Brain: నాలెడ్జ్ వికీగా ఏజెంటిక్ మెమరీ

కంప్యూటర్ వినియోగదారులు నెలలు మరియు వందలాది సెషన్‌లను విస్తరించే పని చేస్తారు. పదవ సెషన్ నాటికి, సిస్టమ్ మొదటి దాని కంటే చాలా ఎక్కువ ఉత్పాదకతను కలిగి ఉండాలి. ఇది వినియోగదారుపై, వారి ప్రాధాన్యతలపై మరియు ఇప్పటికే చేసిన పనిపై సందర్భాన్ని కూడగట్టుకోవాలి.

ఉదాహరణకు, వినియోగదారు ముందు వివరించిన ఒక workflow యొక్క diagram గీయమని అడిగినప్పుడు, Computer వివరాలను గుర్తు చేసుకొని, వాటిని ఉపయోగించి వినియోగదారి ఇష్టమైన శైలిలో ఒక figureను సృష్టించి అవుట్‌పుట్ చేయాలి. వినియోగదారు workflow వివరాలను మళ్లీ వివరించాల్సిన అవసరం లేదు లేదా PDF మీద PNG ఆర్టిఫ్యాక్ట్‌లకు ఉన్న తన ప్రాధాన్యతను మళ్లీ చెప్పాల్సిన అవసరం లేదు; వ్యవస్థ గత sessions నుండి ఆ context‌ను ఖచ్చితంగా తిరిగి పొందగలిగి, దానిని స్వయంచాలకంగా వర్తింపజేయగలగాలి.

మెమరీ అనేది నిరంతర ఏజెంట్ మెరుగుదల యొక్క ఆధారం. సమర్థవంతమైన మెమరీ సిస్టమ్ నిర్మాణాత్మకమైనది, ట్రేసబుల్ మరియు అనుకూలమైనదిగా ఉండాలి, ప్రతి పనికి సరైన వెడల్పు మరియు లోతులో శోధించడానికి ఏజెంట్లను सक्षम చేస్తుంది, అదే సమయంలో అత్యంత ప్రస్తుత సమాచారంలో ప్రతి నిర్ణయాన్ని గ్రౌండ్ చేస్తుంది.

పరిచయం

ఏజెంట్లకు సంబంధిత సందర్భాన్ని అందించడం అనేది బహుముఖ సమస్య. మొదటిది, ఏమి ఉంది మరియు దానిని ఎలా యాక్సెస్ చేయాలో ఏజెంట్లకు తెలియాలి. రెండవది, వారు సహాయకరమైన సమాచారాన్ని కనుగొన్నప్పుడు, అది పూర్తి, ఖచ్చితమైన మరియు తాజాగా ఉందని వారు నిర్ధారించుకోవాలి. ఏజెంట్ సంబంధిత సమాచారాన్ని కనుగొనగలిగితే, అది విశ్వసనీయ మూలం నుండి వచ్చిందని ధృవీకరించగలిగితే మరియు మరింత ఇటీవలి పరిశీలనతో అప్‌డేట్ చేయవలసిన అవసరం లేదని నిర్ధారించుకోగలిగితే తప్ప ఒంటరి నిజం పరిమిత విలువను కలిగి ఉంటుంది.

స్థిరమైన memory files‌ను నేరుగా model context‌లో నింపడం ఏజెంట్లకు accessibilityను గరిష్టం చేస్తుంది, కానీ ఇది క్లాసిక్ precision-recall tradeoffను తెస్తుంది. చాలా ఎక్కువ సమాచారం ఏజెంట్ యొక్క context window‌ను క్రమంగా తక్కువ ప్రాధాన్యత గల అంశాలతో నింపేస్తుంది, అయితే చాలా తక్కువ సమాచారం సంబంధిత context లేకపోవడం వల్ల answer qualityను దిగజారుస్తుంది. దీనికి విరుద్ధంగా, external databases‌కు on-demand access మరింత flexible‌గా ఉంటుంది, కానీ navigation భారాన్ని ఏజెంట్‌పైకి మళ్లిస్తుంది. Vector databases తరచుగా disconnected fragments‌ను నిల్వ చేస్తాయి, మరియు graph databases ఏజెంట్లు ఎలా query చేయాలో సమర్థవంతంగా తెలుసుకోవాల్సి ఉంటుంది.

ఇటీవల, మేము Brainను పరిచయం చేశాము, ఇది Computer యొక్క memory system‌లోని ఒక ప్రధాన భాగం, మరియు రెండు ప్రపంచాల ఉత్తమతను అందిస్తుంది. Brain అనేది స్థిరమైన memory files మరియు evidence‌పై నిలిచే నిర్మిత జ్ఞాన వికీ. citations వాదనలను వాటి మూలాలతో అనుసంధానిస్తాయి, మరియు సంబంధిత సమాచార భాగాలు పరస్పరంగా కలుపబడతాయి. ఈ వ్యవస్థీకృత వికీ అవసరమైనప్పుడు context‌ను నావిగేట్ చేయగలిగేలా చేస్తుంది, అదే సమయంలో వివరమైన ఆర్టిఫ్యాక్ట్‌లు దాని కింద ఉన్న లేయర్‌లో నిల్వ ఉంటాయి.

విస్తరించు

Brain మూడు కీలక భాగాలతో కూడిన సమగ్ర మెమరీ సిస్టమ్‌కు కనెక్ట్ చేస్తుంది: మన్నికైన మెమరీ నిల్వ, ప్రశ్నలకు సమాధానం ఇవ్వడానికి మెమరీని ఉపయోగించే ఫోర్‌గ్రౌండ్ ఏజెంట్లు మరియు మెమరీని అప్‌డేట్ చేసే మరియు మెరుగుపరిచే బ్యాక్‌గ్రౌండ్ ఏజెంట్లు. Brain యొక్క మొత్తం సిస్టమ్ ఆర్కిటెక్చర్‌లో ఈ భాగాలు ఉన్నాయని క్రింది చిత్రం చిత్రీకరిస్తుంది.

