Brain: അറിവിന്റെ വിക്കിയായ ഏജന്റിക് മെമ്മറി

ഘടനാപരമായ, ട്രേസ് ചെയ്യാവുന്ന, സ്വയം മെച്ചപ്പെടുത്തുന്ന മാർക്ക്ഡൗൺ ഫയൽസിസ്റ്റം, ഇത് ഓഫ്‌ലൈനായി കംപൈൽ ചെയ്യുകയും ആവശ്യാനുസരണം നാവിഗേറ്റ് ചെയ്യുകയും ചെയ്യുന്നു.

രചയിതാക്കൾPerplexity Engineering

മാസങ്ങളും നൂറുകണക്കിന് സെഷനുകളും നീണ്ടുനിൽക്കുന്ന ജോലികൾ കമ്പ്യൂട്ടർ ഉപയോക്താക്കൾ ചെയ്യുന്നു. പത്താമത്തെ സെഷൻ ആകുമ്പോഴേക്കും, സിസ്റ്റം ആദ്യത്തേതിനേക്കാൾ വളരെ കൂടുതൽ ഉൽപ്പാദനക്ഷമമായിരിക്കണം. ഉപയോക്താവിനെക്കുറിച്ചും അവരുടെ മുൻഗണനകളെക്കുറിച്ചും ഇതിനകം ചെയ്ത ജോലിയെക്കുറിച്ചും ഇത് സന്ദർഭം ശേഖരിക്കണം.

ഉദാഹരണത്തിന്, ഉപയോക്താവ് മുമ്പ് വിശദീകരിച്ച ഒരു വർക്ക്ഫ്ലോയുടെ ഡയഗ്രം വരയ്ക്കാൻ ആവശ്യപ്പെടുമ്പോൾ, കമ്പ്യൂട്ടർ വിശദാംശങ്ങൾ ഓർമ്മിക്കുകയും ഉപയോക്താവിന്റെ ഇഷ്ടപ്പെട്ട ശൈലിയിൽ ഒരു ചിത്രം സൃഷ്ടിക്കാനും ഔട്ട്പുട്ട് ചെയ്യാനും അവ ഉപയോഗിക്കുകയും വേണം. വർക്ക്ഫ്ലോയുടെ വിശദാംശങ്ങൾ വീണ്ടും വിശദീകരിക്കുകയോ PNG ആർട്ടിഫാക്ടുകളേക്കാൾ PDF-നുള്ള മുൻഗണന ആവർത്തിക്കുകയോ ചെയ്യേണ്ടതില്ല; സിസ്റ്റത്തിന് മുൻകാല സെഷനുകളിൽ നിന്ന് ആ സന്ദർഭം കൃത്യമായി വീണ്ടെടുക്കാനും അത് സ്വയമേവ പ്രയോഗിക്കാനും കഴിയണം.

തുടർച്ചയായ ഏജന്റ് മെച്ചപ്പെടുത്തലിന്റെ അടിത്തറയാണ് മെമ്മറി. ഫലപ്രദമായ ഒരു മെമ്മറി സിസ്റ്റം ഘടനാപരവും, ട്രേസ് ചെയ്യാവുന്നതും, അനുകൂലമാക്കാവുന്നതും ആയിരിക്കണം, ഇത് ഓരോ തീരുമാനവും ഏറ്റവും പുതിയ വിവരങ്ങളിൽ അടിസ്ഥാപിച്ചുകൊണ്ട് ഓരോ ടാസ്ക്കിനും ശരിയായ വീതിയിലും ആഴത്തിലും തിരയാൻ ഏജന്റുകളെ പ്രാപ്തരാക്കുന്നു.

ആമുഖം

ഏജന്റുകൾക്ക് പ്രസക്തമായ പശ്ചാത്തലം നൽകുക എന്നത് പല വശങ്ങളുള്ള ഒരു പ്രശ്നമാണ്. ഒന്നാമതായി, എന്തൊക്കെ നിലവിലുണ്ടെന്നും അത് എങ്ങനെ ആക്സസ് ചെയ്യാമെന്നും ഏജന്റുകൾ അറിഞ്ഞിരിക്കണം. രണ്ടാമതായി, അവർക്ക് സഹായകരമായ ഒരു വിവരഭാഗം ലഭിക്കുമ്പോൾ, അത് പൂർണ്ണവും കൃത്യവും കാലികവുമാണെന്ന് അവർ ഉറപ്പുവേണം. ഏജന്റിന് അനുബന്ധ വിവരങ്ങൾ കണ്ടെത്താനും, അത് വിശ്വസനീയമായ ഒരു ഉറവിടത്തിൽ നിന്നാണ് വരുന്നത് എന്ന് പരിശോധിക്കാനും, കൂടുതൽ പുതിയ നിരീക്ഷണം ഉപയോഗിച്ച് അത് അപ്ഡേറ്റ് ചെയ്യേണ്ടതില്ലെന്ന് ഉറപ്പാക്കാനും കഴിയുന്നില്ലെങ്കിൽ ഒറ്റപ്പെട്ട ഒരു വസ്തുവിന് പരിമിതമായ മൂല്യമേ ഉള്ളൂ.

സ്റ്റാറ്റിക് മെമ്മറി ഫയലുകൾ നേരിട്ട് മോഡൽ സന്ദർവേശത്തിലേക്ക് കുത്തിവയ്ക്കുന്നത് ഏജന്റുകളിലേക്കുള്ള പ്രവേശനക്ഷമത പരമാവധിയാക്കുന്നു, എന്നാൽ ഇത് ഒരു ക്ലാസിക് പ്രിസിഷൻ-റീകോൾ ട്രേഡ്ഓഫിന് കാരണമാകുന്നു. വളരെ കൂടുതൽ വിവരങ്ങൾ ഏജന്റിന്റെ കോൺടെക്സ്റ്റ് വിൻഡോയെ കുറഞ്ഞ പ്രസക്തമായ ഇനങ്ങൾ കൊണ്ട് നിറയ്ക്കും, അതേസമയം വളരെ കുറഞ്ഞ വിവരങ്ങൾ പ്രസക്തമായ പശ്ചാത്തലത്തിന്റെ അഭാവം കാരണം ഉത്തരത്തിന്റെ ഗുണനിലവാരം കുറയ്ക്കും. ഇതിനു വിപരീതമായി, ബാഹ്യ ഡാറ്റാബേസുകളിലേക്കുള്ള ആവശ്യാനുസൃതമായ പ്രവേശനം കൂടുതൽ വഴക്കമുള്ളതാണ്, എന്നാൽ നാവിഗേഷന്റെ ഭാരം ഏജന്റിലേക്ക് മാറ്റുന്നു. വെക്ടർ ഡാറ്റാബേസുകൾ പലപ്പോഴും ബന്ധമില്ലാത്ത ശകലങ്ങൾ സൂക്ഷിക്കുന്നു, കൂടാതെ ഗ്രാഫ് ഡാറ്റാബേസുകൾക്ക് ഫലപ്രദമായി എങ്ങനെ ചോദ്യം ചെയ്യണമെന്ന് ഏജന്റുകൾ അറിഞ്ഞിരിക്കേണ്ടതുണ്ട്.

അടുത്തിടെ, ഞങ്ങൾ Brain അവതരിപ്പിച്ചു, Computer-ന്റെ memory system-ിലെ ഒരു core component, ഇത് ഇരു ലോകങ്ങളിലെയും മികച്ചത് നൽകുന്നു. Brain, static memory files-ിന്റെയും evidence-ിന്റെയും മുകളിൽ നിലകൊള്ളുന്ന ഒരു structured knowledge wiki ആണ്. Citations അവകാശവാദങ്ങളെ അവരുടെ ഉറവിടങ്ങളുമായി ബന്ധിപ്പിക്കുന്നു, ബന്ധപ്പെട്ട വിവരങ്ങൾ laterally ബന്ധിപ്പിക്കപ്പെടുകയും ചെയ്യുന്നു. ക്രമീകരിച്ച wiki context-നെ ആവശ്യത്തിനനുസരിച്ച് നാവിഗേറ്റ് ചെയ്യാൻ സാധ്യമാക്കുമ്പോൾ, വിശദമായ ആർട്ടിഫാക്ടുകൾ അതിന് കീഴിലുള്ള പാളിയിൽ നിലനിർത്തപ്പെടുന്നു.

ഒരു സിന്തറ്റിക് പേഴ്സണയെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു മാതൃകാ Brain.

