എല്ലാ Agent API എഫർട്ട് ലെവലുകളിലും മെച്ചപ്പെടുത്തലുകൾ

Perplexity Agent API-യിലെ എഫർട്ട് ലെവലുകൾ ഓരോ ടാസ്കിനും ചെലവ്, വേഗത, ഗവേഷണ ആഴം എന്നിവയുടെ സന്തുലനം തിരഞ്ഞെടുക്കാൻ ഡെവലപ്പർമാരെ അനുവദിക്കുന്നു. ഇന്ന് മുതൽ, ഓരോ എഫർട്ട് ലെവലിനും ഓരോ ക്വറിക്കുമുള്ള ചെലവ് കുറവാണ്, ഗവേഷണ ഗുണനിലവാരം ഉയർന്നതോ മാറ്റമില്ലാത്തതോ ആണ്. ഏറ്റവും വിപുലവും സമഗ്രവുമായ ഗവേഷണത്തിനായി ഒരു പുതിയ ultra ലെവൽ ലഭ്യമാണ്. effort="fast", പോലെ ലെവലിനെ പേര് ഉപയോഗിച്ച് തിരഞ്ഞെടുക്കുന്ന ഏതൊരു അഭ്യർത്ഥനയ്ക്കും അപ്‌ഡേറ്റ് ചെയ്ത കോൺഫിഗറേഷൻ സ്വയമേവ ലഭിക്കും.

ഒരു ഗവേഷണ ഏജന്റ് നിർമ്മിക്കുക എന്നാൽ ഓരോ ടാസ്കിനും ചെലവ്, വേഗത, ആഴം എന്നിവയുടെ ശരിയായ സന്തുലനം തിരഞ്ഞെടുക്കുക എന്നതാണ്. Agent API-യിലെ എഫർട്ട് ലെവലുകൾ ഉപയോക്താവിനായി ആ തീരുമാനം എടുക്കുന്നു. ഓരോ ലെവലും ഒരു പ്രത്യേക ടാസ്ക് തരത്തിനായുള്ള മോഡൽ, സ്റ്റെപ്പ് ബജറ്റ്, സെർച്ച് ക്രമീകരണങ്ങൾ, ടൂളുകൾ എന്നിവ നിർവചിക്കുന്ന ഒരു ബണ്ടിൽ ചെയ്ത കോൺഫിഗറേഷനാണ്. നിലവിലെ ചെലവിലോ അതിൽ കുറവിലോ മികച്ച ഗവേഷണം നൽകുന്നതിനായി Perplexity ഓരോ ലെവലും കാലക്രമേണ വിലയിരുത്തുകയും അപ്‌ഡേറ്റ് ചെയ്യുകയും ചെയ്യുന്നു.

ഈ നേട്ടങ്ങൾ രണ്ട് തരം മാറ്റങ്ങളിൽ നിന്നാണ് ഉണ്ടായത്. ബജറ്റുകൾ, കോൺടെക്സ്റ്റ് കൈകാര്യം ചെയ്യൽ, എക്സ്ട്രാക്ഷൻ എന്നിവ ഓരോ റണ്ണിന്റെയും ചെലവ് കുറച്ചു; നൈപുണ്യങ്ങൾ, മോഡൽ തിരഞ്ഞെടുപ്പ്, സമാന്തര ഏജന്റുകൾ എന്നിവ ഉത്തരത്തിന്റെ ഗുണനിലവാരം ഉയർത്തുകയോ നിലനിർത്തുകയോ ചെയ്തു.

