AI ഏജന്റ് മെമ്മറി: സ്ഥിരമായ സന്ദർഭമുള്ള AI ഏജന്റുകളെ എങ്ങനെ നിർമ്മിക്കാം

ആറ് മാസം എല്ലാ ദിവസവും രാവിലെ ഒരു പുതിയ സഹപ്രവർത്തകനെ പ്രിന്ററിനടുത്തേക്ക് കൊണ്ടുപോകേണ്ടി വന്നാൽ, നിങ്ങൾക്ക് ആശങ്ക തോന്നിത്തുടങ്ങും. മുമ്പത്തെ ഓരോ നടത്തവും അവർക്ക് സൂക്ഷ്മവിശദാംശങ്ങളോടെ ഓർത്തുപറയാൻ കഴിയുമെങ്കിലും ഇപ്പോഴും കൂടെ പോകേണ്ടി വരുന്നുവെങ്കിൽ, അവരുടെ ഓർമ്മശക്തി മികച്ചതാണ്…പക്ഷേ നിങ്ങൾ അപ്പോഴും ഡെസ്കിൽ നിന്ന് എഴുന്നേൽക്കേണ്ടി വരും.

AI ഏജന്റ് മെമ്മറിക്ക് ഇപ്പോൾ ഈ അവസാനമില്ലാത്ത പ്രിന്റർ-നടത്തത്തിന്റെ ഒരു പതിപ്പുണ്ട്. Letta-യുടെ സിഇഒ ചാൾസ് പാക്കർ പറയുന്നത് The New Stack-ൽ ഇങ്ങനെയാണ്: മെമ്മറി ബെഞ്ച്മാർക്കുകൾ പൂരിതമായിക്കഴിഞ്ഞു, കാരണം അവ അളക്കുന്നത് ഓർത്തെടുക്കലാണ്; അത് പരിഹരിക്കപ്പെട്ടുകഴിഞ്ഞുവെന്നാണ് അദ്ദേഹത്തിന്റെ നിലപാട്. പുനഃപരിശീലനം ഒന്നുമില്ലാതെ, താൻ സൂക്ഷിക്കുന്ന കോൺടെക്സ്റ്റിലൂടെ ഒരു ഏജന്റ് സ്വന്തം ജോലിയിൽ മെച്ചപ്പെടുന്നതാണ് ഇനിയും പരിഹരിക്കപ്പെടാത്ത പ്രശ്നം.

അദ്ദേഹത്തിന്റെ സഹസ്ഥാപക സാറ വൂഡേഴ്സ് ഇതിനെ ഒരു ജോലി തുടങ്ങുന്നതിനോട് താരതമ്യം ചെയ്യുന്നു—ബെഞ്ച്മാർക്കുകൾ ഏജന്റിന് ആവശ്യമായ മുഴുവൻ കോൺടെക്സ്റ്റും കൈമാറുന്നു—പരസ്പരം ബന്ധമില്ലാത്ത ടാസ്ക്കുകൾ ഒന്നിനുപുറകെ ഒന്നായി; ആളുകൾ ജോലി ചെയ്യുന്ന രീതിയുമായി ഇതിന് യാതൊരു സാമ്യവുമില്ല. ഒരു പുതിയ ജീവനക്കാരനെ പ്രിന്ററിനടുത്തേക്ക് കൊണ്ടുപോകേണ്ടി വന്നേക്കാം. പക്ഷേ മൂന്ന് വർഷം കഴിയുമ്പോൾ, ഡെസ്കിൽ നിന്ന് എഴുന്നേൽക്കാതെ തന്നെ ഒറ്റവരി നിർദ്ദേശം നൽകി അവരെ ഏൽപ്പിക്കാൻ കഴിയണമെന്നാണ് നിങ്ങൾ പ്രതീക്ഷിക്കുക.

ലക്ഷ്യമിട്ട് നിർമ്മിക്കേണ്ട നിലവാരം അതാണ്; Perplexity Computer-നായുള്ള ഞങ്ങളുടെ സ്വയം മെച്ചപ്പെടുന്ന മെമ്മറി സിസ്റ്റമായ Brain-ന് പിന്നിലെ ലക്ഷ്യവും അതുതന്നെ. മുൻകാല ജോലികളെയും തിരുത്തലുകളെയും നിരന്തരം വികസിക്കുന്ന ഒരു വിജ്ഞാന വിക്കിയായി അത് ക്രമീകരിക്കുന്നു.

ഒരു ഏജന്റ് എന്താണ് ഓർമ്മിക്കേണ്ടതെന്നും, അത് ഏജന്റിനെ മികച്ച രീതിയിൽ ജോലി ചെയ്യാൻ സഹായിക്കുന്നുണ്ടോ എന്ന് എങ്ങനെ പരിശോധിക്കാമെന്നും ഞങ്ങൾ വിശദീകരിക്കും.

എന്താണ് AI ഏജന്റ് മെമ്മറി?

മുൻ ഇടപെടലുകളിൽ നിന്നും ജോലികളിൽ നിന്നും ഒരു ഏജന്റ് നിലനിർത്തുന്ന വിവരങ്ങളും, അവ അപ്ഡേറ്റ് ചെയ്യാനും ഉപയോഗിക്കാനുമുള്ള സംവിധാനങ്ങളുമാണ് AI ഏജന്റ് മെമ്മറി. സ്ഥിരമായ മെമ്മറി കോൺടെക്സ്റ്റ് ആ വിവരങ്ങളെ സെഷനുകളിലുടനീളം കൊണ്ടുപോകുന്നു; അതിനാൽ ഒരു സംഭാഷണം അവസാനിപ്പിച്ചാൽ അടുത്ത ടാസ്ക് ആദ്യം മുതൽ തുടങ്ങേണ്ടി വരില്ല.

ആ പേരിൽ പുറത്തിറങ്ങുന്നവയിൽ ഭൂരിഭാഗവും ഉപയോക്താവിനെയാണ് ഓർമ്മിക്കുന്നത്. നിങ്ങളുടെ മുൻഗണനകൾ, കോൺടാക്റ്റുകൾ, റോൾ, PNG-കൾക്ക് പകരം PDF-കളാണ് നിങ്ങൾക്ക് വേണ്ടതെന്ന വസ്തുത. അതാണ് എളുപ്പമുള്ള പകുതി.

ഞങ്ങൾ Brain നിർമ്മിച്ചപ്പോൾ—Perplexity Computer-ന് പിന്നിലെ മെമ്മറി സിസ്റ്റം—ജോലിയിൽ തന്നെയാണ് ഞങ്ങൾ ശ്രദ്ധ കേന്ദ്രീകരിച്ചത്. ഏത് സമീപനമാണ് വിജയിച്ചത്? ഏത് സ്രോതസ്സാണ് ഇരുപത് മിനിറ്റ് പാഴാക്കിയത്? ജോലി പൂർത്തിയായെന്ന് ഏജന്റ് പ്രഖ്യാപിച്ചതിന് ശേഷം നിങ്ങൾക്ക് എന്താണ് തിരുത്തേണ്ടി വന്നത്? ആ ചരിത്രം അടുത്ത ടാസ്ക്കിന് മികച്ച ഒരു തുടക്കം നൽകുന്നു.

Brain ഈ വിവരങ്ങൾ ഏജന്റിന്റെ സാൻഡ്‌ബോക്സിൽ ഫയലുകളായി സംഭരിക്കുന്നു, മൂന്ന് പാളികളായി ക്രമീകരിച്ച്:

• sessions/ അസംസ്കൃത ട്രാൻസ്ക്രിപ്റ്റുകളും അവയുടെ സംഗ്രഹങ്ങളും സൂക്ഷിക്കുന്നു.
• notes/ വിഷയമനുസരിച്ച് ക്രമീകരിച്ച, സാരാംശം വേർതിരിച്ചെടുത്ത വിവരങ്ങൾ സൂക്ഷിക്കുന്നു.
• knowledge/ വിക്കി തന്നെ സൂക്ഷിക്കുന്നു; ആളുകൾ, പ്രോജക്റ്റുകൾ, ആശയങ്ങൾ എന്നിവയെക്കുറിച്ചുള്ള പരസ്പരം ലിങ്ക് ചെയ്ത Markdown പേജുകൾ.