മൂന്ന് പ്രധാന ഘടങ്ങളുള്ള സമഗ്രമായ ഒരു മെമ്മറി സിസ്റ്റവുമായി Brain ബന്ധിപ്പിക്കുന്നു: സുസ്ഥിര മെമ്മറി സ്റ്റോറേജ്, ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ മെമ്മറി ഉപയോഗിക്കുന്ന മുൻനിര ഏജന്റുകൾ, മെമ്മറി അപ്ഡേറ്റ് ചെയ്യുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്ന പശ്ചാത്തല ഏജന്റുകൾ. Brain-ന്റെ മൊത്തത്തിലുള്ള സിസ്റ്റം ആർക്കിടെക്ചറിനുള്ളിൽ സ്ഥിതി ചെയ്യുന്ന ഈ ഘടകങ്ങളെ താഴെ പറയുന്ന ചിത്രം ചിത്രീകരിക്കുന്നു.

പങ്കിട്ട സുസ്ഥിര മെമ്മറി, മെമ്മറി ഉപയോഗിക്കുന്ന മുൻനിര ഏജന്റുകൾ, മെമ്മറി അപ്ഡേറ്റ് ചെയ്യുന്ന പശ്ചാത്തല ഏജന്റുകൾ എന്നിവയാണ് മെമ്മറി സിസ്റ്റത്തിൽ അടങ്ങിയിരിക്കുന്നത്.

ഈ ലേഖനത്തിൽ, Brain മെമ്മറി എങ്ങനെ സംഘടിപ്പിക്കുന്നുവെന്നും, ഏജന്റുകൾ ഇത് എങ്ങനെ ഉപയോഗിക്കുന്നുവെന്നും, പശ്ചാത്തല പ്രക്രിയകൾ ഇത് എങ്ങനെ കാലികമായി നിലനിർത്തുന്നുവെന്നും വിശദീകരിച്ചുകൊണ്ട് ഞങ്ങൾ ഓരോ ലെയറും ആഴത്തിൽ വിവരിക്കുന്നു. കുറഞ്ഞ ചിലവിൽ ഏജന്റിന്റെ പ്രകടനം മെച്ചപ്പെടുത്തുന്നുവെന്ന് തെളിയിച്ചുകൊണ്ട്, Brain-ന്റെ രൂപകൽപ്പനയെ സാധൂകരിക്കുന്ന ആന്തരിക മൂല്യനിർണ്ണയങ്ങളുടെ ഫലങ്ങളും ഞങ്ങൾ അവതരിപ്പിക്കുന്നു.

മെമ്മറി ഓർഗനൈസേഷനും സ്റ്റോറേജും

ഓരോ സന്ദർഭവും പ്രോംപ്റ്റിലേക്ക് നിർബന്ധിച്ച് ചേർക്കാതെ തന്നെ ഉപയോക്താവിന്റെ മുഴുവൻ ചരിത്രത്തിലേക്കും സ്കെയിൽ ചെയ്യുന്ന ഒരു പ്രാതിനിധ്യം മെമ്മറിക്ക് ആവശ്യമാണ്. കമ്പ്യൂട്ടറിന്റെ മെമ്മറി സിസ്റ്റം സ്ഥിരമായ സന്ദർഭത്തെ ഒരു ഫയൽസിസ്റ്റമായി പ്രതിനിധീകരിക്കുന്നു. അസംസ്കൃത ഉറവിടങ്ങളിലുടനീളം Brain അറിവ് സംഗ്രഹിക്കുകയും, ബന്ധപ്പെട്ട വിഷയങ്ങളെ ബന്ധിപ്പിക്കുകയും, അവയെ പിന്തുണയ്ക്കുന്ന സെഷനുകളിലേക്കും ഫയലുകളിലേക്കും അവകാശവാദങ്ങളെ തിരികെ ബന്ധിപ്പിക്കുകയും ചെയ്യുന്നു. താഴെ വിശദീകരിച്ചിരിക്കുന്ന ഈ ഘടന, ഏജന്റുകൾക്ക് ഏറ്റവും അനുയോജ്യമായ രൂപത്തിൽ മെമ്മറി സംഘടിപ്പിക്കാൻ നമ്മെ അനുവദിക്കുന്നു.

ഫയൽസിസ്റ്റം അധിഷ്ഠിത മെമ്മറി

കമ്പ്യൂട്ടർ സെഷനുകൾ ഇതിനകം തന്നെ ഒരു ഫയൽസിസ്റ്റം, ഷെൽ, ഐ/ഒ യൂട്ടിലിറ്റികൾ എന്നിവ അടങ്ങിയ ഒരു സാൻഡ്‌ബോക്സിലാണ് പ്രവർത്തിക്കുന്നത്. Brain രൂപകൽപ്പന ചെയ്യുമ്പോൾ, മോഡലിനും ഏജന്റ് മെമ്മറിക്കും ഇടയിലുള്ള ഇന്റർഫേസിൽ പുതിയ യന്ത്രസംവിധാനങ്ങൾ കഴിയുന്നത്ര കുറയ്ക്കാനാണ് ഞങ്ങൾ ആഗ്രഹിച്ചത്. അതുകൊണ്ടാണ് ഫയൽസിസ്റ്റം-നേറ്റീവ് ആയ ഒരു കോൺടെക്സ്റ്റ് ലെയറിന് മുകളിൽ ഞങ്ങൾ Brain നിർമ്മിച്ചത്. memory/ ഡയറക്ടറിക്ക് കീഴിലുള്ള സാൻഡ്‌ബോക്സിൽ ഫയലുകളായി മെമ്മറി മെറ്റീരിയലൈസ് ചെയ്യപ്പെടുന്നു, കൂടാതെ മറ്റ് എല്ലാ കാര്യങ്ങളിലും ഏജന്റ് ഇതിനകം ഉപയോഗിക്കുന്ന അതേ ഉപകരണങ്ങൾ മെമ്മറി ഫയലുകളിലും അത് ലളിതമായി ഉപയോഗിക്കുന്നു.

മെമ്മറി ട്രീയുടെ തലപ്പത്ത് വിവിധ അമൂർത്തതാ തലങ്ങളിൽ സന്ദർഭം പരിപാലിക്കുന്ന മൂന്ന് ടോപ്പ്-ലെവൽ ഡയറക്ടറികൾ ഇരിക്കുന്നു. knowledge/ എന്നത് Brain തന്നെയാണ്, എന്റിറ്റികൾ, ആശയങ്ങൾ, സജീവമായ പ്രൊജക്റ്റുകൾ, കഴിഞ്ഞകാല പഠനങ്ങൾ എന്നിവ ലിങ്ക് ചെയ്യുന്ന ഒരു സംയോജിത നോളജ് വിക്കി; notes/ എന്നത് വിഷയാധിഷ്ഠിത ഫോൾഡറുകളായി സംഘടിപ്പിച്ച ഡിസ്റ്റിൽ ചെയ്ത സ്നിപ്പെറ്റുകൾ അടങ്ങിയിരിക്കുന്നു; കൂടാതെ sessions/ അസംസ്കൃത ചരിത്രങ്ങളായി ഇൻഡക്സുകൾ, സംഗ്രഹങ്ങൾ, പൂർണ്ണമായ ട്രാൻസ്ക്രിപ്റ്റുകൾ എന്നിവ സൂക്ഷിക്കുന്നു. ലേഔട്ടിന്റെ ലളിതമായ കാഴ്ച താഴെയുള്ള ചിത്രം കാണിക്കുന്നു.

മെമ്മറി ഫയൽസിസ്റ്റം ലേഔട്ടിന്റെ മാതൃകാ കാഴ്ച.

ഈ surfaces ഉദ്ദേശപൂർവ്വം redundant ആണ്. ലളിതമായ, single-hop ചോദ്യങ്ങൾക്ക്, ഒരു key word-നായി /notes-ൽ snippets തിരയുന്നത് പലപ്പോഴും മതിയാകും, അതേസമയം /knowledge layer പല ആഴ്ചകളിലോ മാസങ്ങളിലോ വ്യാപിച്ചിരിക്കുന്ന Computer sessions-ലുള്ള evidence കൂട്ടിച്ചേർത്ത് ഉത്തരമാക്കേണ്ട ചോദ്യങ്ങൾക്ക് ഏറ്റവും പ്രയോജനകരമാണ്.