విస్తరించు

ఈ వ్యాసంలో, మేము ప్రతి లేయర్‌ను లోతుగా వివరిస్తాము, Brain మెమరీని ఎలా నిర్వహిస్తుంది, ఏజెంట్లు దానిని ఎలా ఉపయోగిస్తాయి మరియు బ్యాక్‌గ్రౌండ్ ప్రాసెస్‌లు దానిని ఎలా అప్‌డేట్ చేస్తాయి అని వివరిస్తాము. Brain డిజైన్‌ను ధృవీకరించే అంతర్గత మూల్యాంకనాల ఫలితాలను కూడా మేము ప్రదర్శిస్తాము, ఇది తక్కువ ఖర్చుతో ఏజెంట్ పనితీరును మెరుగుపరుస్తుందని ప్రదర్శిస్తుంది.

మెమరీ సంస్థ మరియు నిల్వ

ప్రతి సందర్భాన్ని ప్రాంప్ట్‌లో బలవంతంగా ఉంచకుండా వినియోగదారు పూర్తి చరిత్రకు స్కేల్ అయ్యే ప్రాతినిధ్యం మెమరీకి అవసరం. కంప్యూటర్ మెమరీ సిస్టమ్ నిరంతర సందర్భాన్ని ఫైల్‌సిస్టమ్‌గా సూచిస్తుంది. Brain పరా సోర్సెస్ అంతటా జ్ఞానాన్ని సంశ్లేషణ చేస్తుంది, సంబంధిత విషయాలను కనెక్ట్ చేస్తుంది మరియు క్లెయిమ్‌లను వాటికి మద్దతు ఇచ్చే సెషన్‌లు మరియు ఫైళ్లకు తిరిగి కనెక్ట్ చేస్తుంది. ఈ నిర్మాణం, క్రింద వివరించబడింది, ఏజెంట్లకు ప్రత్యేకంగా సరిపోయే రూపంలో మెమరీని నిర్వహించడానికి మాకు అనుమతిస్తుంది.

ఫైల్‌సిస్టమ్-ఆధారిత మెమరీ

కంప్యూటర్ సెషన్‌లు ఇప్పటికే ఫైల్‌సిస్టమ్, షెల్ మరియు I/O యుటిలిటీలతో కూడిన శాండ్‌బాక్స్‌లో ఉంటాయి. Brainను డిజైన్ చేయడంలో, మోడల్ మరియు ఏజెంట్ మెమరీ మధ్య ఇంటర్‌ఫేస్‌లో వీలైనంత తక్కువ కొత్త యంత్రాలను పరిచయం చేయాలనుకున్నాము. అందుకే మేము ఫైల్‌సిస్టమ్-స్థానిక సందర్భం లేయర్ పైన Brainను నిర్మించాము. శాండ్‌బాక్స్‌లోని memory/ డైరెక్టరీ కింద మెమరీ ఫైల్‌లుగా మెటీరియలైజ్ చేయబడుతుంది, మరియు ఏజెంట్ ప్రతిదానిపై ఇప్పటికే ఉపయోగించే అదే సాధనాలను మెమరీ ఫైల్‌లపై కూడా ఉపయోగిస్తుంది.

మెమరీ ట్రీ యొక్క మూలంలో వివిధ స్థాయిల అమూర్తత వద్ద సందర్భాన్ని నిర్వహించే మూడు టాప్-లెవెల్ డైరెక్టరీలు ఉన్నాయి. knowledge/ అనేది Brain స్వయంగా, ఇది ఎంటిటీలు, కాన్సెప్ట్‌లు, యాక్టివ్ ప్రాజెక్ట్‌లు మరియు గత అభ్యాసాలను లింక్ చేసే సంశ్లేషణ చేయబడిన నాలెడ్జ్ వికీ; notes/ అనేది టాపికల్ ఫోల్డర్‌లుగా నిర్వహించబడిన డిస్టిల్డ్ స్నిప్పెట్‌లను కలిగి ఉంటుంది; మరియు sessions/ ఇండెక్స్‌లు, సారాంశాలు మరియు పూర్తి ట్రాన్‌స్క్రిప్ట్‌లను రా హిస్టరీలుగా కలిగి ఉంటుంది. క్రింది చిత్రం లేఅవుట్ యొక్క సరళీకృత వీక్షణను చూపుతుంది.

విస్తరించు

ఉపరితలాలు ఉద్దేశపూర్వకంగా రిడండెంట్. సాధారణ, సింగిల్-హాప్ ప్రశ్నల కోసం, కీలక పదం కోసం /notes లోని స్నిప్పెట్‌ల కోసం వెతకడం తరచుగా సరిపోతుంది, అయితే /knowledge లేయర్ వారాలు లేదా నెలల కంప్యూటర్ సెషన్‌లలో సాక్ష్యాలను కుట్టడం అవసరమైన ప్రశ్నలకు అత్యంత ఉపయోగకరంగా ఉంటుంది.

Brain: నాలెడ్జ్ వికీ

Brain అనేది ఒక LLM వికీ వలె ఫార్మాట్ చేయబడింది, ఇది లింక్ చేయబడిన మార్క్‌డౌన్ ఫైల్‌ల సిస్టమ్. ఈ తేలికపాటి నిర్మాణాత్మక మార్క్‌డౌన్ రూపం ఇప్పటికే ఉన్న సందర్భం యొక్క సంపూర్ణ వీక్షణను అందిస్తుంది, తద్వారా ఏజెంట్లు ఏ రికార్డులు అందుబాటులో ఉన్నాయి, అవి ఎలా సంబంధం కలిగి ఉన్నాయి మరియు వాటిని ఎక్కడ కనుగొనాలో సులభంగా అర్థం చేసుకోగలవు. ప్రతి పేజీ ఒక అంశం యొక్క నిర్వహించబడిన వీక్షణ; లింక్‌ల ద్వారా తదుపరి అన్వేషణను సులభతరం చేస్తూనే ఇది ఒంటరిగా చదివినప్పుడు ఉపయోగకరంగా ఉంటుంది.