ഇവയൊന്നും സ്വയം മെച്ചപ്പെടുന്നില്ല. രാത്രിയിൽ, “Dream” എന്ന് ഞങ്ങൾ വിളിക്കുന്ന പശ്ചാത്തല ഏജന്റുകൾ അന്നത്തെ സെഷനുകൾ വായിച്ച്, അവ സംഗ്രഹിച്ച്, സാഹചര്യം മാറിയിടത്തെല്ലാം വിക്കി പരിഷ്കരിക്കുന്നു. Git വഴി കമ്മിറ്റ് ചെയ്യുന്നതിന് മുമ്പ് ഞങ്ങൾ ആ എഡിറ്റുകൾ സ്റ്റേജ് ചെയ്ത് പരിശോധിക്കുന്നു; അതിനാൽ എന്തെങ്കിലും പിശകുള്ളതായി തോന്നിയാൽ പരിശോധിക്കാൻ ഒരു diff ഉണ്ടാകും.

ഇത് ഏജന്റിനെ ജോലിയിൽ മികച്ചതാക്കുന്നുണ്ടോ? ഞങ്ങളുടെ 30 ദിവസത്തെ ജോടിയാക്കിയ മൂല്യനിർണ്ണയത്തിൽ, Brain പ്രവർത്തനക്ഷമമാക്കിയ സെഷനുകൾ കൃത്യത 9.3 ശതമാനം പോയിന്റും ഓർത്തെടുക്കൽ 8.9 ശതമാനം പോയിന്റും മെച്ചപ്പെടുത്തി, അതേസമയം ഏകദേശം 15% കുറവ് ടോക്കണുകൾ മാത്രമേ ഉപയോഗിച്ചുള്ളൂ.

വലുതാക്കുക

ഉറവിടം: X

ഏജന്റിക് മെമ്മറിയുടെ തരങ്ങൾ ഏതൊക്കെയാണ്?

പ്രധാനമായും രണ്ട് തരങ്ങളുണ്ട്, ഒരു വ്യക്തിയുടെ കാര്യത്തിൽ നിങ്ങൾ ഉപയോഗിക്കുന്ന വിഭജനം പോലെ തന്നെ: ഇപ്പോൾ നിങ്ങളുടെ മനസ്സിലുള്ളതും, അടുത്ത മാസവും നിങ്ങൾ ഓർത്തിരിക്കുന്നതും.

ഹ്രസ്വകാല മെമ്മറി

ഹ്രസ്വകാല മെമ്മറി നിലവിലെ സംഭാഷണത്തിന്റെയോ ടാസ്ക്കിന്റെയോ കോൺടെക്സ്റ്റ് സൂക്ഷിക്കുന്നു. നിങ്ങളുടെ അഭ്യർത്ഥന, സമീപകാല സന്ദേശങ്ങൾ, ഒരു ടൂൾ കോളിന്റെ ഫലം, ഏജന്റ് ഇപ്പോൾ തുറന്ന ഡോക്യുമെന്റ്. അടുത്തതായി എന്ത് ചെയ്യണമെന്ന് തീരുമാനിക്കാൻ ആവശ്യമായ വിവരങ്ങൾ.

ഇതിനെ വർക്കിംഗ് മെമ്മറി എന്നും വിളിക്കുന്നത് നിങ്ങൾ കാണും. ഒരു LLM-നെ സംബന്ധിച്ചിടത്തോളം, ഒരു പ്രത്യേക മോഡൽ കോളിനിടെ ലഭ്യമായ വിവരങ്ങൾ സൂക്ഷിക്കുന്നത് കോൺടെക്സ്റ്റ് വിൻഡോയാണ്. ആപ്ലിക്കേഷന് ഒരു അധിക ടാസ്ക് സ്റ്റേറ്റ് നിലനിർത്താനും ഓരോ ഘട്ടത്തിലും അതിന്റെ ഏതെല്ലാം ഭാഗങ്ങൾ നൽകണമെന്ന് തീരുമാനിക്കാനും കഴിയും.

ഹ്രസ്വകാലം എന്നതിന് നിർബന്ധമായും ഉപേക്ഷിക്കാവുന്നത് എന്ന് അർത്ഥമില്ല. ഒരു ഫ്രെയിംവർക്കിന് സംഭാഷണത്തിന്റെ സ്റ്റേറ്റ് സേവ് ചെയ്ത് നാളെ അത് പുനരാരംഭിക്കാം—അത് അപ്പോഴും ആ ത്രെഡിന്റേതു തന്നെയാണ്. എന്നാൽ മറ്റൊരു ടാസ്ക്കിന് ആ വിവരങ്ങൾ ഉപയോഗിക്കാനാകുമോ എന്നത് വേറിട്ട ഒരു ഡിസൈൻ തീരുമാനമാണ്.

ദീർഘകാല മെമ്മറി

ദീർഘകാല മെമ്മറി വിവരങ്ങൾ സെഷനുകളിലുടനീളം ലഭ്യമാക്കുന്നു. CoALA പ്രബന്ധം കോഗ്നിറ്റീവ് സയൻസിൽ നിന്ന് മൂന്ന് വിഭാഗങ്ങൾ കടമെടുത്ത്, അനുഭവങ്ങളെയും പ്രായോഗിക അറിവിനെയും കുറിച്ച് സംസാരിക്കാൻ ഏജന്റ് നിർമ്മാതാക്കൾക്ക് ഒരു പദാവലി നൽകി:

• എപ്പിസോഡിക് മെമ്മറി എന്നാൽ എന്ത് സംഭവിച്ചു എന്നതാണ്: മുൻ സെഷനുകൾ, ഏജന്റ് സ്വീകരിച്ച ഘട്ടങ്ങൾ, അതിന് ലഭിച്ച ഫലം എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു. Brain-ൽ, അസംസ്കൃത ട്രാൻസ്ക്രിപ്റ്റുകളിലൂടെയും അവയുടെ സംഗ്രഹങ്ങളിലൂടെയും sessions/ ഈ ചരിത്രം നൽകുന്നു.
• സെമാന്റിക് മെമ്മറി എന്നാൽ ഏജന്റ് സത്യമെന്ന് കരുതുന്നതാണ്: സംഭാഷണങ്ങളിൽ നിന്ന് വേർതിരിച്ചെടുത്ത, ഉപയോക്താവിനെയും അവരുടെ പ്രോജക്റ്റുകളെയും അവരുടെ ലോകത്തെയും കുറിച്ചുള്ള വസ്തുതകൾ ഇതിൽപ്പെടാം. Brain-ന്റെ knowledge/ വിക്കി ഇത്തരം വിവരങ്ങൾ, തെളിവുകളിലേക്കുള്ള ലിങ്കുകൾ സഹിതം, സൂക്ഷിക്കുന്നു.
• പ്രൊസീജറൽ മെമ്മറി എന്നാൽ കാര്യങ്ങൾ എങ്ങനെ ചെയ്യണം എന്നതാണ്: പ്രോംപ്റ്റുകൾ, പുനരുപയോഗിക്കാവുന്ന വർക്ക്ഫ്ലോകൾ, ഒരു ജോലിക്ക് ആവശ്യമായ നിർദ്ദേശങ്ങളും ടൂളുകളും ഏജന്റുകൾക്ക് നൽകാൻ Perplexity നിർമ്മിക്കുന്ന നൈപുണ്യങ്ങൾ എന്നിവയാണ് ഇവ. ഇതിൽ ചിലത് മെമ്മറി എന്ന് വിളിക്കാതെ തന്നെ നിങ്ങളുടെ പക്കൽ ഇതിനകം ഉണ്ടായിരിക്കാം.

രസകരമായ ജോലി നടക്കുന്നത് ഈ പാളികൾക്കിടയിലാണ്. നിങ്ങൾ ഒരു PNG നിരസിച്ചുവെന്ന് ഒരു സെഷൻ രേഖപ്പെടുത്തുന്നു. PDF-കൾ ഉപയോഗിക്കാനുള്ള നിങ്ങളുടെ നിർദ്ദേശം ഏജന്റിന് മുന്നോട്ട് കൊണ്ടുപോകാവുന്ന ഒരു മുൻഗണനയായി മാറുന്നു. എക്സ്പോർട്ട് പ്രക്രിയയിലെ ഒരു തിരുത്തൽ അടുത്ത തവണ അതിന് പിന്തുടരാവുന്ന ഒന്നായി മാറുന്നു.

