Brain: నాలెడ్జ్ వికీగా ఏజెంటిక్ మెమరీ
నిర్మాణాత్మక, ట్రేసబుల్, స్వయం-అభివృద్ధి చెందుతున్న మార్క్డౌన్ ఫైల్సిస్టమ్, ఆఫ్లైన్లో కంపైల్ చేయబడింది మరియు డిమాండ్పై నావిగేట్ చేయబడుతుంది.
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 గతంలో వివరించిన వర్క్ఫ్లో రేఖాచిత్రాన్ని గీయమని అడిగినప్పుడు, కంప్యూటర్ వివరాలను గుర్తుచేసుకోవాలి మరియు వినియోగదారు ఇష్టపడే శైలిలో ఫిగర్ను సృష్టించడానికి మరియు అవుట్పుట్ చేయడానికి వాటిని ఉపయోగించాలి. వినియోగదారు వర్క్ఫ్లో వివరాలను మ시గా వివరించాల్సిన అవసరం లేదు లేదా PNG ఆర్టిఫ్యాక్ట్ల కంటే PDF పట్ల వారి ప్రాధాన్యతను પુనరుద్ఘాటించాల్సిన అవసరం లేదు; సిస్టమ్ గత సెషన్ల నుండి ఆ సందర్భాన్ని ఖచ్చితంగా పునరుద్ధరించగలగాలి మరియు 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.
స్టాటిక్ మెమరీ ఫైళ్లను నేరుగా మోడల్ కాంటెక్్లో ఉంచడం వలన ఏజెంట్లకు యాక్సెస్ గరిష్టంగా ఉంటుంది, కానీ ఇది క్లాసిక్ ప్రెసిషన్-రీకాల్ ట్రేడ్ఆఫ్ను ప్రదర్శಿಸುತ್ತದೆ. చాలా ఎక్కువ సమాచారం ఏజెంట్ యొక్క కాంటెక్స్ట్ విండోను చిన్న చిన్న ప్రాముఖ్యత గల అంశాలతో సంతృప్తపరుస్తుంది, అయితే చాలా తక్కువగా ఉండటం వలన సంబంధిత సందర్భం లేకపోవడం వల్ల సమాధాన నాణ్యత క్షీణిస్తుంది. దీనికి విరుద్ధంగా, బాహ్య డేటాబేస్లకు ఆన్-డిమాండ్ యాక్సెస్ మరింత సౌకర్యవంతంగా ఉంటుంది, కానీ నావిగేషన్ భారాన్ని ఏజెంట్పై మారుస్తుంది. వెక్టర్ డేటాబేస్లు తరచుగా డిస్కనెక్ట్ చేయబడిన విభాగాர்களை నిల్వ చేస్తాయి మరియు గ్రాఫ్ డేటాబేస్లకు సమర్థవంతంగా ఎలా క్వెరీ చేయాలో ఏజెంట్లకు తెలియాలి.
ఇ हाल हीలో, మేము Brainను పరిచయం చేసాము, ఇది కంప్యూటర్ మెమరీ సిస్టమ్ యొక్క కోర్ కాంపోనెంట్, ఇది రెండు ప్రపంచాలలోని ఉత్తమమైన వాటిని అందిస్తుంది. Brain అనేది స్టాటిక్ మెమరీ ఫైల్లు మరియు సాక్ష్యాల పైన కూర్చునే నిర్మాణాత్మక జ్ఞాన వికీ. సైటేషన్లు క్లెయిమ్లను వాటి మూలాలకు లింక్ చేస్తాయి మరియు సంబంధిత సమాచార భాగాలు పార్శ్వంగా కనెక్ట్ చేయబడతాయి. దాని క్రింద ఉన్న లేయర్లో వివరణాత్మక ఆర్టిఫ్యాక్ట్లు నిలుపుకోబడతాయి, అయితే వ్యవస్థీకృత వికీ డిమాండ్పై సందర్భాన్ని నావిగేట్ చేయగలదు.
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.
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.
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.
లింక్లు రెండు రకాలుగా వస్తాయి. [[wikilinks]] కాంటెక్స్ట్ ఎడ్జ్లు. అవి పేజీలను పార్శ్వంగా కనెక్ట్ చేస్తాయి; ఒక ప్రాజెక్ట్ దాని యజమాని, దాని క్คลైంట్ లేదా అది ఆధారపడే కాన్సెప్ట్లకు లింక్ చేయవచ్చు. వాటిని అనుసరించడం ద్వారా "నేను ఇంకా ఏమి తెలుసుకోవాలి?" అని సమాధానం ఇస్తుంది. [cite:N] సూచనలు ఎవిడెన్స్ ఎడ్జ్లు. అవి క్లెయిమ్లను వాటికి మద్దతు ఇచ్చే రా సెషన్లు లేదా కనెక్టర్ సోర్స్లకు క్రిందికి కనెక్ట్ చేస్తాయి. వాటిని అనుసరించడం ద్వారా "ఇది నిజమని నాకు ఎలా తెలుసు?" అని సమాధానం ఇస్తుంది.