Brain: അറിവിന്റെ വിക്കി

Brain എന്നത് ലിങ്ക് ചെയ്‌ത മാർക്ക്ഡൗൺ ഫയലുകളുടെ ഒരു സിസ്റ്റമായ LLM വിക്കി ആയി ഫോർമാറ്റ് ചെയ്തിരിക്കുന്നു. ചെറിയ ഘടനയുള്ള ഈ മാർക്ക്ഡൗൺ നിലവിലുള്ള സന്ദർഭത്തിന്റെ സമഗ്രമായ ഒരു കാഴ്ച നൽകുന്നു, അതിനാൽ ഏത് റെക്കോർഡുകളാണ് ലഭ്യമായതെന്നും, അവ എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്നും, അവ എവിടെ കണ്ടെത്താമെന്നും ഏജന്റുകൾക്ക് എളുപ്പത്തിൽ മനസ്സിലാക്കാൻ കഴിയും. ഓരോ പേജും ഒരു വിഷയത്തിന്റെ പരിപാലിക്കപ്പെടുന്ന കാഴ്ചയാണ്; ലിങ്കുകളിലൂടെ കൂടുതൽ പര്യവേക്ഷണം എളുപ്പമാക്കുമ്പോൾ തന്നെ ഇത് ഒറ്റയ്ക്ക് വായിക്കുമ്പോൾ ഉപയോഗപ്രദമായി തുടരണം.

ലിങ്കുകൾ രണ്ട് തരത്തിലുണ്ട്. [[wikilinks]] കോൺടെക്സ്റ്റ് എഡ്ജുകളാണ്. അവ പേജുകളെ പാർശ്വപരമായി ബന്ധിപ്പിക്കുന്നു; ഒരു പ്രൊജക്റ്റ് അതിന്റെ ഉടമയുമായോ, ക്ലയന്തുമായോ, അല്ലെങ്കിൽ അത് ആശ്രയിക്കുന്ന ആശയങ്ങളുമായോ ലിങ്ക് ചെയ്യാം. അവ പിന്തുടരുന്നത് "ഞാൻ വേറെയെന്താണ് അറിയേണ്ടത്?" എന്നതിന് ഉത്തരം നൽകുന്നു. [cite:N] റഫറൻസുകൾ തെളിവ് എഡ്ജുകളാണ്. അവ അവകാശവാദങ്ങളെ താഴേക്ക് അസംസ്കൃത സെഷനുകളിലേക്കോ അവയെ പിന്തുണയ്ക്കുന്ന കണക്ടർ ഉറവിടങ്ങളിലേക്കോ ബന്ധിപ്പിക്കുന്നു. അവ പിന്തുടരുന്നത് "ഇത് സത്യമാണെന്ന് എനിക്കറിയുന്നത് എങ്ങനെ?" എന്നതിന് ഉത്തരം നൽകുന്നു.

താഴെയുള്ള ചിത്രങ്ങൾ synthetic persona-യിൽ Brain-ന്റെ ഒരു ഭാഗം എങ്ങനെയുണ്ടാകുമെന്ന് കാണിക്കുന്നു, accessibility researcher ആയ Nadia. അവളുടെ Brain-ൽ ഒരു sample project-ിനെക്കുറിച്ചുള്ള ഒരു page, Japan-ലെ universal design sprint, sessions-ലും connectors-ലും നിന്നുള്ള knowledge സംശ്ലേഷണം എന്നിവ ഉൾപ്പെടുന്നു. graph view, page-ൽ ഉള്ള context, evidence edges എന്നിവ ബന്ധപ്പെട്ട entities-നെയും sources-നെയും എങ്ങനെ ബന്ധിപ്പിക്കുന്നുവെന്ന് കാണിക്കുന്നു.

മാർക്ക്ഡൗൺ ഫയലുകളുടെ ഒരു സിസ്റ്റമാണ് Brain.
എൻബെഡ് ചെയ്ത സന്ദർഭവും തെളിവ് എഡ്ജുകളും എളുപ്പത്തിലുള്ള നാവിഗേഷനായി ഒരു ഗ്രാഫ് ഘടന രൂപീകരിക്കുന്നു.

പതിപ്പ് ചരിത്രം സംരക്ഷിക്കുന്നതിനായി Brain-ൽ Git ബാക്ക്-അപ്പ് നൽകിയിട്ടുണ്ട്, ഇത് അതിന്റെ നിരന്തരം വികസിച്ചുകൊണ്ടിരിക്കുന്ന സ്വഭാവത്തെ പിന്തുണയ്ക്കുന്നു. കാലക്രമേണ പേജുകൾ എഡിറ്റ് ചെയ്യാൻ കഴിയും, അതേസമയം മാറ്റങ്ങളുടെ ലോഗുകൾ പ്രധാന അപ്ഡേറ്റുകൾ രേഖപ്പെടുത്തുകയും മുൻ പതിപ്പുകളും വ്യത്യാസങ്ങളും എളുപ്പത്തിൽ പരിശോധിക്കാൻ ഏജന്റുകളെ അനുവദിക്കുകയും ചെയ്യുന്നു. ഒന്നിലധികം ഏജന്റുകൾ ഒരേസമയം Brain ഉപയോഗിക്കുകയും അപ്ഡേറ്റ് ചെയ്യുകയും ചെയ്യുമ്പോൾ നിർണായകമാകുന്ന ഏജന്റിക് ഏകോപനത്തെയും ഇത് പിന്തുണയ്ക്കുന്നു.

Brain ഉപയോഗിക്കുന്നു

ഒരു ഉപയോക്താവിന്റെ ചോദ്യം മറുപടി നൽകുമ്പോൾ, ഏജന്റുകൾക്ക് ശരിയായ വിശദാംശതലത്തിൽ ശരിയായ സന്ദർഭം കണ്ടെത്താൻ കഴിയണം. Brain-ന്റെ ഘടന ഏജന്റുകൾക്ക് മെമ്മറി പരിശോധിക്കുന്നത് എളുപ്പമാക്കുന്നു. ബന്ധപ്പെട്ട വിവരങ്ങൾ കണ്ടെത്താൻ context links പിന്തുടരുക, അവകാശവാദങ്ങൾ സ്ഥിരീകരിക്കാൻ evidence links പിന്തുടരുക, അല്ലെങ്കിൽ അധിക സന്ദർഭം ലഭിക്കുകയും സംശ്ലേഷിക്കുകയും ചെയ്യാൻ ഒരു subagent-നെ വിളിക്കുക പോലുള്ള പ്രവർത്തനക്ഷമമായ നടപടികളിൽ നിന്ന് ഏജന്റുകൾക്ക് തിരഞ്ഞെടുക്കാം. ബന്ധപ്പെട്ട വിവരങ്ങളിലേക്കുള്ള ഏജന്റുകളുടെ പ്രവേശന സൗകര്യം പരമാവധി വർധിപ്പിക്കാൻ ലക്ഷ്യമിട്ട്, agentic exploration പ്രക്രിയയെ ഞങ്ങൾ പല രീതികളിൽ നിയന്ത്രിക്കുന്നു.

പര്യവേക്ഷണ തന്ത്രം

പ്രാരംഭ ഉപയോക്തൃ സന്ദേശത്തിനുള്ളിൽ ഞങ്ങൾ Brain-ന്റെ ഒരു കോംപാക്റ്റ് ഇൻഡക്സ് ഉൾപ്പെടുത്തുന്നു, അതിനാൽ നിലവിലുള്ളതിനെക്കുറിച്ചുള്ള പ്രവർത്തനപരമായ അറിവോടെയാണ് ഏജന്റ് ആരംഭിക്കുന്നത്. പരിചിതമായ പ്രവർത്തനങ്ങൾ ഉപയോഗിച്ച് ഏജന്റ് പിന്നീട് Brain-മായി ഇടപഴകുന്നു: ഇൻഡക്സ് റഫറൻസ് ചെയ്യുന്ന നിർദ്ദിഷ്ട ഇനങ്ങൾ വായിക്കുക, പേജുകളിലുടനീളം തിരയാൻ grep ഉപയോഗിക്കുക, ലിങ്കുകൾ പിന്തുടരുക, ഉദ്ധരണികൾ പരിശോധിക്കുക, Git പുനരവലോകനങ്ങൾ താരതമ്യം ചെയ്യുക, സെഷനുകളിലേക്കോ അസംസ്കൃത ട്രെജക്ടറികളിലേക്കോ ഇറങ്ങുക. താഴെയുള്ള കോഡ് ബ്ലോക്ക് ഒരു സിന്തറ്റിക് പേഴ്സണയ്ക്കുള്ള മാതൃകാ കമാൻഡുകൾ ചിത്രീകരിക്കുന്നു.

bash
# 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"