“ഇത് സംഭവിച്ചു” എന്നതിൽ നിന്ന് “ഇത് സത്യമാണ്” എന്നതിലേക്കും “ഇങ്ങനെയാണ് ഞങ്ങൾ ഇത് ചെയ്യുന്നത്” എന്നതിലേക്കുമുള്ള ആ പരിവർത്തനം, ഞങ്ങൾ തുടക്കത്തിൽ പറഞ്ഞ പഠന പ്രശ്നത്തിന്റെ ഭാഗമാണ്; Brain-ന്റെ രാത്രികാല Dream ഏജന്റ് റണ്ണുകൾ തങ്ങളുടെ പ്രയത്നം ചെലവഴിക്കുന്നതും അവിടെയാണ്.

ഒരു പൊതു അടുക്കളയിൽ ആരോ മൈക്രോവേവിൽ മീൻ ചൂടാക്കുന്നു എന്ന് കരുതുക. പരാതികൾ ഉയരുന്നു, ഒരു ജനൽ തുറക്കപ്പെടുന്നു. ഒടുവിൽ, ഒരു ബോർഡ് പ്രത്യക്ഷപ്പെടുന്നു: മീൻ പാടില്ല.

ആറ് മാസം കഴിഞ്ഞപ്പോൾ, കുറ്റക്കാരൻ താമസം മാറിപ്പോയി, പക്ഷേ ബോർഡ് മാറിയിട്ടില്ല. അതാണ് നിലനിൽപ്പ്. എന്താണ് നിലനിൽക്കുന്നത് എന്നതിലൂടെ നിങ്ങൾക്ക് മെമ്മറി തരങ്ങൾ വിശദീകരിക്കാം:

• ഉച്ചഭക്ഷണം തയ്യാറാക്കുമ്പോൾ നിങ്ങൾ ശ്രദ്ധിച്ചുകൊണ്ടിരിക്കുന്ന കാര്യങ്ങളാണ് വർക്കിംഗ് മെമ്മറി, സൂപ്പ് ഇളക്കണം എന്നതുപോലെ.
• എപ്പിസോഡിക് മെമ്മറി എന്നത് മീൻ സംഭവമാണ്; എല്ലാവരുടെയും പിന്നാലെ ഇടനാഴിയിലേക്ക് പടർന്ന ആ ഗന്ധം.
• സെമാന്റിക് മെമ്മറി എന്നത് അതിൽ നിന്ന് നിങ്ങൾ നേടിയ അറിവാണ്—ഒരു പൊതു അടുക്കളയിൽ മീൻ വീണ്ടും ചൂടാക്കിയാൽ ഗന്ധം ഏറെനേരം തങ്ങിനിൽക്കാം.
• പ്രൊസീജറൽ മെമ്മറി എന്നത് അടുത്തതായി എന്ത് സംഭവിക്കണമെന്ന് നിയന്ത്രിക്കുന്ന നിർദ്ദേശമാണ്. ഇവിടെ മീൻ മൈക്രോവേവിൽ ചൂടാക്കരുത്. സംഭവം മുഴുവൻ അറിയാതെ പോയ ഒരാൾക്കും ആ ബോർഡ് കണ്ട് നിയമം പാലിക്കാം.

ഇനി ഒരു വ്യത്യാസം കൂടിയുണ്ട്, കാരണം ഞങ്ങൾ എന്താണ് നിർമ്മിക്കുന്നത് എന്നതിനെ അത് മാറ്റുന്നു. 2025 ഡിസംബറിൽ ആദ്യമായി പ്രസിദ്ധീകരിച്ച Memory in the Age of AI Agents എന്ന സർവേ പറയുന്നത് ഹ്രസ്വകാലം-ദീർഘകാലം എന്ന വിഭജനം മതിയാകില്ലെന്നാണ്—അത് മെമ്മറിയെ രൂപമനുസരിച്ചും തരംതിരിക്കുന്നു:

• ടോക്കൺ-തലം: ഏജന്റ് വായിക്കുന്ന വ്യക്തമായ ഉള്ളടക്കമാണിത്. ഫയലുകൾ, സംഭരിച്ച രേഖകൾ, വീണ്ടെടുത്ത ഭാഗങ്ങൾ.
• പാരാമെട്രിക്: പഠിച്ചെടുത്ത വെയ്റ്റുകളിൽ എൻകോഡ് ചെയ്ത വിവരങ്ങളാണിത്. ഇത് അപ്ഡേറ്റ് ചെയ്യാൻ പരിശീലനമോ മോഡൽ-എഡിറ്റിംഗ് രീതികളോ ആവശ്യമാണ്.
• ലേറ്റന്റ്: വായിക്കാവുന്ന ടെക്സ്റ്റായി എഴുതപ്പെടാതെ ആന്തരിക പ്രതിനിധാനങ്ങളിൽ നിലനിർത്തുന്ന വിവരങ്ങളാണിത്.

ഇവിടെ ഞങ്ങൾ ടോക്കൺ-തല മെമ്മറിയിലാണ് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്; അതായത്, മോഡലിന് പുറത്ത് സംഭരിക്കുകയും ആവശ്യമുള്ളപ്പോൾ അതിന്റെ കോൺടെക്സ്റ്റിലേക്ക് വായിച്ചെടുക്കുകയും ചെയ്യുന്ന വിവരങ്ങൾ. Brain-ന്റെ Markdown വിക്കി അതിനൊരു ഉദാഹരണമാണ്.

വലുതാക്കുക

ഞങ്ങൾ ഒരു പേജ് അപ്ഡേറ്റ് ചെയ്യുമ്പോൾ, അടുത്ത ടാസ്ക്കിൽ ഏജന്റിന് വായിക്കാൻ കഴിയുന്നതിനെ ഞങ്ങൾ മാറ്റുന്നു, പക്ഷേ അതിന്റെ അടിസ്ഥാന വെയ്റ്റുകൾ അതേപടി തുടരുന്നു. ആമുഖത്തിൽ പാക്കർ പറഞ്ഞ കാര്യം ഇതാണ്: പുനഃപരിശീലനം കൂടാതെ, ഏജന്റ് സൂക്ഷിക്കുന്ന കോൺടെക്സ്റ്റിലൂടെ മെച്ചപ്പെടുക.

ഏജന്റ് മെമ്മറി തരങ്ങൾ എങ്ങനെയാണ് ഒരുമിച്ച് പ്രവർത്തിക്കുന്നത്?

ഒരു ഏജന്റിന് മുമ്പത്തെ ഒരു ശ്രമം വീണ്ടും പരിശോധിക്കാനും, അത് എവിടെയാണ് പിഴച്ചതെന്ന് കാണാനും, അതിനുശേഷം നിങ്ങൾ നൽകിയ നിർദ്ദേശങ്ങൾ ലോഡ് ചെയ്യാനും കഴിയും. ഒരേ ടാസ്ക്കിൽ പല തരം മെമ്മറികൾ ഉൾപ്പെടുന്നുണ്ട്, അവയ്ക്ക് ഓരോന്നിനും പ്രത്യേക ഊഴമോ വേറിട്ട ഡാറ്റാബേസോ ആവശ്യമില്ല.

ഇവിടെ, സംഭാഷണം അവസാനിച്ചതിനുശേഷം എന്താണ് ലഭ്യമായി തുടരുന്നതെന്ന് നിലനിൽപ്പ് നിർണ്ണയിക്കുന്നു; ഏജന്റ് അത് എപ്പോഴെങ്കിലും വീണ്ടും കാണുമോ എന്ന് വീണ്ടെടുക്കൽ നിർണ്ണയിക്കുന്നു.

Brain-ൽ, പാഠത്തിൽ നിന്ന് തെളിവിലേക്ക് തിരികെയുള്ള ആ വഴി ഞങ്ങൾ സംരക്ഷിക്കുന്നു. കഴിഞ്ഞ ആഴ്ചയിലെ ഒരു പ്രോജക്റ്റ് തുടരാൻ നിങ്ങൾ Computer-നോട് ആവശ്യപ്പെടുന്നു എന്ന് കരുതുക:

• ഏതെല്ലാം മെമ്മറി പേജുകൾ നിലവിലുണ്ടെന്നും അവ എവിടെ കണ്ടെത്താമെന്നും Brain-ന്റെ ഇൻഡക്സ് അതിനോട് പറയുന്നു.
• സേവ് ചെയ്ത തീരുമാനങ്ങളും നിർദ്ദേശങ്ങളും വായിക്കാൻ Brain പ്രോജക്റ്റ് പേജ് തുറക്കുന്നു.
• നിങ്ങൾ ഒരു സമീപനം നിരസിച്ചുവെന്ന് ഒരു കുറിപ്പിൽ പറയുന്നുണ്ടെങ്കിൽ, ഏജന്റിന് അതിന്റെ ഉദ്ധരണി പിന്തുടർന്ന് സംഭാഷണത്തിലേക്ക് തിരികെ പോയി കാരണം പരിശോധിക്കാം.