లింకులు రెండు రకాలుగా ఉంటాయి. [[wikilinks]] context edges. అవి pages‌ను laterally అనుసంధానిస్తాయి; ఒక project తన ownerకు, తన clientకు, లేదా అది ఆధారపడే concepts‌కు link కావచ్చు. వాటిని అనుసరించడం "నాకు ఇంకేం తెలుసుకోవాలి?" అనే ప్రశ్నకు సమాధానం ఇస్తుంది. [cite:N] references evidence edges. అవి claims‌ను వాటిని మద్దతు చేసే raw sessions లేదా connector sourcesకి కిందివైపు అనుసంధానిస్తాయి. వాటిని అనుసరించడం "ఇది నిజమని నాకు ఎలా తెలుసు?" అనే ప్రశ్నకు సమాధానం ఇస్తుంది.

క్రింద ఉన్న figures synthetic persona, accessibility researcher అయిన Nadia కోసం Brain యొక్క ఒక భాగం ఎలా కనిపిస్తుందో చూపిస్తాయి. ఆమె Brain‌లో sample projectపై ఒక page, Japanలో ఒక universal design sprint, sessions మరియు connectors నుండి జ్ఞానాన్ని సంకలనం చేయడం ఉన్నాయి. graph view, pageలో ఉన్న context మరియు evidence edges సంబంధిత entities మరియు sourcesను ఎలా అనుసంధానిస్తాయో ప్రదర్శిస్తుంది.

విస్తరించు

విస్తరించు

వెర్షన్ హిస్టరీని సంరక్షించడానికి Brain అనేది Git-బ్యాక్ చేయబడింది, ఇది దాని నిరంతరం అభివృద్ధి చెందే స్వభావాన్ని సపోర్ట్ చేస్తుంది. కాలక్రమేణా పేజీలను ఎడిట్ చేయవచ్చు, అయితే చాంగ్‌లాగ్‌లు కీలకమైన అప్‌డేట్‌లను రికార్డ్ చేస్తాయి మరియు గత వెర్షన్‌లు మరియు డిఫ్‌లను సులభంగా తనిఖీ చేయడానికి ఏజెంట్‌లను అనుమతిస్తాయి. ఇది ఏజెంటిక్ సమన్వయానికి కూడా మద్దతు ఇస్తుంది, ఇది చాలా కీలకం ఎందుకంటే బహుళ ఏజెంట్లు ఒకేసారి Brainను ఉపయోగించవచ్చు మరియు అప్‌డేట్ చేయవచ్చు.

Brainను ఉపయోగిస్తోంది

వినియోగదారు ప్రశ్నలకు సమాధానమిచ్చేటప్పుడు, ఏజెంట్లు సరైన వివరాల స్థాయిలో సరైన సందర్భాన్ని కనుగొనగలగాలి. Brain నిర్మాణం ఏజెంట్లు మెమరీని అన్వేషించడాన్ని సులభతరం చేస్తుంది. సంబంధిత సమాచారాన్ని కనుగొనడానికి కాంటెక్స్ట్ లింక్‌లను అనుసరించడం, దావాలను ధృవీకరించడానికి ఎవిడెన్స్ లింక్‌లను అనుసరించడం లేదా అదనపు సందర్భాన్ని పొందడానికి మరియు సంశ్లేషణ చేయడానికి సబ్ ఏజెంట్‌ను పిలవడం వంటి చర్యలతో కూడిన దశల మధ్య ఏజెంట్లు ఎంచుకోవచ్చు. సంబంధిత సమాచారానికి ఏజెంట్ల యాక్సెస్ సౌలభ్యాన్ని పెంచే లక్ష్యంతో మేము అనేక మార్గాల్లో ఏజెంటిక్ అన్వేషణ ప్రక్రియను నడిపిస్తాము.

అన్వేషణ వ్యూహం

ప్రారంభ వినియోగదారు సందేశంలో మేము Brain యొక్క కాంపాక్ట్ ఇండెక్స్‌ను చేర్చుతాము, తద్వారా ఏజెంట్ ఇప్పటికే ఏమి ఉందనే దాని గురించిన వర్కింగ్ నాలెడ్జ్‌తో ప్రారంభమవుతుంది. ఏజెంట్ అప్పుడు సుపరిచితమైన కార్యకలాపాలను ఉపయోగించి Brainతో ఇంటరాక్ట్ అవుతుంది: ఇండెక్స్ ద్వారా సూచించబడిన నిర్దిష్ట అంశాలను చదవడం, పేజీల అంతటా శోధించడానికి grep ఉపయోగించడం, లింక్‌లను అనుసరించడం మరియు సైటేషన్‌లను తనిఖీ చేయడం, Git రివిజన్‌లను పోల్చడం మరియు సెషన్‌లు లేదా రా ట్రాజెంట్రీలోకి దిగడం. క్రింది కోడ్ బ్లాక్ సింథటిక్ పర్సానా కోసం నమూనా ఆదేశాలను చిత్రీకరిస్తుంది.