നിശ്ചിത പൈപ്പ്‌ലൈനിന് പകരം ഏജന്റുകൾ സ്വയം നയിക്കുന്ന ലൂപ്പിലൂടെ ഈ സന്ദർഭം പര്യവേക്ഷണം ചെയ്യുന്നു. അതിനാൽ, കണ്ടെത്തിയ സന്ദർഭത്തിൽ തൃപ്തരാകുന്നത് വരെ ഏജന്റിന് തിരച്ചിൽ തുടരാം. വിശദാംശങ്ങൾ കണ്ടെത്താനോ പരിശോധിക്കാനോ ഉദ്ധരണികളും തെളിവുകളും എപ്പോഴാണ് പരിശോധിക്കേണ്ടതെന്ന് ഏജന്റിന് തിരഞ്ഞെടുക്കാനും കഴിയും. മുൻഗണനയുടെ ഒരു ചെറിയ കാര്യം ഒറ്റ Brain പേജിൽ നിന്ന് നേരിട്ട് സ്വീകരിച്ചേക്കാം, അതേസമയം ഗൗരവമേറിയ ഒരു തീരുമാനമോ ഉറവിടങ്ങൾ തമ്മിലുള്ള വൈരുദ്ധ്യമോ ഉദ്ധരണി പിന്തുടരുന്നതിനും യഥാർത്ഥ റെക്കോർഡ് വായിക്കുന്നതിനും ന്യായമായേക്കാം. ബന്ധപ്പെട്ട വിവരങ്ങൾക്കായി ലക്ഷ്യബോധമില്ലാതെ തിരയുന്നതിന് പകരം കോൺക്രീറ്റ് അടുത്ത ഘട്ടങ്ങൾ തമ്മിൽ തിരഞ്ഞെടുക്കാൻ ഗ്രാഫ് അധിഷ്ഠിത ഘടന ഏജന്റിനെ അനുവദിക്കുന്നു.

ടാസ്ക്കിന് ആവശ്യമായ പശ്ചാത്തലം ലഭിച്ചു എന്ന് ഉറപ്പാക്കുന്നത് വരെ ഏജന്റിന് പുതിയ Brain പേജുകളിലേക്കോ തെളിവ് ഉറവിടങ്ങളിലേക്കോ ഉള്ള Brain ലിങ്കുകൾ പിന്തുടരാം.

ഫയൽ മെറ്റീരിയലൈസേഷൻ

ഏജന്റിക് പര്യവേക്ഷണം പ്രവർത്തിക്കാൻ, സാൻഡ്‌ബോക്സ് ഫയൽസിസ്റ്റം വഴി മുഴുവൻ memory/ ട്രീയിലേക്കും ഏജന്റിന് പ്രവേശനം ഉണ്ടായിരിക്കണം. സാൻഡ്‌ബോക്സ് ബൂട്ട് ചെയ്യുമ്പോഴെല്ലാം മുഴുവൻ ട്രീയും ലോക്കലായി കോപ്പി ചെയ്യുന്നത് ചെലവേറിയതും അനാവശ്യവുമാണ്, കാരണം ആ ഫയലുകളിൽ ഭൂരിഭാഗവും ഏജന്റ് സ്പർശിക്കുക പോലുമില്ല. ഫയലുകൾ ലോക്കലായി കോപ്പി ചെയ്യാതെ തന്നെ ഏജന്റുകൾക്ക് ഏത് ഫയലിലേക്കും പ്രവേശനം ലഭിക്കുന്നതിന് റിമോട്ട് ഫയൽസിസ്റ്റം ഉപയോഗിക്കുക എന്നതാണ് മറ്റൊരു ഓപ്ഷൻ. എന്നിരുന്നാലും, ഏജന്റുകൾ പലപ്പോഴും ഒ ഒറ്റ കമാൻഡിൽ ആയിരുന്ന ഫയൽസിസ്റ്റം പ്രവർത്തനങ്ങൾ നടത്തുന്നു; അവ ഓരോന്നും ഒരു നെറ്റ്വർക്ക് അഭ്യർത്ഥനയായി മാറുകയാണെങ്കിൽ, റൗണ്ട് ട്രിപ്പ് ചെലവ് പര്യവേക്ഷണ ലൂപ്പിൽ ആധിപത്യം സ്ഥാപിക്കാൻ തുടങ്ങുന്നു. ആന്തരിക പരിശോധനയിൽ, റിമോട്ട് FUSE-ബാക്ക്ഡ് പാതയിലൂടെയുള്ള ലളിതമായ grep വർക്ക്ലോഡുകൾ ലോക്കൽ ഫയലുകളിലെ തുല്യമായ പ്രവർത്തനങ്ങളെ അപേക്ഷിച്ച് ഏകദേശം 400 മുതൽ 500 മടങ്ങ് വരെ മന്ദഗതിയിലായിരുന്നു.

പകരം, ഞങ്ങൾ മെറ്റീരിയലൈസ് ചെയ്ത ഫയലുകളുടെ ഒരു ലോക്കൽ വർക്കിംഗ് സെറ്റ് നിർമ്മിക്കുന്നു, അതേസമയം വലിയ കോർപ്പസ് ഒരു മെമ്മറി റിട്രീവൽ സിസ്റ്റത്തിന് പിന്നിൽ അവശേഷിക്കുന്നു. കമ്പ്യൂട്ടർ ബൂട്ട് ചെയ്യുമ്പോൾ കമ്പ്യൂട്ടർ ഒരു പ്രാരംഭ മാപ്പ് (സമീപകാല ഓർമ്മകൾ, സെഷനുകൾ, സംഗ്രഹങ്ങൾ, ലഭ്യമായ അറിവുകൾ എന്നിവയിൽ നിന്ന് എടുത്തത്) സാൻഡ്‌ബോക്സിലേക്ക് പ്രീലോഡ് ചെയ്യുന്നു. കമ്പ്യൂട്ടർ ഏജന്റുകൾക്ക് മെമ്മറി ഏജന്റിലേക്ക് പ്രവേശനമുണ്ട്, സെമാന്റിക് തിരയൽ നടത്താനും പുതിയ ഫയലുകളുടെ ഒരു സെറ്റ് ലോഡ് ചെയ്യാനും കഴിയുന്ന ഒരു സബ്-ഏജന്റാണിത്. ആവശ്യമായ സന്ദർഭം ഇല്ലാതിരിക്കുമ്പോൾ, ആവശ്യമായ വിവരങ്ങളുടെ വിവരണവുമായി കമ്പ്യൂട്ടറിന് മെമ്മറി ഏജന്റിനെ വിളിക്കാം. മെമ്മറി ഏജന്റ് ഫയലുകളിലുടനീളം തിരയുന്നു, പെട്ടെന്നുള്ള ടെക്സ്റ്റ് സിന്തസിസ് തിരികെ നൽകുകയും പിന്തുണയ്ക്കുന്ന റെക്കോർഡുകളെ മെമ്മറി ട്രീക്ക് കീഴിലുള്ള ഫയലുകളായി മെറ്റീരിയലൈസ് ചെയ്യുകയും ചെയ്യുന്നു. ഈ രീതിയിൽ, വർക്കിംഗ് സെറ്റ് കാലക്രമേണ സ്വാഭാവികമായും ക്രമാനുഗതമായും വികസിക്കുന്നു, നിലവിലുള്ള തെളിവുകൾക്കായി സ്ഥിരമായ പാതകളും ഉറവിട ബന്ധങ്ങളും സംരക്ഷിക്കുന്നു.

ഏജന്റിന് ഏറ്റവും കൂടുതൽ ആവശ്യമുള്ള ഫയലുകളുടെ പ്രാരംഭ മാപ്പ് സെഷൻ പ്രീലോഡും മെമ്മറി ഏജന്റിന്റെ സെമാന്റിക് റിട്രീവലും ലോഡ് ചെയ്യുന്നു.