ബന്ധപ്പെട്ട പേജുകളിലേക്കുള്ള ലിങ്കുകൾ, ഉൾപ്പെട്ടിരിക്കുന്ന ആളുകളെയോ മറ്റ് പ്രോജക്റ്റുകളെയോ കണ്ടെത്താൻ അതിനെ സഹായിക്കുന്നു. ഫയലുകൾ വായിച്ചും തിരഞ്ഞുമാണ് ഏജന്റ് ഇത് ചെയ്യുന്നത്. ഉദാഹരണത്തിന്, grep ഉപയോഗിച്ച് ഒരു പ്രോജക്റ്റിന്റെ പേര് പരാമർശിക്കുന്ന ഇടങ്ങൾ അതിന് കണ്ടെത്താം.

ഫയലുകൾ പരിശോധിക്കാൻ കഴിയുന്നതിലൂടെ ഏജന്റുകൾക്ക് എന്ത് നേട്ടമുണ്ടാകുന്നു എന്നും ഞങ്ങൾ പരീക്ഷിച്ചിട്ടുണ്ട്. സാമ്പത്തിക രേഖകളെക്കുറിച്ചുള്ള 150 ചോദ്യങ്ങളുടെ ഒരു ആന്തരിക ബെഞ്ച്മാർക്കിൽ, സാധാരണ ഫയൽ ടൂളുകൾ ഉപയോഗിക്കുന്ന ഒരു എക്സ്പ്ലോറേഷൻ ഏജന്റ് 0.627 എന്ന ഉത്തര സ്കോർ നേടി, അതേ കോർപ്പസിലുള്ള സെമാന്റിക് സെർച്ചിന് ഇത് ഏകദേശം 0.37 ആയിരുന്നു.

വലുതാക്കുക

ഉറവിടം: X

AI ഏജന്റ് മെമ്മറി എങ്ങനെ മെച്ചപ്പെടുത്താം?

ഒറോഗാറ്റും മൻസൂറും ചേർന്ന് 2026 മേയിൽ പ്രസിദ്ധീകരിച്ച ഒരു പ്രബന്ധം ഏജന്റ് മെമ്മറിയിൽ ആവർത്തിച്ചുവരുന്ന നാല് പരാജയങ്ങൾ തിരിച്ചറിയുന്നു: സ്റ്റോർ വളർന്നുകൊണ്ടേയിരിക്കുന്നു, കാലഹരണപ്പെട്ട വിശ്വാസങ്ങൾ പരിഷ്കരിക്കപ്പെടാതെ തുടരുന്നു, സ്ഥലം തീരുമ്പോൾ വിവരങ്ങൾ മറന്നുപോകുന്നു, വീണ്ടെടുക്കൽ വായിക്കുക മാത്രം ചെയ്യുന്നു, ആ സന്ദർശനത്തിൽ നിന്ന് ഒന്നും പഠിക്കുന്നില്ല.

ഏജന്റിക് മെമ്മറിയെ സംഭരണമായി കാണുന്നത് നിർത്തി, നാല് പ്രവർത്തനങ്ങളിലൂടെ വികസിക്കുന്ന ഒരു “സ്റ്റേറ്റ്” ആയി കാണുക എന്നതാണ് അവർ നിർദ്ദേശിക്കുന്ന പരിഹാരം: ഉൾക്കൊള്ളുക, പരിഷ്കരിക്കുക, മറക്കുക, വീണ്ടെടുക്കുക. ഈ വിഭാഗത്തിനുള്ള ഞങ്ങളുടെ ചെക്ക്‌ലിസ്റ്റ് അതാണ്.

ഓർമ്മിക്കേണ്ടവ ശ്രദ്ധയോടെ തിരഞ്ഞെടുക്കുക

ഒരു “മോശം” മെമ്മറി കടന്നുകൂടിയാൽ, തുടർന്നുള്ള ഓരോ ഘട്ടവും അത് പേറിക്കൊണ്ടുപോകും.

LoCoMo ബെഞ്ച്മാർക്കിൽ നിന്നുള്ള ഏകദേശം 1,500 കാൻഡിഡേറ്റ് മെമ്മറികളിൽ Workday AI Research ഒരു തിരഞ്ഞെടുപ്പ് സമീപനം പരീക്ഷിച്ചു; അവയിൽ ഏതെങ്കിലും നിലനിർത്തുന്നതിന് മുമ്പ് അഞ്ച് ചോദ്യങ്ങൾ ചോദിച്ചു:

• ഇത് ഉപയോഗപ്രദമാണോ? ഇത് വീണ്ടും ആവശ്യം വരാൻ സാധ്യതയുണ്ടോ?
• ഇത് വിശ്വസനീയമാണോ? സംഭാഷണത്തിൽ ശരിക്കും ഇത് പറഞ്ഞിരുന്നോ, അതോ മോഡൽ സ്വയം പൂരിപ്പിച്ചതാണോ?
• ഇത് പുതിയതാണോ, അതോ ഇതിനകം സംഭരിച്ചതാണോ?
• ഇത് കാലികമാണോ?
• ഇത് ദീർഘകാലം നിലനിൽക്കുന്ന ഒരു വസ്തുതയാണോ അതോ താൽക്കാലിക അവസ്ഥയാണോ?

ആദ്യ ചോദ്യത്തിന് മാത്രമേ ഒരു മോഡൽ കോൾ ആവശ്യമായി വന്നുള്ളൂ. മറ്റ് നാലെണ്ണം നിയമങ്ങളായി, എല്ലാം കൂടി 65 മില്ലിസെക്കൻഡിൽ താഴെ സമയത്തിനുള്ളിൽ പ്രവർത്തിച്ചു. പ്രസക്തമായ മെമ്മറികളുടെ 97% നിലനിർത്തിക്കൊണ്ട്, നിലനിർത്തണോ ഒഴിവാക്കണോ എന്ന തീരുമാനങ്ങളിൽ ഈ രീതി 12% ഉയർന്ന പ്രിസിഷൻ കൈവരിച്ചു.

ഏറ്റവും വലിയ സംഭാവന നൽകിയത് അവസാന ചോദ്യമാണ്—ദീർഘകാല വിവരങ്ങളും താൽക്കാലിക വിവരങ്ങളും തമ്മിലുള്ള വ്യത്യാസം നീക്കം ചെയ്താൽ, തീരുമാനങ്ങളുടെ ഗുണനിലവാരം ഏകദേശം 18% കുറഞ്ഞു.

ചരിത്രം നഷ്ടപ്പെടുത്താതെ ഉത്തരം പരിഷ്കരിക്കുക

ഒരു വസ്തുത എപ്പോൾ മുതൽ സാധുവായി, ഏത് സ്രോതസ്സ് അതിനെ പിന്തുണയ്ക്കുന്നു, അത് എന്തിനെയാണ് മാറ്റിസ്ഥാപിച്ചത് എന്നിവ രേഖപ്പെടുത്തുക. സ്രോതസ്സുകൾ തമ്മിൽ വിയോജിപ്പുണ്ടെങ്കിൽ, അത് പരിഹരിക്കാൻ മതിയായ തെളിവുകൾ ലഭിക്കുന്നതുവരെ ആ വിയോജിപ്പ് ദൃശ്യമായി നിലനിർത്തുക. ഏറ്റവും പുതിയ ഡോക്യുമെന്റും തെറ്റാകാം.

സ്രോതസ്സ് ഡോക്യുമെന്റുകൾ, കണക്ടർ ഫലങ്ങൾ, ഉപയോക്തൃ തിരുത്തലുകൾ എന്നിവ ഉപയോഗിച്ച് Brain വിക്കി അപ്ഡേറ്റ് ചെയ്യുന്നു. ഓരോ മെമ്മറി എൻട്രിയും അതിന്റെ സ്രോതസ്സിലേക്ക് തിരികെ ലിങ്ക് ചെയ്യുന്നു. ഏജന്റ് നിലവിലെ ഉത്തരം കണ്ടെത്തണം, ആ ഉത്തരം സംശയാസ്പദമായി തോന്നിയാൽ പരിശോധിക്കാൻ അതിന് ഒരിടം ഉണ്ടായിരിക്കുകയും വേണം.