స్థిరమైన పైప్‌లైన్‌కు బదులుగా, ఏజెంట్లు స్వీయ-నిర్దేశిత లూప్ ద్వారా ఈ సందర్భాన్ని అన్వేషిస్తారు. అందువల్ల, కనుగొనబడిన సందర్భంతో సంతృప్తి చెందే వరకు ఏజెంట్ శోధించడం కొనసాగించవచ్చు. వివరాలను కనుగొనడానికి లేదా ధృవీకరించడానికి సైటేషన్‌లు మరియు సాక్ష్యాలను ఎప్పుడు తనిఖీ చేయాలో కూడా ఏజెంట్ ఎంచుకోవచ్చు. ప్రాధాన్యత యొక్క చిన్న విషయం ఒకే Brain పేజీ నుండి నేరుగా స్వీకరించబడవచ్చు, అయితే పర్యవసానమైన నిర్ణయం లేదా సోర్సెస్ మధ్య సంఘర్షణ సైటేషన్‌ను అనుసరించడం మరియు అసలు రికార్డును చదవడం సమర్థించవచ్చు. గ్రాఫ్-ఆధారిత నిర్మాణం ఏజెంట్‌ను సంబంధిత సమాచారం కోసం లక్ష్యం లేకుండా శోధించడానికి బదులుగా కాంక్రీట్ తదుపరి దశల మధ్య ఎంచుకోవడానికి అనుమతిస్తుంది.

విస్తరించు

ఫైల్ మెటీరియలైజేషన్

ఏజెంటిక్ అన్వేషణ పని చేయడానికి, ఏజెంట్‌కు శాండ్‌బాక్స్ ఫైల్‌సిస్టమ్ ద్వారా మొత్తం memory/ ట్రీకి యాక్సెస్ ఉండాలి. శాండ్‌బాక్స్ బూట్ అయిన ప్రతిసారీ మొత్తం ట్రీని స్థానికంగా కాపీ చేయడం ఖరీదైనది మరియు అనవసరమైనది, ఎందుకంటే ఏజెంట్ ఆ ఫైల్‌లలో ఎక్కువ భాగాలను తాకదు. మరొక ఎంపిక రిమోట్ ఫైల్‌సిస్టమ్‌ను ఉపయోగించడం, తద్వారా ఏజెంట్లు వాటిని స్థానికంగా కాపీ చేయకుండానే ఏదైనా ఫైల్‌ను యాక్సెస్ చేయవచ్చు. అయినప్పటికీ, ఏజెంట్లు తరచుగా ఒకే ఆదేశంలో వేలకొద్దీ ఫైల్‌సిస్టమ్ కార్యకలాపాలను నిర్వహిస్తాయి; ప్రతి ఒక్కటి నెట్‌వర్క్ రిక్వెస్ట్ అయితే, రౌండ్-ట్రిప్ ఖర్చు అన్వేషణ లూప్‌లో ఆధిపత్యం చెలాయించడం ప్రారంభమవుతుంది. అంతర్గత పరీక్షలో, రిమోట్ FUSE-బ్యాక్డ్ పాత్‌పై సాధారణ grep వర్క్‌లోడ్‌లు స్థానిక ఫైళ్లపై సమానమైన కార్యకలాపాల కంటే దాదాపు 400 నుండి 500 రెట్లు నెమ్మదిగా ఉన్నాయి.

బదులుగా, మేము materialized files యొక్క స్థానిక working set‌ను నిర్మిస్తాము, అదే సమయంలో పెద్ద corpus memory retrieval system వెనుక ఉంటుంది. Computer ప్రారంభమైనప్పుడు, అది recent memories, sessions, summaries, మరియు అందుబాటులో ఉన్న knowledge నుండి తీసుకున్న ప్రాథమిక map‌ను sandboxపై preloads చేస్తుంది. Computer agents‌కు Memory Agent అనే subagent‌కు ప్రాప్యత ఉంటుంది, అది semantic search నిర్వహించి కొత్త set of files‌ను load చేయగలదు. అవసరమైన context లేకపోతే, Computer అవసరమైన సమాచార వివరణతో Memory Agent‌ను call చేయగలదు. Memory Agent files across search చేసి, వెంటనే ఒక text synthesis‌ను తిరిగి ఇస్తుంది, అలాగే మద్దతు records‌ను memory tree కింద files‌గా materialize చేస్తుంది. ఈ విధంగా, working set కాలక్రమేణా సహజంగా మరియు క్రమంగా విస్తరిస్తుంది, ఇప్పటికే ఉన్న evidence కోసం stable paths మరియు source relationships‌ను సంరక్షిస్తుంది.

విస్తరించు

ఈ డిజైన్ లేటెన్సీ బాటిల్‌నెక్‌ను స్పష్టంగా పరిష్కరిస్తుంది. సంబంధిత ఫైళ్లను స్థానికంగా నిల్వ చేయడం వలన అన్వేషణకు అవసరమైన ఫైల్‌సిస్టమ్ కార్యకలాపాలు వేగంగా ఉండేలా చూస్తుంది, మరియు బ్యాచ్డ్ రిట్రీవల్ ప్రతి ఫైల్‌కు విడివిడి కాల్‌లు చేయకుండా లేదా పెద్ద సంఖ్యలో సంబంధం లేని ఫైళ్లను లోడ్ చేయకుండా మెటీరియలైజ్ చేయబడిన ఫైళ్ల పూల్ పెరగడానికి అనుమతిస్తుంది. నెస్టెడ్-ఏజెంట్ డిజైన్ కూడా ప్రధాన ఏజెంట్ ప్రతిసారీ పూర్తి బ్యాక్‌ఎండ్ కార్పస్‌ను నేరుగా శోధించాల్సిన అవసరం లేకుండా ఏజెంటిక్ రిట్రీవల్ ప్రయోజనాలను కంప్యూటర్‌కు అందిస్తుంది, అత్యున్నత విలువైన సమాచారం కోసం దాని స్వంత కాంటెక్స్ట్ విండోను సంరక్షిస్తుంది.