సింథటిక్ పర్సానా, నదియా అనే యాక్సెసిబిలిటీ పరిశోధకురాలి కోసం Brain యొక్క కొంత భాగం ఎలా ఉంటుందో దిగువ చిత్రాలు చిత్రీకరిస్తున్నాయి. ఆమె Brainలో నమూనా ప్రాజెక్ట్, జపాన్లో సార్వత్రిక డిజైన్ స్ప్రింట్ గురించిన పేజీ ఉంది, సెషన్లు మరియు కనెక్టర్ల నుండి జ్ఞానాన్ని సంశ్లేషణ చేస్తుంది. పేజీలో ఉన్న కాంటెక్స్ట్ మరియు ఎవిడెన్స్ ఎడ్జ్లు సంబంధిత ఎంటిటీలను మరియు సోర్సెస్ను ఎలా లింక్ చేస్తాయో గ్రాఫ్ వీక్షణ ప్రదర్శಿಸುತ್ತದೆ.
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.
# 1. Orient: the index is a map of everything known
cat memory/knowledge/index.md
# 2. Target: find pages that touch the question
grep -Ril "kyoto\|sendai" memory/knowledge/
# 3. Read the page; follow context edges as needed
cat memory/knowledge/projects/japan-universal-design-sprint.md
cat memory/knowledge/entities/sora-city-laboratory.md # via [[wikilink]]
cat memory/knowledge/entities/sapphir-mobility-coop.md # via [[wikilink]]
# 4. Only if the claim must be verified: resolve evidence
# city bases → [cite:1], [cite:10] → pplx://sessions/<id>
#
# Example (pseudo, replace with your real tool):
# pplx-session-fetch 1eaf53d4-09e0-5823-bb96-c8662f582708 --slice <slice-id>
# 5. Some evidence lives outside the sessions
# meeting slots → [cite:15] → connector://google-calendar
#
# pplx-connector-fetch google-calendar --query "japan-sprint"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.
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.
దీనికి బదులుగా, మేము మెటీరియలైజ్ చేయబడిన ఫైళ్ల స్థానిక వర్కింగ్ సెట్ను నిర్మిస్తాము, అయితే పెద్ద కార్పస్ మెమరీ రిట్రీవల్ సిస్టమ్ వెనుక ఉంటుంది. కంప్యూటర్ బూట్ అయినప్పుడు శాండ్బాక్స్పై ప్రారంభ మ్యాప్ను (ఇటీవలి జ్ఞాపకాలు, సెషన్లు, సారాంశాలు మరియు అందుబాటులో ఉన్న జ్ఞానం నుండి తీసుకోబడింది) ప్రీలోడ్ చేస్తుంది. కంప్యూటర్ ఏజెంట్లకు మెమరీ ఏజెంట్ యాక్సెస్ ఉంటుంది, ఇది సిమాంటిక్ శోధనను నిర్వహించగల మరియు కొత్త ఫైళ్ల సెట్ను లోడ్ చేయగల సబ్ ఏజెంట్. అవసరమైన సందర్భం లేనప్పుడు, అవసరమైన సమాచారం యొక్క వివరణతో కంప్యూటర్ మెమరీ ఏజెంట్ను పిలవగలదు. మెమరీ ఏజెంట్ ఫైళ్ల అంతటా శోధಿಸುತ್ತದೆ, తక్షణ టెక్స్ట్ సింథసిస్ను అందిస్తుంది మరియు మెమరీ ట్రీ కింద ఫైళ్లుగా సపోర్టింగ్ రికార్డులను మెటీరియలైజ్ చేస్తుంది. ఈ విధంగా, వర్కింగ్ సెట్ కాలక్రమేణా సహజంగా మరియు క్రమంగా విస్తరిస్తుంది, ఇప్పటికే ఉన్న సాక్ష్యాల కోసం స్థిరమైన మార్గాలను మరియు సోర్స్ సంబంధాలను సంరక్షిస్తుంది.
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.
Dream ఏజెంట్ ఒక పరిసరాలను పొందుతుంది మరియు దాన్ని ఎలా అన్వేషించాలో నిర్ణయించుకుంటుంది, అంతేగానీ ఒకే ప్రాంప్ట్గా కుదించబడిన స్థిరమైన ఇన్పుట్ను పొందదు. ఇది ఫైల్-ఆధారిత మెమరీని నావిగేట్ చేయగలదు, జ్ఞానాన్ని ధృవీకరించడానికి ఆమోదించப்பட்ட రీడ్-ఓన్లీ కనెక్టర్ సాధనాలను ఉపయోగించవచ్చు మరియు మెమరీ ఏజెంట్తో సహా పని యొక్క బౌండెడ్ భాగాలను సబ్ ఏజెంట్లకు డెలిగేట్ చేయవచ్చు. Dream ఏజెంట్ యొక్క పరిధి మరియు బాధ్యతలు Skill గా నిర్దేశించబడ్డాయి.