ബോധപൂർവ്വം മറക്കുക

ഒരു പരാജയ രീതിയെ പ്രബന്ധം “ശേഷി-പ്രേരിത മറവി” എന്ന് വിളിക്കുന്നു: വിവരങ്ങൾ ഉപയോഗപ്രദമല്ലാതായതുകൊണ്ടല്ല, മറിച്ച് ഒരു സംഭരണ പരിധി പാലിക്കാനായി നീക്കം ചെയ്യപ്പെടുന്നു.

വീണ്ടും ആ പൊതു അടുക്കളയിലേക്ക്. ആറ് മാസം കഴിയുമ്പോൾ, ആരാണ് മീൻ മൈക്രോവേവിൽ ചൂടാക്കിയതെന്നോ ജനൽ എത്രനേരം തുറന്നിരുന്നെന്നോ ആരും ശ്രദ്ധിക്കുന്നില്ല. പക്ഷേ ആ ബോർഡിന് ഇപ്പോഴും ഒരു ജോലിയുണ്ട്.

അടുത്തയാൾ ഉച്ചഭക്ഷണം തയ്യാറാക്കുമ്പോൾ, നിയമം ലഭ്യമായിരിക്കും. പരാതികൾ മാത്രം നിങ്ങൾ ആർക്കൈവ് ചെയ്താൽ മതി.

Workday-യുടെ കാലികത, വിവര-തരം പരിശോധനകൾ സംഭരണത്തിന് മുമ്പുതന്നെ ആരംഭിക്കുന്നു, മെമ്മറിയാകാൻ അർഹതയുള്ളത് ഏതെന്ന് അവ ഫിൽട്ടർ ചെയ്യുന്നു. Brain-ൽ, സ്രോതസ്സ് ഡോക്യുമെന്റുകൾ മാറുകയും ഉപയോക്താക്കൾ തിരുത്തലുകൾ വരുത്തുകയും ചെയ്യുന്നതനുസരിച്ച് നിലവിലുള്ള അറിവും ഞങ്ങൾ വീണ്ടും പരിശോധിക്കുന്നു. ഏത് സാഹചര്യത്തിലും, ഇടപെടൽ ആവശ്യമാക്കുന്നത് ഉള്ളടക്കമാണ്.

വീണ്ടെടുക്കൽ അടുത്ത അപ്ഡേറ്റിന് ഉപകരിക്കുന്നതാക്കുക

ഏജന്റ് ഒരു വസ്തുത വീണ്ടെടുക്കുന്നു, അത് ഉപയോഗിക്കുന്നു, സ്റ്റോർ കണ്ടതുപോലെ തന്നെ വിട്ടുപോകുന്നു. ഇനി, അടുത്തതായി എന്ത് സംഭവിച്ചുവെന്ന് സിസ്റ്റം രേഖപ്പെടുത്തുന്നില്ലെങ്കിൽ, ആ വസ്തുത സഹായിച്ചോ അതോ ഏജന്റിനെ മറ്റൊരു വഴിമുട്ടിലേക്ക് നയിച്ചോ എന്ന് ഒന്നും രേഖപ്പെടുത്തില്ല.

ഫലം, സ്രോതസ്സ്, ഏതെങ്കിലും തിരുത്തൽ എന്നിവ രേഖപ്പെടുത്തുക. Brain നിർമ്മിച്ചപ്പോൾ, ആ ജോലി ചരിത്രം അത് ഓർമ്മിക്കുന്നതിന്റെ ഭാഗമാക്കി ഞങ്ങൾ മാറ്റി: ഏത് സമീപനം വിജയിച്ചു, ഏത് സ്രോതസ്സ് എങ്ങുമെത്തിച്ചില്ല, ജോലി പൂർത്തിയായെന്ന് ഏജന്റ് പ്രഖ്യാപിച്ചതിനുശേഷം ഉപയോക്താവ് എന്ത് തിരുത്തി. Brain ആ അനുഭവം അതിന്റെ ആനുകാലിക വിക്കി അപ്ഡേറ്റുകളിൽ ഉൾപ്പെടുത്തുന്നു, അതിനാൽ പിന്നീടുള്ള ടാസ്ക്കുകൾക്ക് അത് ഉപയോഗിക്കാം.

എന്നിരുന്നാലും, ഇതൊന്നും ഒരു ഓർത്തെടുക്കൽ ബെഞ്ച്മാർക്കിൽ പ്രതിഫലിക്കുന്നില്ല. ലൂപ്പ് പ്രവർത്തിക്കുന്നുണ്ടോ എന്ന് അറിയാനുള്ള മാർഗ്ഗം, മെമ്മറി ഉപയോഗിച്ച് മാത്രം പൂർത്തിയാക്കാൻ കഴിയുന്ന ഒരു ടാസ്ക് ഏജന്റിന് നൽകി, ചെലവും ലേറ്റൻസിയും സഹിതം അത് എത്ര തവണ പൂർത്തിയാക്കുന്നു എന്ന് എണ്ണുക എന്നതാണ്. DolphinBench ചെയ്യുന്നത് അതാണ്, ഏറ്റവും ഉയർന്ന സ്കോറുകൾ ഇപ്പോഴും എഴുപതുകളിൽ തന്നെ നിൽക്കുന്നതിന്റെ കാരണവും അതാണ്.

Perplexity ഉപയോഗിച്ച് സ്ഥിരമായ മെമ്മറിയുള്ള ഒരു ഏജന്റ് എങ്ങനെ നിർമ്മിക്കാം

Perplexity-യുടെ Agent API-യിൽ Brain പോലെ സ്വയം പരിപാലിക്കുന്ന ഒരു മെമ്മറി സിസ്റ്റം ഉൾപ്പെടുന്നില്ല. അത് ആദ്യമേ തന്നെ പറയാനാണ് ഞങ്ങൾ ആഗ്രഹിക്കുന്നത്. പക്ഷേ നിങ്ങൾക്ക് ആവശ്യമായ മെമ്മറിയുടെ ഘടകങ്ങൾ അത് നൽകുന്നുണ്ട്: നടപടിക്രമങ്ങൾ സൂക്ഷിക്കാൻ ഒരിടം, ടേണുകൾക്കിടയിൽ കോൺടെക്സ്റ്റ് കൊണ്ടുപോകാനുള്ള ഒരു മാർഗ്ഗം, നിങ്ങൾ നിയന്ത്രിക്കുന്ന ഒരു സ്റ്റോറിൽ നിന്ന് വായിക്കാനും അതിലേക്ക് എഴുതാനുമുള്ള ടൂളുകൾ.

പ്രൊസീജറൽ മെമ്മറിയിൽ നിന്ന് ആരംഭിക്കുക

ഒരു കസ്റ്റം നൈപുണ്യം നിർദ്ദേശങ്ങൾ, നടപടിക്രമങ്ങൾ, പിന്തുണയ്ക്കുന്ന ഫയലുകൾ എന്നിവ ഒരു പതിപ്പ് നമ്പറിന് കീഴിൽ പാക്കേജ് ചെയ്യുന്നു. ഒരു പ്ലാറ്റ്‌ഫോം ടീമിന് അതിന്റെ ഡിപ്ലോയ്‌മെന്റ് പരിശോധനകൾ, റോൾബാക്ക് മാനദണ്ഡങ്ങൾ, റിപ്പോർട്ടിംഗ് ഫോർമാറ്റ് എന്നിവ ഒരിക്കൽ എഴുതിയ ശേഷം, ആപ്ലിക്കേഷനുകൾക്ക് അതേ നൈപുണ്യം റഫർ ചെയ്യാൻ സൗകര്യമൊരുക്കാം. നടപടിക്രമം മാറുമ്പോൾ, ടീം ഒരു പുതിയ പതിപ്പ് അപ്‌ലോഡ് ചെയ്യുന്നു.

വലുതാക്കുക

ഉറവിടം: X

ഒരു പ്രൊഫൈൽ ഒരു തലം കൂടി മുകളിലേക്ക് പോകുന്നു. ഏജന്റിന്റെ മോഡൽ, നിർദ്ദേശങ്ങൾ, ടൂളുകൾ, നൈപുണ്യങ്ങൾ, കണക്ടറുകൾ, റൺ ക്രമീകരണങ്ങൾ എന്നിവ പ്രൊഫൈലുകൾ പതിപ്പുകളുള്ള ഒരൊറ്റ ID-ക്ക് കീഴിൽ സംരക്ഷിക്കുന്നു.