Brainను నిర్వహిస్తోంది

వినియోగదారులు తాము చేసే పని నుండి మరియు వారు చేసే సంభాషణల నుండి నిరంతరం నేర్చుకుంటూ ఉంటారు, కాబట్టి ఏజెంటిక్ మెమరీ కూడా అలాగే చేయాలి. Brain ఉపయోగకరంగా ఉండటానికి, ఇది అత్యంత ముఖ్యమైన జ్ఞానం యొక్క సంక్షిప్త ప్రాతినిధ్యంగా ఉండాలి. ముఖ్యమైన కొత్త ఎంటిటీల కోసం కొత్త పేజీలు సృష్టించబడాలి, సంబంధిత Brain పేజీలకు కొత్త సమాచారం జోడించబడాలి మరియు పాత సందర్భం సీజనబుల్ తొలగించబడాలి. ఉదాహరణకు, వినియోగదారు ఉద్యోగం మారితే, Brain ఆ మార్పును ప్రతిబింబించాలి; ఇది వినియోగదారు కొత్త ఉద్యోగాన్ని కలిగి ఉండాలి మరియు వారి కొత్త బాధ్యతలు మరియు ప్రాజెక్ట్‌లకు సంబంధించిన సమాచారానికి ప్రాధాన్యత ఇవ్వాలి.

Dream అని పిలిచే బ్యాక్‌గ్రౌండ్ ఏజెంట్ల ద్వారా Brain నిర్వహించబడుతుంది. Dream ఏజెంట్లు ఫైల్-ఆధారిత మెమరీపై ఆఫ్‌లైన్‌లో రన్ అవుతాయి, కొత్త సమాచారాన్ని Brain అప్‌డేట్‌లుగా సంశ్లేషణ చేస్తాయి. Brain అప్‌డేట్‌లు స్థిరంగా మరియు ఖచ్చితమైనవిగా ఉండేలా చూసేందుకు Dream- నిర్దిష్ట గార్డ్‌రైల్స్‌తో పాటు, ఈ టాప్‌ను సమర్థవంతంగా నిర్వహించడానికి మేము Dream ఏజెంట్ల పరిధిని మరియు ప్రవర్తనను జాగ్రత్తగా నిర్వచించాము.

Dream: మెమరీ రిఫైన్‌మెంట్ కోసం బ్యాక్‌గ్రౌండ్ ఏజెంట్లు

ఇంటరాక్టివ్ కంప్యూటర్ సెషన్ కలిగి ఉండే అదే ఫైల్‌సిస్టమ్ మరియు రీడ్-ఓన్లీ టూల్స్‌కు యాక్సెస్‌తో Dream ఏజెంట్లు శాండ్‌బాక్స్‌లలో రన్ అవుతాయి, అయితే భవిష్యత్ సెషన్‌ల కోసం సందర్భాన్ని మెరుగుపరచడమే వాటి ఏకైక లక్ష్యం. వినియోగదారు సందర్భాన్ని మొదటి నుండి పునర్నిర్మించడానికి బదులుగా మునుపటి రన్‌ల ద్వారా ఉత్పత్తి చేయబడిన Brain నుండి ప్రతి రన్ ప్రారంభమవుతుంది. ఇది భవిష్యత్ రన్‌లు ఉపయోగించడానికి అప్‌డేట్ చేయబడిన Brainను ఉత్పత్తి చేయడానికి ఆ ప్రస్తుత Brainను ఉపయోగిస్తుంది.

విస్తరించు

ఒక Dream ఏజెంట్‌కు ఒక పరిసర వాతావరణం అందుతుంది, మరియు స్థిరమైన ఇన్‌పుట్‌ను ఒకే ప్రాంప్ట్‌గా ఫ్లాట్ చేయించి అందుకోవడం బదులు, దాన్ని ఎలా అన్వేషించాలో నిర్ణయిస్తుంది. అది ఫైల్-ఆధారిత మెమరీలో నావిగేట్ చేయగలదు, జ్ఞానంలోని ఒక భాగాన్ని ధృవీకరించడానికి ఆమోదించబడిన read-only కనెక్టర్ సాధనాలను ఉపయోగించగలదు, అలాగే Memory Agent సహా, పనిలోని నియంత్రిత భాగాలను ఉపఏజెంట్లకు అప్పగించగలదు. Dream ఏజెంట్ యొక్క పరిధి మరియు బాధ్యతలు Skillగా నిర్దిష్టించబడతాయి.

స్థూలంగా చెప్పాలంటే, ఒక Dream రన్‌లో 4 దశలు ఉంటాయి:

1. ఓరియంట్: ఏజెంట్ క్రమబద్ధమైన ఓరియంటేషన్ విధానాన్ని పూర్తి చేస్తుంది. ఇది అధికారిక పరిధి, స్టాండింగ్ సూచనలు, తొలగింపు లాగ్, అదనపు ఇన్‌పుట్లు మరియు ఆపే షరతులను గుర్తిస్తుంది.
2. సెషన్‌లను సారాంశం చేయండి: చివరి అప్‌డేట్ నుండి కొత్తవి (లేదా కొత్త టర్న్‌లను కలిగి ఉన్నవి) అయిన ప్రతి సెషన్ కోసం, ఏజెంట్ సెషన్ యొక్క చిన్న సారాంశాన్ని వ్రాస్తాడు (లేదా అప్‌డేట్ చేస్తాడు).
3. అంశాలకు వాస్తవాలను జోడించండి: ఏజెంట్ తాను ముఖ్యమైనవిగా భావించే ప్రతి పరిశీలనను దాని సరైన నివాసానికి జోడిస్తుంది, ఇది సాధారణంగా వికీ పేజీ. అందుబాటులో ఉన్నప్పుడు ఇది ప్రామాణీకరించిన కనెక్టర్‌లను పరిశీలిస్తుంది మరియు ప్రశ్నిస్తుంది.
4. నాలెడ్జ్ వికీని అప్‌డేట్ చేయండి: ఏజెంట్ తన పరిశోధనల ఆధారంగా వికీని అప్‌డేట్ చేస్తుంది. ఇది మన్నికైన అంశాల కోసం కొత్త పేజీలను రూపొందించవచ్చు, ప్రస్తుత సంశ్లేషణ మారినప్పుడు పేజీలను సవరించవచ్చు లేదా వాస్తవిక దావాకు మద్దతు ఇచ్చే కొత్త లింక్‌లు లేదా సైటేషన్‌లను జోడించవచ్చు. ప్రస్తుత గ్రాఫ్ ఇప్పటికే సరిగ్గా ఉన్నప్పుడు ఏజెంట్ ఎటువంటి మార్పులు చేయకూడదని కూడా ఎంచుకోవచ్చు.