స్థూలంగా చెప్పాలంటే, ఒక Dream రన్లో 4 దశలు ఉంటాయి:
- ఓరియంట్: ఏజెంట్ క్రమబద్ధమైన ఓరియంటేషన్ విధానాన్ని పూర్తి చేస్తుంది. ఇది అధికారిక పరిధి, స్టాండింగ్ సూచనలు, తొలగింపు లాగ్, అదనపు ఇన్పుట్లు మరియు ఆపే షరతులను గుర్తిస్తుంది.
- 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).
- 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.
- 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.
ఏదైనా మార్పులు రెండు రకాల ధృవీకరణ తనిఖీలను పాస్ చేయాలి. డిటర్మినిస్టిక్ వాలిడేషన్ తనిఖీలు పేజీలు చక్కగా రూపుదిద్దుకున్నాయని మరియు అవసరమైన ఫ్రంట్మాటర్ మరియు సైటేషన్ ఫార్మాట్ వంటి ఆబ్జెక్టివ్ ప్రమాణాలకు అనుగుణంగా ఉన్నాయని నిర్ధారిస్తాయి. సిమాంటిక్ వెరిఫికేషన్ తనిఖీలు ప్రతిపాదిత సంశ్లేషణ సేకరించిన సాక్ష్యాల ద్వారా మద్దతు ఇవ్వబడుతుందని మరియు గ్రాఫ్లోని మిగిలిన భాగాలతో స్థిరంగా ఉంటుందని నిర్ధారిస్తాయి. ఏజెంట్ വിജയవంతంగా ముగిసిన తర్వాత, నియంత్రిత సింక్రొไนజేషన్ దశ స్టేజ్ చేయబడిన అవుట్పుట్ను మునుపటి స్థితితో పోల్చి మరియు రిపాజిటరీకి మార్పులను వర్తింపజేస్తుంది. సింక్రొไนజేషన్ దశ పూర్తయినప్పుడు, తుది ఎడిట్ల సెట్ను Git వెర్షన్ హిస్టరీ ద్వారా తనిఖీ చేయవచ్చు.
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 సింథటిక్ పర్సానాలలో 640 ప్రశ్నల అంతర్గత డేటాసెట్ను ይጠిగిస్తుంది. వినియోగదారు గోప్యతను സംరక్షించడానికి ఎటువంటి ప్రొడక్షన్ క్వెరీ టెక్స్ట్ లేకుండా, సెషన్ కాడెన్స్, టర్న్ కౌంట్, టాపిక్ మిక్స్ మరియు ఫ్యాక్ట్ డెన్సిటీలో ప్రొడక్షన్-ఉత్పన్నమైన నమూనాలను పర్సానాలు పునరుత్పత్తి చేస్తాయి. మెమరీ ఎక్స్ట్రాక్షన్, సంభాషణ సారాంశాలు మరియు నాలెడ్జ్ వికీ యొక్క Dream సంకలనంతో సహా ప్రొడక్షన్ మెమరీ పైప్లైన్ ద్వారా ప్రతి ఖాతా పాపులేట్ చేయబడుతుంది. ప్రతి ప్రశ్నకు, సరైన సమాధానం ఖాతా చరిత్రలో ఉన్న నిర్దిష్ట సాక్ష్యానికి యాంత్రికంగా ముడిపడి 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.
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 నివేదించబడిన ప్రాథమిక ఫలితాలు Brain సమాధానాల ఖచ్చితత్త్వాన్ని 25% మరియు రీకాల్ను 16% పెంచుతుందని నిరూపించాయి. ఈ పనితీరు లాభాలు నిలకడగా ఉన్నాయి; గత 30 రోజులలో, Brain-ఎనేబుల్డ్ సెషన్లు ప్రతి రన్పై మరియు ప్రతి జడ్జ్డ్ డైమెన్షన్లో కంట్రోల్ను మించిపోయాయి. సంపూర్ణ నిబంధనలలో, కంప్యూటర్ వినియోగదారులు ఖచ్చితత్వంలో 9.3 పాయింట్లు, ప్రస్తుత స్థితిలో 8.0 పాయింట్లు మరియు రీకాల్లో 8.9 పాయింట్ల మెరుగుదలలను ఆస్వాదించారు. Brain-ఎనేబుల్డ్ ట్రాజె这里的టరీలు సుమారు 15% తక్కువ టోకెన్లను ఉపయోగించాయి, 10% తక్కువ ఖర్చు చేశాయి మరియు 10% వేగంగా జనరేషన్ను పూర్తి చేశాయి.
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.