BrowseComp, DSQA എന്നിവയിൽ medium-ന്റെ പ്രകടനം 55%-ൽ നിന്ന് 77% ആയി മെച്ചപ്പെട്ടു, അതേസമയം ചെലവ് ഏകദേശം 90% കുറഞ്ഞു. BrowseComp-ഉം DSQA-യും പൊതു ഗവേഷണ ബെഞ്ച്മാർക്കുകളാണ്; ദൈർഘ്യമേറിയ, ഒന്നിലധികം എന്റിറ്റികൾ ഉൾപ്പെടുന്ന ഗവേഷണ ടാസ്കുകൾക്കായുള്ള Perplexity-യുടെ ബെഞ്ച്മാർക്കാണ് WANDR. സാൻഡ്‌ബോക്സിൽ കോഡ് എക്സിക്യൂട്ട് ചെയ്യുക, ദീർഘമായ ടൂൾ-ഉപയോഗ ലൂപ്പുകൾ നിലനിർത്തുക, ഒരേസമയം നിരവധി സ്രോതസ്സുകളിലുടനീളം പ്രവർത്തിക്കുക തുടങ്ങിയ ഏജന്റിക് ജോലികൾ xhigh നിർവഹിക്കുന്നു. 2026 ഓഗസ്റ്റിലെ കോൺഫിഗറേഷന്റെ ഏകദേശം 25% ചെലവിൽ പ്രവർത്തിക്കുമ്പോഴും xhigh അതിന്റെ WANDR സ്കോർ 76.5%-ൽ നിലനിർത്തി.

ഒരു ഗുരുതരം ശോധനം അഭ്യർത്ഥനയ്ക്ക് ഉത്തരം നൽകുന്നതിന് മുമ്പ് ഡസൻ കണക്കിന് സെർച്ചുകൾ നടത്താനും നൂറുകണക്കിന് പേജുകൾ വായിക്കാനും തെളിവുകൾ പരിശോധിക്കാനും കഴിയും. ആ ഓരോ പ്രവർത്തനവും കോൺടെക്സ്റ്റിലേക്ക് ടോക്കണുകളും ബില്ലിലേക്ക് ഡോളറുകളും കൂട്ടിച്ചേർക്കുന്നു. പരിധികളില്ലെങ്കിൽ, ഉത്തരം മെച്ചപ്പെടുത്താതെ ചെലവ് കൂട്ടുകയും കോൺടെക്സ്റ്റ് തിങ്ങിനിറയ്ക്കുകയും ചെയ്യുന്ന പ്രവർത്തനങ്ങൾ ഏജന്റ് തുടർന്നുകൊണ്ടേയിരിക്കും. ആ ചെലവിന്റെ ഭൂരിഭാഗവും അഞ്ച് ഘടകങ്ങളാണ് നിർണ്ണയിക്കുന്നത്:

ബജറ്റ് വിഹിതം. നിശ്ചിത ബജറ്റുള്ള ഏജന്റുകൾക്ക് ടാസ്ക് പൂർത്തിയാക്കുന്നതിന് മുമ്പ് സ്റ്റെപ്പുകൾ തീർന്നുപോകുകയും റൺ നേരത്തേ അവസാനിക്കുകയും ചെയ്തേക്കാം. മറുവശത്ത്, നിശ്ചിത ബജറ്റില്ലാത്ത ഏജന്റുകൾ അന്തിമ ഉത്തരം മെച്ചപ്പെടുത്താതെ ചെലവ് വരുത്തിക്കൊണ്ട് പ്രവർത്തനം തുടർന്നേക്കാം.
കോൺടെക്സ്റ്റ് ഓവർഹെഡ്. സെർച്ച് ഫലങ്ങളിലും ഫെച്ച് ചെയ്ത പേജുകളിലുമാണ് തെളിവുകൾ ഉള്ളത്, എന്നാൽ നിയന്ത്രിക്കാതെ വിട്ടാൽ കോൺടെക്സ്റ്റ് വിൻഡോ വേഗത്തിൽ അപ്രസക്തമായ വിവരങ്ങൾ കൊണ്ട് നിറയാം. കോൺടെക്സ്റ്റ് വിൻഡോകൾ ഓരോ സ്റ്റെപ്പിൽ നിന്നും അടുത്തതിലേക്ക് ചെലവ് വഹിക്കുന്നു, അമിതഭാരമുള്ള വിൻഡോകൾ ഏജന്റിന്റെ പ്രകടനം കുറച്ചേക്കാം.
വർക്ക്ഫ്ലോ തിരഞ്ഞെടുക്കൽ. വ്യത്യസ്ത ടാസ്കുകൾക്ക് വ്യത്യസ്ത സമീപനങ്ങൾ ആവശ്യമാണ്. ഒരൊറ്റ വസ്തുത കണ്ടെത്തൽ, ഒരു മൾട്ടി-ഹോപ്പ് ചോദ്യം, സ്രോതസ്സുകളുടെ വിപുലമായ സർവേ എന്നിവയ്ക്ക് ഓരോന്നിനും വ്യത്യസ്തമായ വർക്ക്ഫ്ലോ ആവശ്യമാണ്. സ്വയം തിരഞ്ഞെടുക്കാൻ വിട്ടാൽ, ഒരു മോഡൽ പലപ്പോഴും കാര്യക്ഷമമല്ലാത്ത ഒന്ന് തിരഞ്ഞെടുക്കുന്നു. ലഭ്യമായ എല്ലാ സ്ട്രാറ്റജികളും ഏജന്റിന്റെ പ്രോംപ്റ്റിൽ വിശദീകരിക്കുന്നത് ഇതിന് പരിഹാരമല്ല. അധിക നിർദ്ദേശങ്ങൾ ഓരോ സ്റ്റെപ്പിലും ടോക്കണുകളായി കൊണ്ടുപോകപ്പെടുന്നു, കാലക്രമേണ മോഡൽ അവ ഓരോന്നും കുറഞ്ഞ വിശ്വാസ്യതയോടെയാണ് പിന്തുടരുന്നത്.
മോഡൽ തിരഞ്ഞെടുപ്പ്. വലിയൊരു മോഡലിലേക്ക് മാറുന്നത് അധിക ചെലവിന് ആനുപാതികമായ മെച്ചപ്പെട്ട പ്രകടനം നൽകണമെന്നില്ല. പുതിയ മോഡലുകൾ വാർത്താ തലക്കെട്ടുകളോടും പ്രസിദ്ധീകരിച്ച ബെഞ്ച്മാർക്ക് സ്കോറുകളോടും കൂടിയാണ് എത്തുന്നത്. എന്നിരുന്നാലും, ബെഞ്ച്മാർക്ക് നേട്ടങ്ങൾ ഡാറ്റാ കണ്ടാമിനേഷൻ മൂലമാകാം, അല്ലെങ്കിൽ മോഡൽ ഓവർഫിറ്റിംഗിനെ പ്രതിഫലിപ്പിക്കാം. യഥാർത്ഥ ടാസ്കുകളിൽ വിലയിരുത്താതെ, ഒരു മോഡൽ മാറ്റം ഗുണനിലവാരം ഉയർത്താതെ തന്നെ ചെലവ് ഉയർത്തിയേക്കാം.
മൾട്ടി-ഏജന്റ് സ്കെയിലിംഗ്. ഒരൊറ്റ ഏജന്റിന് ഒരു റണ്ണിൽ പരിമിതമായ എണ്ണം സ്രോതസ്സുകൾ മാത്രമേ സെർച്ച് ചെയ്യാനും വായിക്കാനും വിശകലനം ചെയ്യാനും കഴിയൂ. ഒന്നിലധികം ഏജന്റുകളെ സമാന്തരമായി പ്രവർത്തിപ്പിക്കുന്നത് ഏറ്റവും ആവശ്യകതയേറിയ ടാസ്കുകളിൽ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നു, എന്നാൽ ശരിയായി കൈകാര്യം ചെയ്തില്ലെങ്കിൽ ചെലവ് വർദ്ധിപ്പിക്കുകയും സങ്കീർണ്ണത സൃഷ്ടിക്കുകയും ചെയ്യുന്നു.