മാനേജ്ഡ് കണക്ടറുകൾക്കൊപ്പം സെപ്റ്റംബറിൽ ഞങ്ങൾ ഇവ രണ്ടും ചേർത്തു. അതിനാൽ ഒരു പ്രോജക്റ്റ് അഡ്മിനിസ്ട്രേറ്റർക്ക് അംഗീകൃത GitHub അല്ലെങ്കിൽ Slack കണക്ഷൻ ഒരിക്കൽ കോൺഫിഗർ ചെയ്യാനും, പ്രത്യേക ക്രെഡൻഷ്യലുകൾ സംഭരിക്കുന്നതിന് പകരം ആപ്ലിക്കേഷനുകളെ അത് റഫർ ചെയ്യാൻ അനുവദിക്കാനും കഴിയും. ആക്‌സസ് മാറുമ്പോൾ, അഡ്മിനിസ്ട്രേറ്റർ ഒരിടത്ത് കണക്ഷൻ അപ്‌ഡേറ്റ് ചെയ്യുന്നു.

ഇത് എന്തുകൊണ്ട് മെമ്മറിയായി കണക്കാക്കുന്നു? ഒരിക്കൽ കൂടി, മൈക്രോവേവിൽ മീൻ ചൂടാക്കിയ ആ അടുക്കളയിലേക്ക് മടങ്ങാം. അടുത്തതായി വരുന്ന ആർക്കും, പരാതികൾ നേരിട്ട് കണ്ടിട്ടില്ലെങ്കിലും NO FISH എന്ന നിർദ്ദേശം പാലിക്കാൻ കഴിയും.

ഒരു നൈപുണ്യം ഏജന്റിനായി ഇതേ ജോലി ചെയ്യുന്നു, മൈക്രോവേവ് വാതിലിൽ ഒതുങ്ങാത്ത ഘട്ടങ്ങൾക്കും ഒഴിവാക്കലുകൾക്കും പരിശോധനകൾക്കും ഇടം നൽകിക്കൊണ്ട്. നൈപുണ്യങ്ങൾ എഴുതി സൂക്ഷിക്കപ്പെടുന്നു, പതിപ്പുകളായി നിയന്ത്രിക്കപ്പെടുന്നു, അടുത്ത തവണ ആ ടാസ്‌ക് വരുമ്പോൾ ലഭ്യമാകുകയും ചെയ്യുന്നു.

Dream-ന്റെ മെമ്മറി അപ്‌ഡേറ്റുകളെ നയിക്കാനും ഞങ്ങൾ നൈപുണ്യങ്ങൾ ഉപയോഗിക്കുന്നു. എന്നാൽ ഒരു നൈപുണ്യം ചെയ്യാത്ത കാര്യം സ്വയം പഠിക്കുക എന്നതാണ്. ഒരു വ്യക്തിയോ ഓട്ടോമേറ്റഡ് പ്രക്രിയയോ പുതിയ പതിപ്പ് അപ്‌ലോഡ് ചെയ്യുമ്പോഴാണ് നിർദ്ദേശങ്ങൾ മാറുന്നത്.

ഒരു സേവനത്തിൽ റോൾബാക്ക് പരിശോധന ആവർത്തിച്ച് പരാജയപ്പെടുന്നത് ഏജന്റ് ശ്രദ്ധിച്ച് അതനുസരിച്ച് ക്രമീകരിക്കണമെന്ന് നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, അത് നേരത്തെ പറഞ്ഞ സെഷനുകളിൽ നിന്ന് വിക്കിയിലേക്കുള്ള ലൂപ്പാണ്.

എന്ത് സംഭവിച്ചുവെന്ന് നിങ്ങൾ നിലനിർത്തുകയും, എന്ത് മാറണമെന്ന് കണ്ടെത്തുകയും, അടുത്ത തവണ ആ തിരുത്തൽ ലഭ്യമാക്കുകയും വേണം. അതിന് അടുത്ത രണ്ട് ഘടകങ്ങൾ ആവശ്യമാണ്.

ടേണുകൾക്കിടയിൽ വർക്കിംഗ് മെമ്മറി കൈമാറുക

ഏജന്റ് ഒരു ഡിപ്ലോയ്‌മെന്റ് പരിശോധന നടത്തുന്നു. നിങ്ങൾ ചോദിക്കുന്നു, ‘അത് എന്തുകൊണ്ട് പരാജയപ്പെട്ടു?’ “അത്” എന്തിനെയാണ് സൂചിപ്പിക്കുന്നതെന്ന് ഏജന്റിന് ഇപ്പോഴും കാണാൻ കഴിയുമെങ്കിൽ, ഇത് ന്യായമായ ഒരു തുടർചോദ്യമാണ്.

ഞങ്ങളുടെ Agent API സംഭാഷണ സന്ദർഭം മുന്നോട്ട് കൊണ്ടുപോകാൻ രണ്ട് വഴികൾ പിന്തുണയ്ക്കുന്നു:

• സംഭാഷണം നിങ്ങൾ തന്നെ റീപ്ലേ ചെയ്യുക: മുൻ സന്ദേശങ്ങൾ അടുത്ത അഭ്യർത്ഥനയുടെ ഇൻപുട്ട് അറേയിൽ ഉൾപ്പെടുത്തുക. അയയ്ക്കുന്നതിന് മുമ്പ് എന്ത് നിലനിർത്തണം, സംഗ്രഹിക്കണം, മറയ്ക്കണം, അല്ലെങ്കിൽ ഒഴിവാക്കണം എന്ന് നിങ്ങൾ തീരുമാനിക്കുന്നു.
• പൂർത്തിയായ ഒരു പ്രതികരണത്തിൽ നിന്ന് തുടരുക: അതിന്റെ ID സംരക്ഷിച്ച്, അടുത്ത സന്ദേശത്തോടൊപ്പം previous_response_id ആയി അത് നൽകുക. സംഭാഷണത്തിന്റെ നില ഞങ്ങൾ സെർവർ ഭാഗത്ത് സൂക്ഷിക്കുന്നു, അതിനാൽ നിങ്ങളുടെ ആപ്ലിക്കേഷൻ മുൻ ടേണുകൾ വീണ്ടും അയയ്ക്കേണ്ടതില്ല. ശൃംഖലയിലെ ഏറ്റവും പുതിയ പ്രതികരണത്തിൽ നിന്ന് നിങ്ങൾക്ക് തുടരാം.

ഏജന്റ് എന്ത് കാണുന്നു എന്നതിന്മേൽ റീപ്ലേ നിങ്ങൾക്ക് നിയന്ത്രണം നൽകുന്നു, ID ഉപയോഗിച്ച് തുടരുന്നത് സംഭാഷണം വീണ്ടും കൂട്ടിച്ചേർക്കുന്ന ജോലി ഒഴിവാക്കുന്നു. ഏത് രീതിയായാലും, അടുത്ത പ്രതികരണത്തിന് ആവശ്യമായ പുതിയ നിർദ്ദേശങ്ങളോ ടൂളുകളോ മോഡൽ ക്രമീകരണങ്ങളോ നൽകുക.

നിങ്ങളുടെ സ്വന്തം എപ്പിസോഡിക്, സെമാന്റിക് സ്റ്റോർ കൊണ്ടുവരിക

Agent API നിങ്ങൾക്ക് വിട്ടുതരുന്ന ഭാഗമാണിത്.

ഒരു വഴി ഫംഗ്ഷൻ കോളിംഗ് ആണ്. നിങ്ങൾ ടൂളുകൾ നിർവചിക്കുന്നു, ഏജന്റ് ഒരു കോൾ അഭ്യർത്ഥിക്കുന്നു, നിങ്ങളുടെ ആപ്ലിക്കേഷൻ അത് എക്സിക്യൂട്ട് ചെയ്ത് ഫലം തിരികെ നൽകുന്നു. മെമ്മറിക്കായി, ഏജന്റ് പ്രവർത്തിക്കുന്നതിന് മുമ്പ് ഒരു റീഡ് ഓപ്പറേഷനും അതിനുശേഷം ഒരു റൈറ്റ് ഓപ്പറേഷനും എന്നതാണ് ലളിതമായ ഒരു തുടക്കം.

ഏജന്റ് വീണ്ടെടുത്ത വസ്തുത മാത്രം ലോഗ് ചെയ്താൽ, അത് സഹായിച്ചോ എന്ന് നിങ്ങൾക്ക് അപ്പോഴും അറിയില്ല. ഫലം, ഉറവിടം, ഉപയോക്താവ് തിരുത്തിയ എന്തും ലോഗ് ചെയ്താൽ, ഒരു എപ്പിസോഡിക് ലെയറിന്റെ തുടക്കം നിങ്ങൾക്ക് ലഭിക്കും.