Brainకు ఏవైనా అప్‌డేట్‌లు పూర్తి మరియు స్థిరంగా ఉండేలా చూసేందుకు, ఏజెంట్లు ప్రతిపాదిత స్థితిని స్టేజ్ చేసిన అవుట్‌పుట్ ట్రీలో వ్రాస్తారు. ఏజెంట్ తాను అవసరమని భావించే అన్ని అప్‌డేట్‌లను చేసే వరకు ఎలాంటి శాశ్వత మార్పులు చేయబడవు. ఆ నిర్ణయాలను ఒకే ఏజెంటిక్ ప్రక్రియలో సమన్వయం చేయడం వలన సంబంధం లేని పేజీలుగా కాకుండా మొత్తంగా గ్రాఫ్‌ను అప్‌డేట్ చేయడం సాధ్యపడుతుంది.

విస్తరించు

ఏ మార్పులైనా రెండు రకాల verification checks‌ను దాటాలి. Deterministic validation checks పేజీలు well-formed‌గా ఉండి, అవసరమైన frontmatter మరియు citation format వంటి objective criteriaను కలుస్తున్నాయో లేదో నిర్ధారిస్తాయి. Semantic verification checks ప్రతిపాదిత synthesis సేకరించిన evidence ద్వారా మద్దతు పొందిందని, మరియు graphలోని మిగతా భాగంతో సుసంగతంగా ఉందని నిర్ధారిస్తాయి. ఏజెంట్ విజయవంతంగా పూర్తి చేసిన తర్వాత, controlled synchronization step staged output‌ను మునుపటి state‌తో పోల్చి, repositoryకి మార్పులను వర్తింపజేస్తుంది. synchronization step పూర్తయినప్పుడు, edits యొక్క తుది సమూహాన్ని Git version history ద్వారా పరిశీలించవచ్చు.

Brainను ధృవీకరిస్తోంది

ఉపయోగకరమైన మెమరీ సిస్టమ్ సంబంధిత సాక్ష్యాలను సంరక్షించాలి, అవసరమైనప్పుడు వాటిని ఉపరితలంపైకి తీసుకురావాలి మరియు ఆ సాక్ష్యాన్ని సరైన సమాధానంగా మార్చడానికి ఏజెంట్‌కు సహాయపడాలి. అందువల్ల మేము బహుళ స్థాయిలలో Brainను మూల్యాంకనం చేస్తాము: నియంత్రిత ఆఫ్‌లైన్ అబ్లేషన్‌లు, నిరంతర జత చేసిన రీప్లే మరియు యాదృచ్ఛిక ప్రొడక్షన్ ప్రయోగాలు.

ఆఫ్‌లైన్ మూల్యాంకనాలు

మా ప్రాథమిక ఆఫ్‌లైన్ మూల్యాంకనం 44 కృత్రిమ వ్యక్తిత్వాల across 640 ప్రశ్నల అంతర్గత డేటాసెట్‌ను ఉపయోగిస్తుంది. ఈ వ్యక్తిత్వాలు సెషన్ లయ, టర్న్ సంఖ్య, అంశ మిశ్రమం, మరియు వాస్తవ సాంద్రతలో production-derived నమూనాలను పునరుత్పత్తి చేస్తాయి, అయితే వినియోగదారు గోప్యతను కాపాడేందుకు ఎలాంటి production query text‌ను కలిగి ఉండవు. ప్రతి account‌ను production memory pipeline ద్వారా, memory extraction, conversation summaries, మరియు జ్ఞాన వికీని సంకలనం చేయడంలో Dream యొక్క పనితో నింపుతారు. ప్రతి ప్రశ్నకు, సరైన సమాధానం account historyలో ఉన్న నిర్దిష్ట ఆధారాలతో యాంత్రికంగా అనుసంధానించబడి ఉంటుంది.

ఉదాహరణకు, నదియా కోసం, ముందుగా పరిచయం చేయబడిన యాక్సెసిబిలిటీ పరిశోధకురాలి సింథటిక్ పర్సానా, డేటాసెట్‌లో ఈ ప్రశ్న ఉంటుంది, "నేను క్యోటో మరియు సెండాయ్‌లో ఏ సంస్థలను కలుస్తున్నాను?" సమాధానం (క్యోటోలో సోరా సిటీ లాబ్ మరియు సెండాయ్‌లో సఫ్ఫిర్ మొబిలిటీ కోఆప్) సంబంధిత వికీ పేజీలో నేరుగా కనిపిస్తుంది.