ഈ ഓരോ വെല്ലുവിളിയും പരിഹരിച്ചതിലൂടെ, പ്രകടനം കുറയ്ക്കാതെ തന്നെ ഓരോ എഫർട്ട് ലെവലിന്റെയും ചെലവ് കുറഞ്ഞു.

ഓരോ എഫർട്ട് ലെവലിനും മൂന്ന് ഘടകങ്ങളുള്ള ഒരു നിശ്ചിത ഗവേഷണ ബജറ്റുണ്ട്:

സ്റ്റെപ്പ് പരിധികൾ: ഏജന്റിന് എടുക്കാനാകുന്ന ടേണുകളുടെ എണ്ണം
ടൂൾ കോളുകൾ: ഒരു അഭ്യർത്ഥനയിലെ ആകെ ടൂൾ കോളുകളുടെ എണ്ണത്തിനുള്ള പരിധി. ഒരൊറ്റ സ്റ്റെപ്പിന് ഒരേസമയം ഒന്നിലധികം ടൂളുകളിലുടനീളം ഒന്നിലധികം കോളുകൾ നടത്താനാകും, അതിനാൽ ഒരു സ്റ്റെപ്പിനുള്ളിൽ എത്ര പ്രവർത്തനങ്ങൾ നടക്കുന്നുവെന്ന് സ്റ്റെപ്പ് പരിധി മാത്രം നിയന്ത്രിക്കുന്നില്ല.
ബജറ്റ് ഓർമ്മപ്പെടുത്തലുകൾ: എത്ര സ്റ്റെപ്പുകൾ ബാക്കിയുണ്ടെന്ന് ഇടയ്ക്കിടെ നൽകുന്ന അറിയിപ്പുകൾ; ഇതുവഴി ടാസ്കിനിടയിൽ ബജറ്റ് തീർന്നുപോകുന്നതിന് പകരം, ഏജന്റിന് മുൻഗണന നിശ്ചയിക്കാനും ഉത്തരം എഴുതാൻ ഇടം ബാക്കിവെക്കാനും കഴിയും.

ബജറ്റാണ് കേന്ദ്ര ട്രേഡ്ഓഫ്: കൂടുതൽ സ്റ്റെപ്പുകൾ എന്നാൽ മികച്ച ഉത്തരങ്ങൾ, ഓരോ സ്റ്റെപ്പിനും ചെലവുമുണ്ട്. openai/gpt-6-luna ഉപയോഗിക്കുമ്പോൾ, സ്റ്റെപ്പ് പരിധി 1-ൽ നിന്ന് 15 ആയി ഉയർത്തുന്നത് BrowseComp + DSQA-യിലെ കൃത്യത 41%-ൽ നിന്ന് 80% ആയി ഉയർത്തുന്നു, അതേസമയം ഓരോ ക്വറിക്കുമുള്ള ചെലവ് $0.0017-ൽ നിന്ന് $0.0152 ആയി ഉയരുന്നു, അതായത് ഏകദേശം 2x സ്കോറിന് ഏകദേശം 9x ചെലവ്.

സ്റ്റെപ്പ് പരിധി മാത്രം ഗവേഷണ ചെലവ് നിയന്ത്രിക്കുന്നില്ല. ഒരേ അഞ്ച്-സ്റ്റെപ്പ് ബജറ്റിൽ, openai/gpt-6.1-terra, openai/gpt-6-luna-നേക്കാൾ കൂടുതൽ ടൂൾ കോളുകൾ നടത്തുന്നു, കാരണം കൂടുതൽ ശേഷിയുള്ള മോഡലുകൾ ഒരൊറ്റ സ്റ്റെപ്പിൽ നിരവധി കോളുകൾ നടത്താറുണ്ട്. എഫർട്ട് ലെവലുകൾ ടൂൾ കോളുകൾക്കും സ്റ്റെപ്പുകൾക്കും പരിധി നിശ്ചയിക്കുന്നു. ഈ മോഡലുകൾക്ക്, ടൂൾ-കോൾ പരിധി സ്റ്റെപ്പ് പരിധിയോളം തന്നെ പ്രധാനമാണ്.