ഞങ്ങളുടെ MCP പിന്തുണ നിങ്ങൾക്ക് മറ്റൊരു വഴി നൽകുന്നു. നിങ്ങൾക്ക് ആവശ്യമായ ഓപ്പറേഷനുകൾ ഒരു അനുയോജ്യമായ റിമോട്ട് MCP സെർവർ ലഭ്യമാക്കുന്നുവെങ്കിൽ, ഓരോന്നും ഒരു കസ്റ്റം ഫംഗ്ഷനായി നിങ്ങൾ റാപ്പ് ചെയ്യാതെ തന്നെ ഏജന്റിന് അവ കോൾ ചെയ്യാൻ കഴിയും.

ഞങ്ങളുടെ കണക്ടറുകൾ ഓർമ്മകൾക്ക് പിന്നിലെ തെളിവുകളിലേക്ക് ഏജന്റിന് ആക്‌സസ് നൽകുന്നു. GitHub, Slack, Google Drive, Datadog, Linear, Notion എന്നിവ ഞങ്ങളുടെ മാനേജ്ഡ് കാറ്റലോഗിൽ ഉണ്ട്, ആന്തരിക സിസ്റ്റങ്ങൾക്കായി നിങ്ങൾക്ക് കസ്റ്റം കണക്ടറുകൾ ചേർക്കാനും കഴിയും.

അവസാനമായി, ചരിത്രം എപ്പോൾ അവലോകനം ചെയ്യണമെന്നും നിലവിലെ വിവരണം എപ്പോൾ പുതുക്കണമെന്നും തീരുമാനിക്കുക.

ഒരു പുതിയ സെഷനിൽ എന്ത് നിലനിൽക്കുന്നുവെന്ന് പരീക്ഷിക്കുക

ഇനി സംഭാഷണം അവസാനിപ്പിക്കുക. പഴയ സന്ദേശങ്ങൾ റീപ്ലേ ചെയ്യുകയോ previous_response_id നൽകുകയോ ചെയ്യാതെ ഒരു പുതിയ അഭ്യർത്ഥന ആരംഭിക്കുക, എന്നാൽ അതേ മെമ്മറി സ്റ്റോറിലേക്ക് ഏജന്റിന് ആക്‌സസ് നൽകുക. തിരുത്തൽ ആവർത്തിക്കാതെ തന്നെ ബന്ധപ്പെട്ട ജോലി ചെയ്യാൻ അതിനോട് ആവശ്യപ്പെടുക.

അതിന് ഓർമ്മപ്പെടുത്തൽ ആവശ്യമാണെങ്കിൽ, നിങ്ങളുടെ ജോലി ഇനിയും പൂർത്തിയായിട്ടില്ല.

ഡിപ്ലോയ്‌മെന്റ് ഏജന്റിനായി, മുന്നോട്ട് കൊണ്ടുപോകേണ്ട കാര്യങ്ങളെ ചുറ്റിപ്പറ്റി ഏതാനും ടെസ്റ്റുകൾ നിർമ്മിക്കുക:

• തിരുത്തൽ നിലനിൽക്കുന്നു: ബാധിക്കപ്പെട്ട സേവനത്തിനായുള്ള സ്ഥിരീകരിച്ച റോൾബാക്ക് കമാൻഡ് അത് വീണ്ടെടുത്ത് ഉപയോഗിക്കുന്നു.
• തിരുത്തൽ അതിന്റെ പരിധിക്കുള്ളിൽ നിൽക്കുന്നു: മറ്റ് സേവനങ്ങളുടെ നടപടിക്രമങ്ങളിൽ അത് മാറ്റം വരുത്തുന്നില്ല.
• പുതിയ വിവരങ്ങൾ പഴയ മാർഗ്ഗനിർദ്ദേശത്തിന് പകരമാകുന്നു: കമാൻഡ് വീണ്ടും മാറുമ്പോൾ, അത് നിലവിലെ പതിപ്പ് ഉപയോഗിക്കുന്നു, മാറ്റത്തെ അതിന്റെ ഉറവിടത്തിലേക്ക് പിന്തുടരാനും അതിന് കഴിയും.

ഏജന്റ് ഔട്ട്‌പുട്ടുകളും വീണ്ടെടുത്ത തെളിവുകളും എങ്ങനെ സംരക്ഷിക്കാം, പ്രതീക്ഷിക്കുന്ന പെരുമാറ്റവുമായി ഒത്തുനോക്കി അവ എങ്ങനെ പരിശോധിക്കാം, നിർദ്ദേശങ്ങളോ മോഡലുകളോ മാറ്റിയ ശേഷം റണ്ണുകൾ എങ്ങനെ താരതമ്യം ചെയ്യാം എന്നിവ ഞങ്ങളുടെ റിഗ്രഷൻ-ടെസ്റ്റിംഗ് കുക്ക്ബുക്ക് കാണിക്കുന്നു.

മെമ്മറിയോടുകൂടിയും അല്ലാതെയുമുള്ള റണ്ണുകൾ താരതമ്യം ചെയ്യുമ്പോൾ മോഡൽ, പ്രൊഫൈൽ, നൈപുണ്യം എന്നിവയുടെ പതിപ്പുകൾ മാറ്റമില്ലാതെ നിലനിർത്തുക. ഓരോ താരതമ്യവും സ്റ്റോറിന്റെ അറിയപ്പെടുന്ന ഒരു സ്നാപ്പ്ഷോട്ടിൽ നിന്ന് ആരംഭിക്കുക; അല്ലെങ്കിൽ, ഒരു ടെസ്റ്റ് അടുത്തതിന്റെ ഉത്തരം ഏജന്റിനെ പഠിപ്പിച്ചേക്കാം.

എന്തെങ്കിലും പരാജയപ്പെടുമ്പോൾ, ആ കേസ് സംരക്ഷിക്കുക. അടുത്ത മാറ്റം അത് പാസാകേണ്ടതുണ്ട്.

അല്ലെങ്കിൽ നിർമ്മാണം ഒഴിവാക്കുക: Computer-ലെ Brain

ഘടകങ്ങളല്ല, പൂർത്തിയായ ലൂപ്പാണ് നിങ്ങൾക്ക് വേണ്ടതെങ്കിൽ, അതാണ് Computer. അതിനടിയിൽ Brain പ്രവർത്തിക്കുന്നു, നാല് ഉറവിടങ്ങളിൽ നിന്ന് പഠിച്ചുകൊണ്ട്: നിങ്ങളുടെ സെഷനുകൾ, കണക്റ്റ് ചെയ്ത ടൂളുകൾ, നിങ്ങൾ സൃഷ്ടിക്കുന്ന ഫയലുകളും ആർട്ടിഫാക്ടുകളും, നിങ്ങളുടെ തിരുത്തലുകൾ. Brain-ന്റെ പശ്ചാത്തല അപ്‌ഡേറ്റുകൾ ഇപ്പോഴും സാധുവായവയെ ശക്തിപ്പെടുത്തുകയും, മാറിയവ പുതുക്കുകയും, കാലഹരണപ്പെട്ട വിവരങ്ങൾ അടയാളപ്പെടുത്തുകയും ചെയ്യുന്നു.

ആ ലൂപ്പ് നിങ്ങൾ സ്വയം നിർമ്മിക്കേണ്ടതില്ല. നിങ്ങൾ ജോലി ചെയ്താൽ മാത്രം മതി.

നിങ്ങൾ പങ്കിട്ട മുൻഗണനകളും വിശദാംശങ്ങളും മെമ്മറി സൂക്ഷിക്കുന്നു. പ്രോജക്റ്റുകൾ, ആളുകൾ, തീരുമാനങ്ങൾ, പൂർത്തിയാകാത്ത ജോലികൾ എന്നിവയെ അവയ്ക്ക് പിന്നിലെ തെളിവുകളുമായി Brain ബന്ധിപ്പിക്കുന്നു.

അത് എന്താണ് പഠിച്ചതെന്ന് മെമ്മറി വ്യൂവിൽ നിങ്ങൾക്ക് പരിശോധിക്കാം, എൻട്രികളെ അവയുടെ ഉറവിടങ്ങളിലേക്ക് പിന്തുടരാം, അവ എഡിറ്റ് ചെയ്യുകയോ ഇല്ലാതാക്കുകയോ ചെയ്യാം. Brain നിങ്ങളുടെ സ്വന്തം പ്രവർത്തനം ഉപയോഗിക്കുന്നു, ഇൻകോഗ്നിറ്റോ സെഷനുകൾ ഒഴിവാക്കുന്നു, അതിന് സ്വന്തമായി ഒരു ടോഗിളുമുണ്ട്.