ഈ രൂപകൽപ്പന ലേറ്റൻസി തടസ്സം വൃത്തിയായി പരിഹരിക്കുന്നു. പ്രസക്തമായ ഫയലുകൾ ലോക്കലായി സൂക്ഷിക്കുന്നത് പര്യവേക്ഷണത്തിന് ആവശ്യമായ ഫയൽസിസ്റ്റം പ്രവർത്തനങ്ങൾ വേഗത്തിൽ തുടരുന്നുവെന്ന് ഉറപ്പാക്കുന്നു, കൂടാതെ ബാച്ച്ഡ് റിട്രീവൽ ഓരോ ഫയലിനും আলাদা കോളുകൾ ആവശ്യപ്പെടാതെ അല്ലെങ്കിൽ വലിയൊരു കൂട്ടം പ്രസക്തമല്ലാത്ത ഫയലുകൾ ലോഡ് ചെയ്യാതെ മെറ്റീരിയലൈസ് ചെയ്ത ഫയലുകളുടെ പൂൾ വളരാൻ അനുവദിക്കുന്നു. നെസ്റ്റഡ്-ഏജന്റ് ഡിസൈൻ പ്രധാന ഏജന്റിനെ ഓരോ തവണയും മുഴുവൻ ബാക്ക്എൻഡ് കോർപ്പസും നേരിട്ട് തിരയാൻ ആവശ്യപ്പെടാതെ തന്നെ കമ്പ്യൂട്ടറിന് ഏജന്റിക് റിട്രീവലിന്റെ ആനുകൂല്യങ്ങളും നൽകുന്നു, ഇത് ഉയർന്ന മൂല്യമുള്ള വിവരങ്ങൾക്കായി സ്വന്തം കോൺടെക്സ്റ്റ് വിൻഡോ സംരക്ഷിക്കുന്നു.

Brain പരിപാലിക്കുന്നു

ഉപയോക്താക്കൾ തങ്ങൾ ചെയ്യുന്ന ജോലികളിൽ നിന്നും നടത്തുന്ന സംഭാഷണങ്ങളിൽ നിന്നും നിരന്തരം പഠിച്ചുകൊണ്ടിരിക്കുന്നു, അതിനാൽ ഏജന്റിക് മെമ്മറിയും അത് ചെയ്യേണ്ടതുണ്ട്. Brain ഉപയോഗപ്രദമായി തുടരാൻ, അത് ഏറ്റവും പ്രധാനപ്പെട്ട അറിവിന്റെ സംക്ഷിപ്തമായ പ്രാതിനിധ്യം ആയിരിക്കണം. പ്രധാനപ്പെട്ട പുതിയ എന്റിറ്റികൾക്കായി പുതിയ പേജുകൾ സൃഷ്ടിക്കണം, പ്രസക്തമായ Brain പേജുകളിലേക്ക് പുതിയ വിവരങ്ങൾ ചേർക്കണം, കൂടാതെ കാലഹരണപ്പെട്ട സന്ദർഭം സീസണനുസരിച്ച് നീക്കം ചെയ്യണം. ഉദാഹരണത്തിന്, ഒരു ഉപയോക്താവിന്റെ ജോലി മാറുകയാണെങ്കിൽ, Brain ആ മാറ്റം പ്രതിഫലിപ്പിക്കണം; അതിൽ ഉപയോക്താവിന്റെ പുതിയ ജോലി അടങ്ങിയിരിക്കുകയും അവരുടെ പുതിയ ഉത്തരവാദിത്തങ്ങളും പ്രൊജക്റ്റുകളുമായി ബന്ധപ്പെട്ട വിവരങ്ങൾക്ക് മുൻഗണന നൽകുകയും വേണം.

Dream എന്ന് ഞങ്ങൾ വിളിക്കുന്ന പശ്ചാത്തല ഏജന്റുകളാണ് Brain പരിപാലിക്കുന്നത്. ഫയൽ അധിഷ്ഠിത മെമ്മറിക്ക് മുകളിൽ Dream ഏജന്റുകൾ ഓഫ്‌ലൈനായി പ്രവർത്തിക്കുകയും പുതിയ വിവരങ്ങൾ Brain അപ്ഡേറ്റുകളിലേക്ക് സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു. Brain അപ്ഡേറ്റുകൾ സ്ഥിരവും കൃത്യവുമാണെന്ന് ഉറപ്പാക്കാൻ Dream-നിർദ്ദിഷ്ട ഗാർഡ്‌റെയിലുകൾക്കൊപ്പം ഈ ടാസ്ക് കാര്യക്ഷമമായി നിർവഹിക്കുന്നതിന് ഞങ്ങൾ Dream ഏജന്റുകളുടെ വ്യാപ്തിയും പെരുമാറ്റവും ശ്രദ്ധാപൂർവ്വം നിർവചിച്ചിട്ടുണ്ട്.

Dream: മെമ്മറി പരിഷ്കരണത്തിനായുള്ള പശ്ചാത്തല ഏജന്റുകൾ

ഒരു സംവേദനാത്മക കമ്പ്യൂട്ടർ സെഷന് ഉള്ള അതേ ഫയൽസിസ്റ്റത്തിലേക്കും റീഡ്-ഓൺലി ടൂളുകളിലേക്കും പ്രവേശനമുള്ള സാൻഡ്‌ബോക്സുകളിലാണ് Dream ഏജന്റുകൾ പ്രവർത്തിക്കുന്നത്, എന്നാൽ ഭാവി സെഷനുകൾക്കായി സന്ദർഭം മെച്ചപ്പെടുത്തുക മാത്രമാണ് അവയുടെ ഏക ലക്ഷ്യം. ഉപയോക്താവിന്റെ സന്ദർഭം ആദ്യം മുതൽ പുനർനിർമ്മിക്കുന്നതിന് പകരം മുൻകാല റണ്ണുകൾ നിർമ്മിച്ച Brain നിന്നാണ് ഓരോ റണ്ണും ആരംഭിക്കുന്നത്. അതിനുശേഷം അത് സ്വയം ഓറിയന്റ് ചെയ്യാൻ നിലവിലെ Brain ഉപയോഗിക്കുകയും ഭാവിയിലെ റണ്ണുകൾ ഉപയോഗിക്കുന്നതിനായി അപ്ഡേറ്റ് ചെയ്ത Brain നിർമ്മിക്കുകയും ചെയ്യുന്നു.

സ്വയം മെച്ചപ്പെടുത്തൽ ലൂപ്പ് രൂപീകരിച്ചുകൊണ്ട് Brain അപ്ഡേറ്റ് ചെയ്യാൻ Dream ഏജന്റുകൾ പശ്ചാത്തലത്തിൽ പ്രവർത്തിക്കുന്നു.

ഒരു Dream ഏജന്റിന് ഒരു പരിസ്ഥിതി ലഭിക്കുകയും അത് ഒരു പ്രോംപ്റ്റിലേക്ക് ചുരുക്കിയ നിശ്ചിത ഇൻപുട്ട് സ്വീകരിക്കുന്നതിന് പകരം അത് എങ്ങനെ പര്യവേക്ഷണം ചെയ്യണമെന്ന് തീരുമാനിക്കുകയും ചെയ്യുന്നു. ഇതിന് ഫയൽ അധിഷ്ഠിത മെമ്മറി നാവിഗേറ്റ് ചെയ്യാനും, അറിവിന്റെ ഒരു ഭാഗം പരിശോധിക്കാൻ അംഗീകൃത റീഡ്-ഓൺലി കണക്ടർ ടൂളുകൾ ഉപയോഗിക്കാനും, മെമ്മറി ഏജന്റ് ഉൾപ്പെടെയുള്ള സബ്-ഏജന്റുകൾക്ക് ജോലിയുടെ പരിമിതമായ ഭാഗങ്ങൾ ഏൽപ്പിക്കാനും കഴിയും. Dream ഏജന്റിന്റെ വ്യാപ്തിയും ഉത്തരവാദിത്തങ്ങളും ഒരു നൈപുണ്യം ആയി വ്യക്തമാക്കിയിരിക്കുന്നു.