ഓരോ എഫർട്ട് ലെവലും ഈ പരിധികൾ ക്രമീകരിക്കുന്നു, എന്നാൽ അഭ്യർത്ഥന പൂർത്തിയാക്കാൻ ഇനി എത്ര സ്റ്റെപ്പുകളും പ്രവർത്തനങ്ങളും ബാക്കിയുണ്ടെന്ന് ഏജന്റ് അറിഞ്ഞിരിക്കുകയും വേണം. ആ വിവരമില്ലെങ്കിൽ, ഏജന്റിന്റെ സ്റ്റെപ്പുകളോ പ്രവർത്തനങ്ങളോ തീർന്നുപോകുകയും ഗവേഷണം പൂർത്തിയാകുന്നതിന് മുമ്പ് ഉത്തരം നൽകാൻ അത് നിർബന്ധിതമാകുകയും ചെയ്യാം. റണ്ണിന്റെ തുടക്കത്തിൽ ബജറ്റ് വ്യക്തമാക്കുന്നു, ഏജന്റ് പരിധികളോട് അടുക്കുമ്പോൾ ഓർമ്മപ്പെടുത്തലുകൾ ലഭിക്കുന്നു, അതിനാൽ ഫലങ്ങൾ പരിശോധിച്ചുറപ്പിക്കാനും നൽകാനും സമയം ബാക്കിയുണ്ടാകും. high ലെവലിൽ, ഓർമ്മപ്പെടുത്തലുകൾ സ്റ്റെപ്പ് ബജറ്റും ടൂൾ-കോൾ ബജറ്റും ഉൾക്കൊള്ളുന്നു.

രണ്ട് ഏജന്റുകളെ—ഒന്ന് ബജറ്റ് ഓർമ്മപ്പെടുത്തലോടെയും മറ്റൊന്ന് അതില്ലാതെയും—മൂന്ന് അഭിനേതാക്കളുടെ ജീവചരിത്രങ്ങൾ നൽകി 1990-കളിലെ ഒരു ടിവി സീരീസ് തിരിച്ചറിയാനുള്ള ഒരു BrowseComp ടാസ്കിൽ പരീക്ഷിച്ചു. ഓർമ്മപ്പെടുത്തലുള്ള ഏജന്റ് ബജറ്റിലെ 40 സ്റ്റെപ്പുകളിൽ 13 എണ്ണം ഉപയോഗിച്ച് ശരിയായ ഉത്തരം കണ്ടെത്തി. ബജറ്റ് ഓർമ്മപ്പെടുത്തലില്ലാത്ത ഏജന്റ് 40 സ്റ്റെപ്പുകളും ഉപയോഗിച്ചെങ്കിലും ശരിയായ ഉത്തരം കണ്ടെത്തിയില്ല. ആ ഏജന്റിന്റെ ലൂപ്പ് അപ്രതീക്ഷിതമായി അവസാനിച്ചു; ശേഷിക്കുന്ന ഗവേഷണ ബജറ്റിനെക്കുറിച്ച് മോഡലിന് അറിവുണ്ടായിരുന്നില്ല. ഓർമ്മപ്പെടുത്തലുകൾ ഏജന്റുകളെ ശ്രദ്ധ കേന്ദ്രീകരിക്കാനും ശേഷിക്കുന്ന റിസോഴ്സുകൾക്ക് ഫലപ്രദമായി മുൻഗണന നൽകാനും സഹായിക്കുന്നു.

