மூலங்களிலிருந்து அடர்த்தியான, கட்டமைக்கப்பட்ட தகவல்களை எடுத்தெடுத்து பதில்களின் துல்லியம், மீட்பு மற்றும் வேகத்தில் மேம்பாடு செய்ய பயன்படுத்தப்படுகிறது. பாரம்பரிய RAG which semantic similarity என்பதை மட்டும் சாராத விதத்தில், Structured RAG தகவலின் உள்ளமைவுடன் பணியாற்றுகிறது.
Structured RAG உதாரணம்
சொற்களை மட்டும் பொருத்துவதற்கு பதிலாக, Structured RAG மின்னஞ்சலிலிருந்து (இலக்கு, தேதி, நேரம், விமானம்) போன்ற பயண விவரங்களை பிரித்து அதை கட்டமைக்கப்பட்ட முறையில் சேமிக்கலாம். இது "Thursday அன்று நான் Parisக்கு எந்த விமானத்தை முன்பதிவு செய்தேன்?" போன்ற துல்லியமான விசாரணைகளைச் செய்யத் உதவும்.
AI ஏஜென்டுகளுக்கான நினைவகத்தை அமல்படுத்துவது என்பது ஒரு ஒழுங்குமுறை செயல்முறை — அதாவது நினைவக நிர்வாகம் — உருவாக்குதல், சேமித்தல், மீட்டெடுதல், ஒருங்கிணைத்தல், புதுப்பித்தல் மற்றும் கூடயும் "மறக்குதல்" (அல்லது முக்கியமானதை அழித்தல்) ஆகியவற்றை உள்ளடக்கியது. மீட்டெடுக்கல் என்பது குறிப்பாக முக்கியமான அம்சமாகும்.
ஏஜென்ட் நினைவகத்தைச் சேமித்து நிர்வகிப்பதற்கான ஒரு வழி Mem0 போன்ற சிறப்பு கருவிகளைப் பயன்படுத்துவது. Mem0 ஒரு நிலையான நினைவக அடர்த்தியாக செயல்பட்டு, ஏஜென்டுகள் தொடர்புடைய உரையாடல்களை மீட்டெடுக்கும், பயனர் விருப்பங்களையும் 사실த்தினச்சூழலையும் சேமிக்கும் மற்றும் வெற்றி/தோல்விகளிலிருந்து காலத்திற்குட்பட்ட கற்றலை உருவாக்கும். தத்துவம் என்னவென்றால் நிலையற்று இருக்கும் ஏஜென்டுகள் நிலைத்த நிலை கொண்டவைகளாக மாறவேண்டும்.
இது இரு-அடைப்புக் கூறுக்களான நினைவக குழாய்வழியை: சாராய்வு (extraction) மற்றும் புதுப்பிப்பு (update) மூலம் செயல்படுகிறது. முதலில், ஏஜென்டின் த்ரெட்டுக்குச் சேர்க்கப்படும் செய்திகள் Mem0 சேவைக்கு அனுப்பப்படுகின்றன, அங்கு ஒரு பெரிய மொழி மாதிரி (LLM) உரையாடல் வரலாற்றை சுருக்கி புதிய நினைவுகளை எடுத்தெடுக்க பயன்படுத்தப்படுகிறது. பின்னர், LLM-இல் இயக்கப்படும் புதுப்பிப்பு நிலை இந்த நினைவுகளைச் சேர்க்க, திருத்த அல்லது நீக்க வேண்டுமா என்பதை தீர்மானித்து, அவற்றை வெக்டர், கிராப் மற்றும் முக்கிய-மதிப்பு தரவுத்தளங்களை உள்ளடக்கிய அரை-இணைவு தரவுத்தளத்தில் சேமிக்கிறது. இந்த அமைப்பு பல நினைவக வகைகளையும் ஆதரிக்கிறது மற்றும் உள்ளக தொடர்புகளை நிர்வகிக்க கிராப் நினைவகத்தையும் உள்ளடக்கலாம்.
இன்னொரு சக்திவாய்ந்த அணுகுமுறை என்பது Cognee — இது திறனாய்வு மற்றும் கட்டமைக்கப்பட்ட/கட்டமைக்கப்படாத தரவுகளை embeddings ஆதாரமான கேள்வி வினவக்கூடிய அறிவுக் கிராப்களாக மாற்றும் திறன் கொண்ட ஓபன்-சோர்ஸ் செமாண்டிக் நினைவகமாகும். Cognee இரண்டு-ஸ்டோர் கட்டமைப்பை வழங்குகிறது, இது வெக்டர் இணைமையின் தேடலையும் கிராப் உறவுகளையும் இணைத்து, ஏஜென்ட்களுக்கு எந்த தகவல் ஒத்துப்போகிறது என்பதையே அல்லாமல் அவை எப்படி தொடர்பு கொண்டுள்ளன என்பதையும் புரிந்துகொள்ள உதவுகிறது.
இது வெக்டர் ஒத்திசைவு, கிராப் அமைப்பு மற்றும் LLM காரணீயத்தை இணைக்கும் ஹைப்ரிட் மீட்டெடுப்பில் சிறப்பாக செயல்படுகிறது — எளிய பகுதி தேடலிலிருந்து கிராப்-அறிந்த கேள்வி-பதில் செய்வதற்கு வரை. இந்த அமைப்பு கட்டமைக்கப்பட்டதாக இல்லாத துரித நினைவகத்தை தொடர்ந்து வளர்த்து ஒன்றாகப்பட்ட கிராப் ஆக வைக்கிறது, குறுகிய அமர்வு சூழல் மற்றும் நீண்டகால நிலைத்த நினைவகத்தை இரண்டையும் ஆதரிக்கிறது.