కంపైల్ చేసిన నాలెడ్జ్ వికీ ఎనేబుల్ చేయబడిన మరియు నిలిపివేయబడిన అదే ప్రశ్నలు మరియు ఖాతాలను మేము పోల్చి చూస్తాము. మెమరీ లేని దానికి వ్యతిరేకంగా మెమరీని పోల్చకుండా, ఇది Brain యొక్క పెరుగుతున్న సహకారాన్ని వేరు చేస్తుంది. మొత్తంమీద, Brain సమాధానాల ఖచ్చితత్త్వాన్ని 0.600 నుండి 0.661కి పెంచింది, ఇది 6.1 శాతం పాయింట్ల లాభం, మరియు సాక్ష్యాల రీకాల్‌ను 0.573 నుండి 0.625కి పెంచింది, ఇది 5.2 శాతం పాయింట్ల లాభం. ప్రాధాన్యతలు (+10.2 pp), టెంపోరల్ రీజనింగ్ (+8.6 pp), మరియు మునుపటి కార్యాచరణ నుండి వివరాలను సంగ్రహించడం (+6.9 pp) గురించిన ప్రశ్నలకు ఈ ప్రభావం ఎక్కువగా ఉంది. 84% ప్రశ్నలపై, ఏజెంట్ గోల్డ్ ఎవిడెన్స్‌కు బౌండ్ అయిన సోర్స్‌ను స్పష్టంగా తాకింది.

విస్తరించు

మేము రెండు పబ్లిక్ బెంచ్‌మార్క్‌ల ఉపసమితులపై సరిపోలిన Brain అబ్లేషన్‌లను కూడా రన్ చేసాము. LoCoMoలో, వికీని తీసివేయడం ద్వారా సమాధానాల ఖచ్చితత్త్వాన్ని సగటున 4.6 శాతం పాయింట్లు తగ్గించింది, వివిధ మోడళ్లతో మూడు పర్యాయాలు. LongMemEval-Sపై ఇది గణాంకపరంగా ముఖ్యమైన మార్పును ఉత్పత్తి చేయలేదు. ఈ ఫలితం Brain యొక్క ఉద్దేశించిన పాత్రకు అనుగుణంగా ఉంటుంది. LongMemEval-S ప్రాథమికంగా వ్యక్తిగత సెషన్‌ల నుండి వాస్తవాల పునరుద్ధరణను పరీక్షిస్తుంది, ఇక్కడ అంతర్లీన ట్రాన్‌స్క్రిప్ట్‌లు సమాధానానికి రిడండెంట్ మార్గాన్ని అందిస్తాయి. LoCoMo సంభాషణలు, స్పీకర్లు మరియు తేదీలలో చెల్లాచెదురుగా ఉన్న సాక్ష్యాలపై ఎక్కువ ప్రాధాన్యతనిస్తుంది, వికీ యొక్క క్రాస్-సెషన్ సంశ్లేషణ దోహదపడటానికి ఎక్కువ అవకాశాన్ని సృష్టిస్తుంది.

మొత్తమీద, Brain ఎనేబుల్ చేయబడి, ప్రొడక్షన్ ఏజెంట్ LongMemEval-Sపై 0.91 సమాధాన ఖచ్చితత్త్వాన్ని మరియు LoCoMoపై 0.83 సాధించింది. ఈ ప్రయోగాలు బెంచ్‌మార్క్ ఉపసమితులను ఉపయోగించినందున, ఇవి నిశ్చయాత్మక బెంచ్‌మార్క్ ఫలితాలు కావు. అయినప్పటికీ, వికీ పనితీరును మెరుగుపరుస్తుందని అబ్లేషన్‌లు ఇప్పటికీ బలమైన సిగ్నల్‌ను అందిస్తాయి, ముఖ్యంగా సంభాషణల అంతటా సాక్ష్యాలు ఏకీకృతం చేయబడాలి. Brain అనేది ఆప్టిమైజ్ చేయబడిన, బెంచ్‌మార్క్-నిర్దిష్ట రిట్రీవల్ సిస్టమ్ కాకుండా కంప్యూటర్‌లో భాగం కాబట్టి, ప్రొడక్షన్ వర్క్‌ఫ్లోలను దగ్గరగా పోలి ఉండే టాస్క్‌లతో పోటీతత్వం మాత్రమే పెరుగుతుందని మేము నమ్ముతున్నాము.

ఆన్‌లైన్ మూల్యాంకనాలు

ఆఫ్‌లైన్ డేటాసెట్‌లు నిజమైన వినియోగదారు చరిత్రల యొక్క ప్రతి ఫీచర్‌ను క్యాప్చర్ చేయలేవు, కాబట్టి మేము తాజా ప్రొడక్షన్-ఉత్పన్నమైన కోహార్ట్‌లపై రోజువారీ జత చేసిన మూల్యాంకనాన్ని కూడా రన్ చేస్తాము. Brain ఎనేబుల్ చేయబడిన మరియు నిలిపివేయబడిన సరిపోలిన వినియోగదారు స్థితికి వ్యతిరేకంగా అదే స్థిరమైన ప్రశ్నలకు సమాధానాలు ఇవ్వబడతాయి, ఆపై ఖచ్చితత్వం, ప్రస్తుత స్థితి మరియు రీకాల్ కోసం నిర్ణయించబడతాయి.

జూన్ 18న నివేదించిన ప్రాథమిక ఫలితాలు Brain answer correctness‌ను 25% మరియు recall‌ను 16% పెంచిందని చూపించాయి. ఈ performance gains కొనసాగుతున్నాయి; గత 30 రోజుల్లో, Brain-సమర్థిత సెషన్‌లు ప్రతి run‌లోను మరియు నిర్ణయించబడిన ప్రతి dimension‌లోను control‌ను మించి ప్రదర్శించాయి. పరిపూర్ణ పరిమాణాల్లో, Computer వినియోగదారులు correctness‌లో 9.3 points, currentness‌లో 8.0 points, మరియు recall‌లో 8.9 points మెరుగుదలలను అనుభవించారు. Brain-సమర్థిత trajectories కూడా సుమారు 15% తక్కువ tokens‌ను ఉపయోగించాయి, 10% తక్కువ ఖర్చయ్యాయి, మరియు generation‌ను 10% వేగంగా పూర్తి చేశాయి.