ദീർഘനേരം പ്രവർത്തിക്കുന്ന ഗവേഷണ ടാസ്കുകൾ സെർച്ച് ഫലങ്ങൾ, ഫെച്ച് ചെയ്ത പേജുകൾ, ഇടക്കാല കുറിപ്പുകൾ എന്നിവ കൊണ്ട് മോഡലിന്റെ കോൺടെക്സ്റ്റ് വിൻഡോ നിറയ്ക്കുന്നു. അത് നിറഞ്ഞുകഴിഞ്ഞാൽ, ഏജന്റിന് ജോലി നിർത്തേണ്ടിവരും.

കോൺടെക്സ്റ്റ് വിൻഡോ നിറയാതെ ദീർഘമായ റണ്ണുകൾ തുടർന്നും പ്രവർത്തിക്കാൻ കോംപാക്ഷൻ സഹായിക്കുന്നു. കോൺടെക്സ്റ്റ് ഒരു പരിധി കവിയുമ്പോൾ, ഇതുവരെയുള്ള ജോലിയെ, താൻ കണ്ടെത്തിയതും ഇനി ബാക്കിയുള്ളതും ഉൾക്കൊള്ളുന്ന ഒരു ചെറിയ സംഗ്രഹം കൊണ്ട് ഏജന്റ് മാറ്റിസ്ഥാപിക്കുന്നു, തുടർന്ന് ജോലി തുടരുന്നു.

കോംപാക്ഷൻ എല്ലായ്പ്പോഴും മൂന്ന് കാര്യങ്ങൾ കോൺടെക്സ്റ്റിൽ നിലനിർത്തുന്നു: സിസ്റ്റം പ്രോംപ്റ്റ്, യഥാർത്ഥ അഭ്യർത്ഥന, ഏജന്റ് ഇതിനകം ലോഡ് ചെയ്ത നൈപുണ്യങ്ങൾ. ഓരോ കോംപാക്ഷനും ശേഷം ഏജന്റിന് രണ്ട് ചെറിയ നിർദ്ദേശങ്ങൾ ലഭിക്കുന്നു. ‘ടാസ്ക് പൂർത്തിയാകുന്നതുവരെ ജോലി തുടരുക.’ എന്നതാണ് ആദ്യ നിർദ്ദേശം. സംഗ്രഹത്തെ ഒരു നിർത്തൽ പോയിന്റായി കണക്കാക്കുന്നതിൽ നിന്ന് ഇത് ഏജന്റിനെ തടയുന്നു. രണ്ടാമത്തെ നിർദ്ദേശം എത്ര കോംപാക്ഷനുകൾ നടന്നുവെന്ന് ഏജന്റിനെ അറിയിക്കുന്നു, അതുവഴി ശേഷിക്കുന്ന ഗവേഷണ ടാസ്കുകൾ ആസൂത്രണം ചെയ്യാൻ അതിന് കഴിയും. ദീർഘമായ റണ്ണുകൾ യഥാർത്ഥ ലക്ഷ്യവും പ്ലാനും കാഴ്ചയിൽ നിലനിർത്തുന്നു, ഗുണനിലവാരം കുറയാതെ തന്നെ ദീർഘമായ ലൂപ്പുകളുടെ ചെലവ് കുറയുന്നു.

ഏജന്റ് വായിക്കുന്ന ഓരോ പേജും അതിന്റെ കോൺടെക്സ്റ്റിലേക്ക് ചേർക്കപ്പെടുന്നു, തുടർന്നുള്ള ഓരോ സ്റ്റെപ്പിലും ഏജന്റ് അത് വഹിക്കുന്നു. ഒരു വെബ് പേജിൽ നാവിഗേഷൻ, ബോയിലർപ്ലേറ്റ്, മറ്റ് ഉള്ളടക്കം എന്നിങ്ങനെ ചോദ്യവുമായി ബന്ധമില്ലാത്ത വിവരങ്ങളും ഉൾപ്പെടുന്നു.