പൊതുവേ, ഒരു Dream റണ്ണിൽ 4 ഘട്ടങ്ങൾ അടങ്ങിയിരിക്കുന്നു:

  1. ഓറിയന്റ്: ഏജന്റ് ക്രമീകരിച്ച ഒരു ഓറിയന്റേഷൻ നടപടിക്രമം പൂർത്തിയാക്കുന്നു. ഇത് ആധികാരിക വ്യാപ്തി, നിലവിലുള്ള നിർദ്ദേശങ്ങൾ, ഡിലീഷൻ ലോഗ്, അധിക ഇൻപുട്ടുകൾ, നിർത്തൽ വ്യവസ്ഥകൾ എന്നിവ തിരിച്ചറിയുന്നു.
  2. സെഷനുകൾ സംഗ്രഹിക്കുക: അവസാന അപ്ഡേറ്റിന് ശേഷം പുതിയതായുള്ള (അല്ലെങ്കിൽ പുതിയ ടേണുകൾ ഉള്ള) ഓരോ സെഷനും, ഏജന്റ് സെഷന്റെ ഹ്രസ്വമായ സംഗ്രഹം എഴുതുന്നു (അല്ലെങ്കിൽ അപ്ഡേറ്റ് ചെയ്യുന്നു).
  3. വിഷയങ്ങളിലേക്ക് വസ്തുതകൾ അറ്റാച്ചുചെയ്യുക: താൻ പ്രാധാന്യമുള്ളതെന്ന് കരുതുന്ന ഓരോ നിരീക്ഷണവും ഏജന്റ് അതിന്റെ ശരിയായ ഹോമിലേക്ക് ചേർക്കുന്നു, ഇത് സാധാരണയായി ഒരു വിക്കി പേജാണ്. ലഭ്യമാകുമ്പോൾ ഇത് ആധികാരിക കണക്ടറുകളെ അന്വേഷിക്കുകയും ചോദ്യം ചെയ്യുകയും ചെയ്യുന്നു.
  4. അറിവിന്റെ വിക്കി അപ്ഡേറ്റ് ചെയ്യുക: തന്റെ കണ്ടെത്തലുകളുടെ അടിസ്ഥാനത്തിൽ ഏജന്റ് വിക്കി അപ്ഡേറ്റ് ചെയ്യുന്നു. നിലവിലുള്ള സംഗ്രഹം മാറിയിരിക്കുമ്പോൾ ദീർഘകാലം നിലനിൽക്കുന്ന വിഷയങ്ങൾക്കായി പുതിയ പേജുകൾ നിർമ്മിക്കാനും, പേജുകൾ പരിഷ്കരിക്കാനും, അല്ലെങ്കിൽ വസ്തുതാപരമായ അവകാശവാദത്തെ പിന്തുണയ്ക്കുന്ന പുതിയ ലിങ്കുകളോ ഉദ്ധരണികളോ ചേർക്കാനും ഇതിന് കഴിയും. നിലവിലെ ഗ്രാഫ് ഇതിനകം ശരിയാണെങ്കിൽ മാറ്റങ്ങളൊന്നും വരുത്താതിരിക്കാനും ഇതിന് തിരഞ്ഞെടുക്കാം.

Brain-ലേക്കുള്ള ഏതെങ്കിലും അപ്ഡേറ്റുകൾ പൂർണ്ണവും സ്ഥിരവുമാണെന്ന് ഉറപ്പാക്കാൻ, ഏജന്റുകൾ നിർദ്ദിഷ്ട അവസ്ഥ ഒരു സ്റ്റേജ് ചെയ്ത ഔട്ട്പുട്ട് ട്രീയിലേക്ക് എഴുതുന്നു. താൻ ആവശ്യമാണെന്ന് കരുതുന്ന എല്ലാ അപ്ഡേറ്റുകളും ഏജന്റ് വരുത്തുന്നത് വരെ സ്ഥിരമായ മാറ്റങ്ങളൊന്നും വരുത്തുന്നില്ല. ആ തീരുമാനങ്ങൾ ഒരേ ഏജന്റിക് പ്രക്രിയയിൽ ഏകോപിപ്പിക്കുന്നത് ബന്ധമില്ലാത്ത പേജുകളായിട്ടല്ല, മൊത്തത്തിലുള്ള ഗ്രാഫ് അപ്ഡേറ്റ് ചെയ്യുന്നത് സാധ്യമാക്കുന്നു.

നിലവിലുള്ള Brain ഉം പുതിയ വിവരങ്ങളും ഉപയോഗിച്ച് Dream ഏജന്റുകൾ അപ്ഡേറ്റുകൾ നിർദ്ദേശിക്കുകയും എഴുതുകയും ചെയ്യുന്നു.

ഏതെങ്കിലും മാറ്റങ്ങൾ രണ്ട് തരത്തിലുള്ള പരിശോധനാ പരിശോധനകൾ പാസാകേണ്ടതുണ്ട്. ഡിറ്റർമിനിസ്റ്റിക് വാലിഡേഷൻ പരിശോധനകൾ പേജുകൾ നന്നായി രൂപീകരിച്ചിട്ടുണ്ടെന്നും ആവശ്യമായ ഫ്രണ്ട്മാറ്ററും ഉദ്ധരണീ ഫോർമാറ്റും പോലെയുള്ള ഒബ്ജക്റ്റീവ് മാനദണ്ഡങ്ങൾ പാലിക്കുന്നുണ്ടെന്നും ഉറപ്പാക്കുന്നു. നിർദ്ദിഷ്ട സംഗ്രഹം ശേഖരിച്ച തെളിവുകളാൽ പിന്തുണയ്ക്കപ്പെടുന്നുവെന്നും ഗ്രാഫിന്റെ ബാക്കി ഭാഗങ്ങളുമായി പൊരുത്തപ്പെടുന്നുവെന്നും സെമാന്റിക് വെരിഫിക്കേഷൻ പരിശോധനകൾ ഉറപ്പാക്കുന്നു. ഏജന്റ് വിജയകരമായി പൂർത്തിയാക്കിയ ശേഷം, ഒരു നിയന്ത്രിത സിൻക്രൊണൈസേഷൻ ഘട്ടം സ്റ്റേജ് ചെയ്ത ഔട്ട്പുട്ടിനെ മുൻ അവസ്ഥയുമായി താരതമ്യം ചെയ്യുകയും മാറ്റങ്ങൾ റിപ്പോസിറ്ററിയിൽ പ്രയോഗിക്കുകയും ചെയ്യുന്നു. ഒരു സിൻക്രൊണൈസേഷൻ ഘട്ടം പൂർത്തിയാകുമ്പോൾ, അവസാനത്തെ എഡിറ്റുകളുടെ സെറ്റ് Git പതിപ്പ് ചരിത്രത്തിലൂടെ പരിശോധിക്കാൻ സാധിക്കും.

Brain പരിശോധിക്കുന്നു

ഉപയോഗപ്രദമായ ഒരു മെമ്മറി സിസ്റ്റം പ്രസക്തമായ തെളിവുകൾ സംരക്ഷിക്കുകയും, ആവശ്യമുള്ളപ്പോൾ അത് ലഭ്യമാക്കുകയും, ആ തെളിവുകളെ ശരിയായ ഉത്തരമാക്കി മാറ്റാൻ ഏജന്റിനെ സഹായിക്കുകയും വേണം. അതിനാൽ ഞങ്ങൾ Brain പല തലങ്ങളിൽ വിലയിരുത്തുന്നു: നിയന്ത്രിത ഓഫ്‌ലൈൻ അബ്ലേഷൻസ്, തുടർച്ചയായ പെയേർഡ് റിപ്ലേ, റാൻഡമൈസ്ഡ് പ്രൊഡക്ഷൻ പരീക്ഷണങ്ങൾ.

ഓഫ്‌ലൈൻ മൂല്യനിർണ്ണയങ്ങൾ

ഞങ്ങളുടെ പ്രാഥമിക offline evaluation 44 synthetic personas-കളിലായി 640 ചോദ്യങ്ങളുള്ള ഒരു internal dataset ആണ് ഉപയോഗിക്കുന്നത്. ആ personas session cadence, turn count, topic mix, fact density എന്നിവയിൽ production-ൽ നിന്നുള്ള മാതൃകകൾ പുനരാവിഷ്കരിക്കുന്നു, എന്നാൽ ഉപയോക്തൃ സ്വകാര്യത സംരക്ഷിക്കാൻ production query text ഒന്നും ഉൾക്കൊള്ളുന്നില്ല. ഓരോ account-ഉം production memory pipeline വഴി populated ചെയ്യപ്പെടുന്നു; അതിൽ memory extraction, conversation summaries, കൂടാതെ knowledge wiki-യുടെ Dream-ന്റെ compilation എന്നിവ ഉൾപ്പെടുന്നു. ഓരോ ചോദ്യത്തിനും, ശരിയായ ഉത്തരം account-ന്റെ ചരിത്രത്തിൽ ഉള്ള നിർദിഷ്ട evidence-ുമായി യാന്ത്രികമായി ബന്ധിപ്പിച്ചിരിക്കുന്നു.

ഉദാഹരണത്തിന്, നാഡിയയ്ക്ക്, മുമ്പ് പരിചയപ്പെടുത്തിയ പ്രവേശനക്ഷമത ഗവേഷക സിന്തറ്റിക് പേഴ്സണയ്ക്ക്, ഡാറ്റാസെറ്റിൽ "Which orgs am I meeting in Kyoto and Sendai?" എന്ന ചോദ്യം ഉൾപ്പെടുന്നു. ഉത്തരം (ക്യോട്ടോയിലെ സോറ സിറ്റി ലാബും സെൻഡായിലെ സപ്പഹിർ മൊബിലിറ്റി കോ-ഓപ്പും) ബന്ധപ്പെട്ട വിക്കി പേജിൽ നേരിട്ട് ദൃശ്യമാകുന്നു.