Cognee நோட்புக் பயிற்சி (13-agent-memory-cognee.ipynb) இந்த ஒருங்கிணைந்த நினைவக அடர்த்தியை உருவாக்குவதைக் காட்டுகிறது, பலவிதமான தரவுத் ஆதாரங்களை இறக்குமதி செய்வது, அறிவுக் கிராபை காண்பிப்பது மற்றும் ஏஜென்ட் தேவைகளுக்காக வித்தியாசமான தேடல் रणनीதிகளைப் பயன்படுத்தி வினாக்களை கேட்கும் நடைமுறைகளின் நுணுக்க உதாரணங்களுடன்.
Mem0 போன்ற சிறப்பு நினைவக கருவிகளுக்கு அப்பால், நீங்கள் நினைவுகளைச் சேமிக்க மற்றும் மீட்டெடுக்க ஒரு பயனுள்ள backend ஆக Azure AI Search போன்ற சக்திவாய்ந்த தேடல் சேவைகளைப் பயன்படுத்தலாம், குறிப்பாக கட்டமைக்கப்பட்ட Structured RAG க்காக.
இது உங்கள் ஏஜென்டின் பதில்களை உங்கள் சொந்த தரவோடு நிலைநிறுத்த அனுமதித்து, தொடர்புடைய மற்றும் துல்லியமான பதில்களை உறுதி செய்கிறது. Azure AI Search பயனர்-விசேஷமான பயண நினைவுகள், தயாரிப்பு கோட்டாக் அல்லது ஏதேனும் டொமைனுக்குரிய அறிவு ஆகியவற்றை சேமிக்க பயன்படலாம்.
Azure AI Search போன்றவை Structured RAG போன்ற திறன்களை ஆதரிக்கின்றன, இது உரையாடல் வரலாறுகள், மின்னஞ்சல்கள் அல்லது படங்கள் போன்ற பெரிய தரவுத்தொகுதிகளில் இருந்து அடர்த்தியான, கட்டமைக்கப்பட்ட தகவல்களை எடுத்தெடுத்து மீட்டெடுப்பதில் சிறந்து விளங்குகிறது. இது பாரம்பரிய உரை துண்டிப்பு மற்றும் embedding அணுகுமுறைகளோடு ஒப்பிடுகையில் "மிகத் திறமையான துல்லியம் மற்றும் மீட்புத் திறன்" வழங்குகிறது.
சுயமாக மேம்படும் ஏஜென்டுகளுக்கான பொதுவான படைப்பு ஒரு "அறிவு ஏஜென்ட்" ஐ அறிமுகப்படுத்துவதை உள்ளடக்குகிறது. இந்த தனித் துறை ஏஜென்ட் பயனர் மற்றும் முதன்மை ஏஜென்டின் இடையிலான முக்கிய உரையாடல்களை கவனிக்கும். அதன் வேடம்:
-
முக்கியமான தகவலை அடையாளம் காண்க: உரையாடலின் எந்த பகுதி பொதுவான அறிவாக அல்லது குறிப்பிட்ட பயனர் விருப்பமாக சேமிக்கத்தக்கது என்று தீர்மானிக்கவும்.
-
அகத்தக்கExtraction மற்றும் சுருக்கம்: உரையாடலிலிருந்து அத்தியாவசிய கற்றல் அல்லது விருப்பத்தை சுருக்கவும்.
-
அறிவுத்தளத்தில் சேமிக்கவும்: இந்த எடுத்துக்காட்டிய தகவலை பழையபடி, பொதுவாக வெக்டர் தரவுத்தளத்தில் போன்ற இடங்களில் நிலைத்தவையாக சேமிக்கவும்.
-
எதிர்கால விசாரணைகளை விருதாக்கம் செய்யவும்: பயனர் புதிய விசாரணையை தொடங்கும்போது, அறிவு ஏஜென்ட் தொடர்புடைய சேமிக்கப்பட்ட தகவலை மீட்டெடுத்து பயனர் பிராம்ப்ட்டிற்கு இணைத்து முதன்மை ஏஜென்ட் க்கு முக்கிய சூழலை வழங்கும் (RAG போன்ற முறையில்).
• ஒய்துவேலை நிர்வாகம் (Latency Management): பயனர் தொடர்புகளை மெதுவாக்காமல் இருக்க, தொடக்கத்தில் அரிசி, வேகமான மாதிரியை பயன்படுத்தி ஒரு தகவல் சேமிக்கத்தகுந்ததா என்பதை விரைவாக சரிபார்க்கலாம்; தேவையான போது மட்டுமே மேலும் சிக்கலான extraction/retrieval செயல்முறையை அழைக்கலாம்.
• அறிவுத்தள பராமரிப்பு: வளர்ந்து வரும் அறிவுத்தளத்தைக் கையேடு செய்ய, குறைவாகப் பயன்படுத்தப்படும் தகவல்களை செலவைக் குறைக்க "குளிர் சேமிப்பு"களுக்கு மாற்றலாம்.
Join the Microsoft Foundry Discord to meet with other learners, attend office hours and get your AI Agents questions answered.
மறுப்பு: இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவையான Co-op Translator மூலம் மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயன்றாலும், தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான பொருள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனிக்கவும். இதன் சொந்த மொழியில் உள்ள மூல ஆவணம் தான் அதிகாரப்பூர்வ ஆதாரமாகக் கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பாளர் மூலம் மொழிபெயர்க்கப்படுவது பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பின் பயன்பாட்டால் ஏற்படும் எந்த தவறான புரிதல்களுக்கோ அல்லது தவறான விளக்கங்களுக்கோ நாங்கள் பொறுப்பேற்கமாட்டோம்.