വലുതാക്കുക

ഉദാഹരണത്തിന്, Rho-യിൽ ഒരു ഇൻവോയ്സിംഗ് പ്രോജക്റ്റിന്റെ തീരുമാനങ്ങൾ Slack, Notion, Jira, Figma, Google Docs എന്നിവയിലായി ചിതറിക്കിടക്കുകയായിരുന്നു. രാത്രിയിൽ മാറ്റങ്ങൾ അവലോകനം ചെയ്യാനും പൊരുത്തക്കേടുകൾ ഫ്ലാഗ് ചെയ്യാനും Slack-ൽ ഒരു പ്രഭാത സംഗ്രഹം പ്രസിദ്ധീകരിക്കാനും ടീം Computer സജ്ജമാക്കി.

Computer പ്രോജക്റ്റിനായി മെമ്മറിയും നിർമ്മിക്കുന്നുണ്ടെന്ന് അവരുടെ സോഫ്റ്റ്‌വെയർ എഞ്ചിനീയറായ Oktawian Jurkiewicz ശ്രദ്ധിച്ചു. “ഞങ്ങൾ അത് നിർവചിച്ചിരുന്നില്ല,” അദ്ദേഹം പറയുന്നു. “ഓരോ ഉറവിടത്തിൽ നിന്നും ഏതൊക്കെ ഡാറ്റാ പോയിന്റുകൾ സംഭരിക്കണമെന്ന് Computer സ്വയം കണ്ടെത്തി.”

ആഴ്ചതോറുമുള്ള മീറ്റിംഗ് സമയം 2.5 മണിക്കൂറിൽ നിന്ന് 15 മിനിറ്റായി കുറച്ചതായി ടീം റിപ്പോർട്ട് ചെയ്യുന്നു, 12 ആഴ്ചത്തെ പ്രോജക്റ്റിൽ 120 പ്രവൃത്തി മണിക്കൂറുകൾ ലാഭിച്ചതായി കണക്കാക്കുകയും ചെയ്യുന്നു.

ഈ 120 മണിക്കൂറുകളുടെ നേട്ടം മുഴുവൻ വർക്ക്ഫ്ലോയ്ക്കുമുള്ളതാണ്: കണക്ടറുകൾ, രാത്രികാല റണ്ണുകൾ, Slack സംഗ്രഹം. ലാഭിച്ച സമയത്തിൽ എത്രത്തോളം മെമ്മറിയിൽ നിന്ന് മാത്രം വന്നു? അത് ഇതുവരെ കണക്കാക്കാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞിട്ടില്ല.

എന്നാൽ ഞങ്ങൾക്ക് ഉപദേശിക്കാൻ കഴിയുന്നത് ഇതാണ്: നിങ്ങളുടെ സ്വന്തം ബിൽഡിനായി, നേരത്തെയുള്ള ടെസ്റ്റിലേക്ക് മടങ്ങുക—മെമ്മറി ലെയർ ഓണാക്കിയും ഓഫാക്കിയും തുല്യമായ ടാസ്‌ക്കുകൾ റൺ ചെയ്യുക, തുടർന്ന് ഫലം തിരുത്താൻ ആരെങ്കിലും ചെലവഴിക്കുന്ന സമയം ഉൾപ്പെടെ, പൂർത്തീകരണ നിരക്കുകൾ, ചെലവ്, സമയം എന്നിവ താരതമ്യം ചെയ്യുക.

AI ഏജന്റ് മെമ്മറി: പതിവുചോദ്യങ്ങൾ

AI ഏജന്റുകൾക്ക് മെമ്മറി ഉണ്ടാകുമോ?

അതെ. സംഭരിച്ച സംഭാഷണങ്ങൾ, വസ്തുതകൾ, മുൻഗണനകൾ, പുനരുപയോഗിക്കാവുന്ന നടപടിക്രമങ്ങൾ എന്നിവയിലൂടെ AI ഏജന്റുകൾക്ക് സെഷനുകളിലുടനീളം വിവരങ്ങൾ നിലനിർത്താൻ കഴിയും. ആ വിവരങ്ങൾ പ്രസക്തമാകുമ്പോൾ സിസ്റ്റം അവ വീണ്ടെടുക്കുകയും സാഹചര്യങ്ങൾ മാറുമ്പോൾ അപ്‌ഡേറ്റ് ചെയ്യുകയും വേണം.

ഉദാഹരണത്തിന്, Perplexity Computer-ലെ Brain സെഷനുകൾ, കണക്റ്റ് ചെയ്ത ടൂളുകൾ, ഫയലുകൾ, ഉപയോക്തൃ തിരുത്തലുകൾ എന്നിവയിൽ നിന്ന് പ്രവർത്തന സന്ദർഭം നിർമ്മിക്കുന്നു.

ഒരു AI ഏജന്റ് എത്ര RAM ഉപയോഗിക്കുന്നു?

ഒരൊറ്റ നിശ്ചിത ആവശ്യകതയില്ല. നിങ്ങളുടെ ഏജന്റ് Perplexity Agent API വഴി ഒരു ഹോസ്റ്റ് ചെയ്ത മോഡലിനെ കോൾ ചെയ്യുന്നുവെങ്കിൽ, ആ മോഡൽ നിങ്ങളുടെ സ്വന്തം RAM-ൽ ലോഡ് ചെയ്യേണ്ടതില്ല. എന്നിരുന്നാലും നിങ്ങളുടെ ആപ്ലിക്കേഷനും ലോക്കൽ ടൂളുകൾക്കും മെമ്മറി ആവശ്യമാണ്.

ഒരു ലോക്കൽ മോഡൽ റൺ വ്യത്യസ്തമാണ്. ഓരോ പാരാമീറ്ററിനും നാല് ബിറ്റുകൾ എന്ന നിരക്കിൽ, എട്ട് ബില്യൺ പാരാമീറ്ററുകൾ ഏകദേശം 4 GB അസംസ്കൃത വെയ്റ്റ് ഡാറ്റ ആകും. ക്വാണ്ടൈസേഷൻ ഓവർഹെഡ്, സന്ദർഭ പ്രോസസ്സിംഗ്, മോഡൽ പ്രവർത്തിപ്പിക്കുന്ന സോഫ്റ്റ്‌വെയർ എന്നിവ ഉൾപ്പെടുത്തുമ്പോൾ യഥാർത്ഥത്തിൽ ആവശ്യമായ മെമ്മറി ഇതിലും കൂടുതലാണ്.

ഒരു AI ഏജന്റിന് ഏറ്റവും മികച്ച മെമ്മറി ഏതാണ്?

ഏജന്റ് എന്താണ് മുന്നോട്ട് കൊണ്ടുപോകേണ്ടത് എന്നതിനെ ആശ്രയിച്ചാണ് മികച്ച സജ്ജീകരണം. സംഭാഷണ നില തുടർചോദ്യങ്ങളെ പിന്തുണയ്ക്കുന്നു; എപ്പിസോഡിക് രേഖകൾ എന്ത് സംഭവിച്ചുവെന്ന് സംരക്ഷിക്കുന്നു; സെമാന്റിക് മെമ്മറി നിലവിലെ അറിവ് സൂക്ഷിക്കുന്നു; പ്രൊസീജറൽ മെമ്മറി പുനരുപയോഗിക്കാവുന്ന നിർദ്ദേശങ്ങൾ നൽകുന്നു.

തുടർന്നുകൊണ്ടിരിക്കുന്ന മിക്ക ജോലികൾക്കും ഇവയുടെ ഒരു സംയോജനം ഗുണം ചെയ്യും. Brain-നായി ഞങ്ങൾ ഉറവിടങ്ങളുടെ പിന്തുണയുള്ള, പരസ്പരം ലിങ്ക് ചെയ്ത ഒരു വിക്കി ഉപയോഗിക്കുന്നു. നിങ്ങളുടെ സ്വന്തം ബിൽഡിനായി, ടാസ്‌ക്കുകൾ പൂർത്തിയാക്കാനും തിരുത്തലുകൾ പ്രയോഗിക്കാനും കാലഹരണപ്പെട്ട മാർഗ്ഗനിർദ്ദേശങ്ങൾ ഒഴിവാക്കാനും ആ സജ്ജീകരണം ഏജന്റിനെ സഹായിക്കുന്നുണ്ടോ എന്ന് പരീക്ഷിക്കുക.