കംപൈൽ ചെയ്ത നോളജ് വിക്കി പ്രവർത്തനക്ഷമമാക്കിയും അല്ലാതെയുമുള്ള സമാന ചോദ്യങ്ങളും അക്കൗണ്ടുകളും ഞങ്ങൾ താരതമ്യം ചെയ്യുന്നു. മെമ്മറിയുടെ മറ്റ് ഉപരിതലങ്ങൾ രണ്ട് അവസ്ഥകളിലും ലഭ്യമായി തുടരുന്നു. മെമ്മറി ഇല്ലാത്തതുമായി താരതമ്യം ചെയ്യുന്നതിന് പകരം, ഇത് Brain-ന്റെ അധിക സംഭാവനയെ വേർതിരിച്ചു കാണിക്കുന്നു. മൊത്തത്തിൽ, Brain ഉത്തരങ്ങളുടെ കൃത്യത 0.600 ൽ നിന്ന് 0.661 ആയി വർദ്ധിപ്പിച്ചു (6.1 ശതമാനം വർദ്ധനവ്), തെളിവുകൾ വീണ്ടെടുക്കൽ 0.573 ൽ നിന്ന് 0.625 ആയും വർദ്ധിപ്പിച്ചു (5.2 ശതമാനം വർദ്ധനവ്). മുൻഗണനകളെക്കുറിച്ചുള്ള ചോദ്യങ്ങൾ (+10.2 pp), താൽക്കാലിക ന്യായവാദം (+8.6 pp), മുൻകാല പ്രവർത്തനങ്ങളിൽ നിന്നുള്ള വിശദാംശങ്ങൾ വേർതിരിച്ചെടുക്കൽ (+6.9 pp) എന്നിവയ്ക്കാണ് ഈ പ്രഭാവം ഏറ്റവും കൂടുതൽ ഉണ്ടായത്. 84% ചോദ്യങ്ങളിലും, ഏജന്റ് സ്വർണ്ണ തെളിവുമായി ബന്ധിപ്പിച്ചിട്ടുള്ള ഒരു ഉറവിടം പരിശോധിക്കാവുന്ന രീതിയിൽ സ്പർശിച്ചു.

Brain ഞങ്ങളുടെ ആന്തരിക ബെഞ്ച്മാർക്കിലെ പ്രകടനം മെച്ചപ്പെടുത്തുന്നു.

രണ്ട് പബ്ലിക് ബെഞ്ച്മാർക്കുകളുടെ ഉപസെറ്റുകളിൽ ഞങ്ങൾ മാച്ച് ചെയ്ത Brain അബ്ലേഷനുകളും നടത്തി. LoCoMo-ൽ, വിക്കി നീക്കം ചെയ്യുന്നത് മൂന്ന് മോഡലുകൾ ഉപയോഗിച്ചുള്ള മൂന്ന് റണ്ണുകളിലായി ശരാശരി 4.6 ശതമാനം പോയിന്റുകൾ ഉത്തര കൃത്യത കുറച്ചു. LongMemEval-S-ൽ ഇത് സ്ഥിതിവിവരക്കണക്കപരമായി കാര്യമായ മാറ്റമൊന്നും ഉണ്ടാക്കിയില്ല. ഈ ഫലം Brain-ന്റെ ഉദ്ദേശിച്ച റോോളുമായി സ്ഥിരത പുലർത്തുന്നു. വ്യക്തിഗത സെഷനുകളിൽ നിന്നുള്ള വസ്തുതകൾ വീണ്ടെടുക്കുന്നത് LongMemEval-S പ്രധാനമായും പരിശോധിക്കുന്നു, അവിടെ അടിസ്ഥാന ട്രാൻസ്ക്രിപ്റ്റുകൾ ഉത്തരത്തിലേക്ക് ഒരു റിഡണ്ടന്റ് പാത നൽകുന്നു. സംഭാഷണങ്ങൾ, സ്പീക്കറുകൾ, തീയതികൾ എന്നിവയിലുടനീളം ചിതറിക്കിടക്കുന്ന തെളിവുകൾക്ക് LoCoMo കൂടുതൽ പ്രാധാന്യം നൽകുന്നു, വിക്കിയുടെ ക്രോസ്-സെഷൻ സിന്തസിസിന് സംഭാവന നൽകാൻ കൂടുതൽ അവസരം സൃഷ്ടിക്കുന്നു.

മൊത്തത്തിൽ, Brain പ്രവർത്തനക്ഷമമാക്കിക്കൊണ്ട്, പ്രൊഡക്ഷൻ ഏജന്റ് LongMemEval-ൽ 0.91 ഉം LoCoMo-ൽ 0.83 ഉം ഉത്തര കൃത്യത കൈവരിച്ചു. ഈ പരീക്ഷണങ്ങൾ ബെഞ്ച്മാർക്ക് ഉപസെറ്റുകൾ ഉപയോഗിച്ചതുകൊണ്ട്, അവ കൃത്യമായ ബെഞ്ച്മാർക്ക് ഫലങ്ങളല്ല. എന്നിരുന്നാലും, പ്രത്യേകിച്ച് സംഭാഷണങ്ങളിലുടനീളം തെളിവുകൾ സംയോജിപ്പിക്കേണ്ടി വരുമ്പോൾ, വിക്കി പ്രകടനം മെച്ചപ്പെടുത്തുന്നു എന്ന ശക്തമായ സിഗ്നൽ അബ്ലേഷനുകൾ ഇപ്പോഴും നൽകുന്നു. ഒപ്റ്റിമൈസ് ചെയ്തതും ബെഞ്ച്മാർക്ക്-നിർദ്ദിഷ്ടവുമായ റിട്രീവൽ സിസ്റ്റത്തിന് പകരം Brain കമ്പ്യൂട്ടറിന്റെ ഭാഗമായതുകൊണ്ട്, പ്രൊഡക്ഷൻ വർക്ക്ഫ്ലോകളോട് കൂടുതൽ സാദൃശ്യമുള്ള ടാസ്ക്കുകൾക്കൊപ്പം മത്സരക്ഷമത വർദ്ധിക്കുകയേ ഉള്ളൂ എന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു.

ഓൺലൈൻ മൂല്യനിർണ്ണയങ്ങൾ

യഥാർത്ഥ ഉപയോക്തൃ ചരിത്രങ്ങളുടെ എല്ലാ സവിശേഷതകളും ഓഫ്‌ലൈൻ ഡാറ്റാസെറ്റുകൾക്ക് ക്യാപ്ചർ ചെയ്യാൻ കഴിയില്ല, അതിനാൽ പുതിയ പ്രൊഡക്ഷൻ-ഉത്ഭവിച്ച കോഹർട്ടുകൾക്ക് മുകളിലായി ഞങ്ങൾ ദിവസേനയുള്ള പെയേർഡ് മൂല്യനിർണ്ണയവും നടത്തുന്നു. Brain പ്രവർത്തനക്ഷമമാക്കിയും അല്ലാതെയുമുള്ള മാച്ച് ചെയ്ത ഉപയോക്തൃ അവസ്ഥയ്‌ക്കെതിരെ അതേ നിശ്ചിത ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നു, തുടർന്ന് കൃത്യത, കറണ്ട്നെസ്സ്, റീകോൾ എന്നിവയ്ക്കായി വിലയിരുത്തപ്പെടുന്നു.

ജൂൺ 18-ന് റിപ്പോർട്ട് ചെയ്ത പ്രാരംഭ ഫലങ്ങൾ കാണിക്കുന്നത് Brain ഉത്തരങ്ങളുടെ കൃത്യത 25% വും റീകോൾ 16% വും വർദ്ധിപ്പിക്കുന്നു എന്നാണ്. ഈ പ്രകടന നേട്ടങ്ങൾ തുടർന്നും നിലനിൽക്കുന്നു; കഴിഞ്ഞ 30 ദിവസത്തിനുള്ളിൽ, Brain പ്രവർത്തനക്ഷമമാക്കിയ സെഷനുകൾ എല്ലാ റണ്ണിലും എല്ലാ ജഡ്ജ് ചെയ്ത അളവിലും കൺട്രോളിനെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവച്ചു. കേവലമായ അർത്ഥത്തിൽ, കമ്പ്യൂട്ടർ ഉപയോക്താക്കൾക്ക് കൃത്യതയിൽ 9.3 പോയിന്റുകളുടെയും, കറണ്ട്നെസ്സിൽ 8.0 പോയിന്റുകളുടെയും, റീകോളിൽ 8.9 പോയിന്റുകളുടെയും മെച്ചപ്പെടുത്തലുകൾ ആസ്വദിക്കാൻ കഴിഞ്ഞു. Brain പ്രവർത്തനക്ഷമമാക്കിയ ട്രെജക്ടറികൾ ഏകദേശം 15% കുറഞ്ഞ ടോക്കണുകൾ ഉപയോഗിച്ചു, 10% കുറഞ്ഞ ചെലവ് വന്നു, കൂടാതെ 10% വേഗത്തിൽ ജനറേഷൻ പൂർത്തിയാക്കുകയും ചെയ്തു.