విస్తరించు

నిరంతర మెరుగుదల

వినియోగదారులకు ఉత్తమమైన మెమరీ అనుభవాన్ని అందించడానికి మేము Brainను మెరుగుపరచడం కొనసాగించాము. ఇటీవలి మార్పు Brain యొక్క కాంపాక్ట్ ఇండెక్స్‌ను ఏజెంట్ దానిని తరువాత కనుగొని చదవాల్సిన అవసరం లేకుండా నేరుగా ఏజెంట్ ప్రారంభ సందర్భంలో ఉంచుతుంది. యాదృచ్ఛిక ప్రయోగంలో, ఈ ప్రీఫిల్ చికిత్స Brain వినియోగాన్ని పెంచింది మరియు మెమరీ-సంబంధిత అసంతృప్తిని 6.9% తగ్గించింది.

ఆఫ్‌లైన్ మూల్యాంకన హార్నెస్ స్వయంప్రతిపత్త మెరుగుదల పైప్‌లైన్‌లో భాగంగా కూడా పనిచేస్తుంది. Brain యొక్క మెమరీ సబ్ ఏజెంట్, రిట్రీవల్ స్కిల్స్ మరియు ప్రాంప్ట్‌లకు ప్రతిపాదిత మార్పులు మా అంతర్గత డేటాసెట్ మరియు పబ్లిక్ బెంచ్‌మార్క్‌లపై సరిపోలిన అబ్లేషన్‌ల ద్వారా రన్ చేయబడతాయి. కంప్యూటర్ ఏజెంట్లు ఫలితాలపై స్వయంప్రతిపత్తంగా పునరావృతం చేయవచ్చు, ప్రతి పునరావృతం యొక్క మార్పు, డెల్టాలు మరియు ఖర్చులను మన్నికైన రికార్డుగా సంరక్షించవచ్చు మరియు సంఖ్యలను కదిలించే మార్పులను మాత్రమే ఉంచుకోవచ్చు. దీని ఫలితంగా Brain యొక్క ఎవాల్యుయేటర్లు దాని ఆప్టిమైజర్లుగా కూడా ఉండే సిస్టమ్ ఏర్పడుతుంది, భవిష్యత్ మెరుగుదలలను నడిపిస్తుంది.

ముగింపు

వారాలు మరియు నెలల పాటు పనిచేసే ఏజెంట్ సిస్టమ్‌లను నిర్మించడానికి నిరంతర అభ్యాసం నిర్వచించే సవాళ్లలో ఒకటి. మెమరీ ఆర్కిటెక్చర్‌లు ఏజెంట్లు తమ సాధారణ టూల్‌సెట్‌లను ఉపయోగించి నేరుగా అన్వేషించగల పరిసరాలుగా బహిర్గతం చేయబడటం ఉత్తమం అని మేము నమ్ముతున్నాము. Brain పైన నిర్మాణాత్మక జ్ఞాన వికీగా మెమరీని ఫైల్‌సిస్టమ్‌గా బహిర్గతం చేయడం వలన సాధారణ మరియు సుపరిచితమైన సాధనాల ద్వారా సందర్భాన్ని సమర్థవంతంగా నావిగేట్ చేయవచ్చు.

Brain అనేది స్వయం-అభివృద్ధి కోసం రూపొందించబడింది, తద్వారా వినియోగం పెరిగే కొద్దీ మెమరీ సిస్టమ్ మెరుగుపడుతూ ఉంటుంది. Dream బ్యాక్‌గ్రౌండ్ ఏజెంట్లు తాజా సమాచారాన్ని Brain అప్‌డేట్‌లుగా డిస్టిల్ చేస్తాయి, తద్వారా ఫోర్‌గ్రౌండ్ ఏజెంట్లు ఎల్లప్పుడూ అత్యంత ఇటీవలి సందర్భం యొక్క వ్యవస్థీకృత వీక్షణతో కొత్త సెషన్‌ను ప్రారంభిస్తారని నిర్ధారిస్తాయి. ఎవాల్యుయేషన్ హార్నెస్ అనేది కోర్ మెమరీ ఆర్కిటెక్చర్ మరియు ఏజెంట్-ఫేసింగ్ ఇంటర్‌ఫేస్‌లపై ఆటోరీసెర్చ్ లూప్‌ల కోసం టెస్టింగ్ గ్రౌండ్‌గా కూడా పనిచేస్తుంది.

ఇప్పటికే, Brain మరింత ఖచ్చితమైన మరియు పనితీరు గల ఏజెంట్ సెషన్‌లకు దారితీసింది, అదే సమయంలో ఖర్చు చేసిన టోకెన్‌లను తగ్గించింది. కంప్యూటర్ యొక్క ప్రొడక్షన్ స్టాక్‌తో Brainను మేము జాగ్రత్తగా కో-డిజైన్ చేయడం వలన ఈ లాభాలు వినియోగదారులకు నిజమైన ప్రయోజనాలుగా నేరుగా అనువదించబడతాయి.

కంప్యూటర్ మెమరీ నాణ్యతను మెరుగుపరచడానికి మేము మరిన్ని సామర్థ్యాలను నిర్మించడం కొనసాగిస్తున్నాము. ఇంతలో, Brain ఎనేబుల్ చేయబడిన వినియోగదారుల కోసం, ప్రతి సెషన్‌తో మెమరీ మెరుగుపడుతుంది.

ఉదాహరణ

@online{perplexity2026BrainAgenticMemoryAsAKnowledgeWiki,
  author = {{Perplexity} and Nicholas Bien and Se Won Jang and Haomiao Li and Kate Jung and Ishbir Singh and Kartik Kapur and Kevin Lau and Peter Hart and Sidhant Rajadnya and Yan Shu and Phi Hoang and Claire Beamer and Jeremy Yang},
  title = {{Brain: Agentic memory as a knowledge wiki}},
  date = {2026-08-19},
  url = {https://perplexity.coolkeypoint.com/hub/blog/brain-agentic-memory-as-a-knowledge-wiki}
}