Brain ഉത്തരങ്ങളുടെ ഗുണനിലവാരം വർദ്ധിപ്പിക്കുകയും ചെലവ് കുറയ്ക്കുകയും ചെയ്യുന്നു.

തുടർച്ചയായ മെച്ചപ്പെടുത്തൽ

ഉപയോക്താക്കൾക്ക് മികച്ച മെമ്മറി അനുഭവം നൽകുന്നതിനായി ഞങ്ങൾ Brain തുടർന്നും പരിഷ്കരിച്ചു വരുന്നു. സമീപകാലത്തെ ഒരു മാറ്റം Brain-ന്റെ കോംപാക്റ്റ് ഇൻഡക്സിനെ പിന്നീട് കണ്ടെത്തി വായിക്കാൻ ഏജന്റിനെ ആവശ്യപ്പെടുന്നതിന് പകരം ഏജന്റിന്റെ പ്രാരംഭ സന്ദർഭത്തിൽ നേരിട്ട് സ്ഥാപിക്കുന്നു. ഒരു റാൻഡമൈസ്ഡ് പരീക്ഷണത്തിൽ, ഈ പ്രീഫിൽ ട്രീറ്റ്‌മെന്റ് Brain ഉപയോഗം വർദ്ധിപ്പിക്കുകയും മെമ്മറിയുമായി ബന്ധപ്പെട്ട അസംതൃപ്തി 6.9% കുറയ്ക്കുകയും ചെയ്തു.

ഓഫ്‌ലൈൻ മൂല്യനിർണ്ണയ ഹാർനെസ് സ്വയം ഭരണ മെച്ചപ്പെടുത്തൽ പൈപ്പ്‌ലൈനിന്റെ ഭാഗമായും ഇരട്ടകളായി പ്രവർത്തിക്കുന്നു. Brain-ന്റെ മെമ്മറി സബ്-ഏജന്റ്, റിട്രീവൽ സ്കില്ലുകൾ, പ്രോംപ്റ്റുകൾ എന്നിവയിലേക്കുള്ള നിർദ്ദിഷ്ട മാറ്റങ്ങൾ ഞങ്ങളുടെ ആന്തരിക ഡാറ്റാസെറ്റിലെയും പബ്ലിക് ബെഞ്ച്മാർക്കുകളിലെയും മാച്ച് ചെയ്ത അബ്ലേഷനുകളിലൂടെ പ്രവർത്തിപ്പിക്കപ്പെടുന്നു. കമ്പ്യൂട്ടർ ഏജന്റുകൾക്ക് ഫലങ്ങളിൽ സ്വയംഭരണമായി ആവർത്തിക്കാൻ കഴിയും, ഓരോ ആവർത്തനത്തിന്റെയും മാറ്റവും ഡെൽറ്റകളും ചെലവും ഒരു സുസ്ഥിര റെക്കോർഡായി സംരക്ഷിക്കുകയും സംഖ്യകൾ മാറ്റുന്ന മാറ്റങ്ങൾ മാത്രം സൂക്ഷിക്കുകയും ചെയ്യുന്നു. Brain-ന്റെ ഇവാലുവേറ്ററുകൾ അതിന്റെ ഒപ്റ്റിമൈസറുകൾ കൂടിയായ ഒരു സിസ്റ്റമാണ് ഇതിന്റെ ഫലം, ഇത് ഭാവിയിലെ മെച്ചപ്പെടുത്തലുകൾക്ക് കാരണമാകുന്നു.

ഉപസംഹാരം

ആഴ്ചകളിലും മാസങ്ങളിലും പ്രവർത്തിക്കുന്ന ഏജന്റ് സിസ്റ്റങ്ങൾ നിർമ്മിക്കുന്നതിനുള്ള നിർണ്ണായക വെല്ലുവിളികളിൽ ഒന്നാണ് തുടർച്ചയായ പഠനം. ഏജന്റുകൾക്ക് അവരുടെ സാധാരണ ടൂൾസെറ്റുകൾ ഉപയോഗിച്ച് നേരിട്ട് പര്യവേക്ഷണം ചെയ്യാൻ കഴിയുന്ന പരിസ്ഥിതികളായി മെമ്മറി ആർക്കിടെക്ചറുകൾ തുറന്നുകാണിക്കുന്നതാണ് നല്ലതെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു. മുകളിൽ ഘടനാപരമായ നോളജ് വിക്കിയായി Brain ഉള്ള ഒരു ഫയൽസിസ്റ്റമായി മെമ്മറി തുറന്നുകാണിക്കുന്നത്, ലളിതവും പരിചിതവുമായ ടൂളുകളിലൂടെ സന്ദർഭം കാര്യക്ഷമമായി നാവിഗേറ്റ് ചെയ്യാൻ കഴിയുന്നതാക്കുന്നു.

സ്വയം മെച്ചപ്പെടുത്തുന്നതിനാണ് Brain രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്, അതിനാൽ ഉപയോഗം വർദ്ധിക്കുന്നതിനനുസരിച്ച് മെമ്മറി സിസ്റ്റം കൂടുതൽ മെച്ചപ്പെട്ടുകൊണ്ടിരിക്കും. പുതിയ വിവരങ്ങൾ Dream പശ്ചാത്തല ഏജന്റുകൾ Brain അപ്ഡേറ്റുകളിലേക്ക് സംഗ്രഹിക്കുന്നു, മുൻനിര ഏജന്റുകൾ പുതിയ സെഷൻ ആരംഭിക്കുമ്പോൾ ഏറ്റവും പുതിയ സന്ദർഭത്തിന്റെ സംഘടിത കാഴ്ചയോടെയാണ് തുടങ്ങുന്നതെന്ന് ഇത് ഉറപ്പാക്കുന്നു. പ്രധാന മെമ്മറി ആർക്കിടെക്ചറിലെയും ഏജന്റ്-ഫേസിംഗ് ഇന്റർഫേസുകളിലെയും ഓട്ടോസെർച്ച് ലൂപ്പുകൾക്കായുള്ള ഒരു ടെസ്റ്റിംഗ് ഗ്രൗണ്ടായി മൂല്യനിർണ്ണയ ഹാർനെസ് പ്രവർത്തിക്കുന്നു.

ഇതിനകം തന്നെ, ടോക്കൺ ചെലവ് കുറച്ചുകൊണ്ട് കൂടുതൽ കൃത്യവും മികച്ചതുമായ ഏജന്റ് സെഷനുകൾ നൽകാൻ Brain-ന് കഴിഞ്ഞിട്ടുണ്ട്. കമ്പ്യൂട്ടറിന്റെ പ്രൊഡക്ഷൻ സ്റ്റാക്കിനൊപ്പം Brain ഞങ്ങൾ ശ്രദ്ധാപൂർവ്വം സഹകരിച്ച് രൂപകൽപ്പന ചെയ്തത് ഈ നേട്ടങ്ങൾ ഉപയോക്താക്കൾക്ക് യഥാർത്ഥ പ്രയോജനങ്ങളായി നേരിട്ട് വിവർത്തനം ചെയ്യപ്പെടുന്നുവെന്ന് ഉറപ്പാക്കുന്നു.

കമ്പ്യൂട്ടറിന്റെ മെമ്മറിയുടെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നതിനായി ഞങ്ങൾ കൂടുതൽ കഴിവുകൾ നിർമ്മിക്കുന്നത് തുടരുന്നു. അതിനിടയിൽ, Brain പ്രവർത്തനക്ഷമമാക്കിയ ഉപയോക്താക്കൾക്ക്, ഓരോ സെഷനിലും മെമ്മറി മെച്ചപ്പെടും.

ഉദ്ധരണി

BibTeX
@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://www.perplexity.ai/hub/blog/brain-agentic-memory-as-a-knowledge-wiki}
}