ഏജന്റിന് മുഴുവൻ പേജും കൈമാറുന്നതിന് പകരം, fetch_url ആദ്യം ഒരു എക്സ്ട്രാക്ഷൻ പാസ് നടത്തുന്നു. പേജിലെ ടെക്സ്റ്റ് ഏജന്റിന്റെ നിലവിലെ ടാസ്കിനൊപ്പം ഒരു ചെറിയ മോഡലിലേക്ക് അയയ്ക്കുന്നു. മോഡൽ പ്രസക്തമായ ഭാഗങ്ങൾ മാത്രം, ഏജന്റിന് ഉദ്ധരിക്കാനാകുന്ന വിധം കൃത്യമായി അതേപടി, തിരികെ നൽകുന്നു. ഒരു ഇവാല്യുവേഷനിൽ, 5,561 ടോക്കണുള്ള ഒരു പേജ് 293 ടോക്കണുകളായി ചുരുങ്ങി, ഇത് കൂടുതൽ പ്രസക്തമായ കോൺടെക്സ്റ്റിനായി ഇടം ഒഴിവാക്കി.

fetch_url എക്സ്ട്രാക്ഷനോടൊപ്പം high എഫർട്ട് ലെവലിൽ ഉപയോഗിച്ചപ്പോൾ ഓരോ ക്വറിയിലെയും ഇൻപുട്ട് ടോക്കണുകൾ ഏകദേശം 50% കുറഞ്ഞു. എക്സ്ട്രാക്ഷൻ ബെഞ്ച്മാർക്ക് പ്രകടനവും മെച്ചപ്പെടുത്തി: എക്സ്ട്രാക്ഷൻ ഇല്ലാതെ ഓരോ ക്വറിക്കും $0.094 ചെലവിൽ 83.5% ലഭിച്ചപ്പോൾ, എക്സ്ട്രാക്ഷനോടെ ഓരോ ക്വറിക്കും $0.073 ചെലവിൽ 88.0% നേടി.

ഏജന്റിന്റെ ഓരോ ഗവേഷണ അഭ്യർത്ഥനയുടെയും കേന്ദ്രബിന്ദു വെബ് സെർച്ചാണ്. ഏജന്റുകൾ സെർച്ച് ചെയ്യുന്ന രീതിയിൽ മൂന്ന് മാറ്റങ്ങൾ വരുത്തി:

ഓരോ സെർച്ചിലും കൂടുതൽ കോൺടെക്സ്റ്റ്: ഓരോ സെർച്ചും ഇപ്പോൾ 2K-ന് പകരം 4K ടോക്കണുകൾ വരെയുള്ള ഫലങ്ങൾ നൽകുന്നു. ഏജന്റിന് ആവശ്യമുള്ളത് വേഗത്തിൽ കണ്ടെത്താനാകുന്നതിനാൽ സെർച്ചുകളുടെ എണ്ണവും ചെലവും കുറയുന്നു.

ഒരു പുതിയ സ്നിപ്പെറ്റ് എഞ്ചിൻ: സെർച്ച് ഫലങ്ങൾക്ക് ക്വറിയുമായി കൂടുതൽ യോജിക്കുന്ന സ്നിപ്പെറ്റുകൾ ലഭിക്കുന്നു, അതിനാൽ അപ്രസക്തമായ ടെക്സ്റ്റ് ഏജന്റിന് അമിതഭാരമാകുന്നില്ല.
Fast Search: 1K അഭ്യർത്ഥനകൾക്ക് $1.00 നിരക്കിൽ, Fast Search ഓരോ സെർച്ച് കോളിന്റെയും ചെലവും ലേറ്റൻസിയും കുറയ്ക്കുന്നു.

വിപുലമായ ടാസ്കുകളിലുടനീളം Perplexity Search ടീം റിട്രീവൽ ഗുണനിലവാരം തുടർച്ചയായി മെച്ചപ്പെടുത്തുന്നു. സമീപകാല അപ്‌ഡേറ്റുകൾ കോഡ്, ഡെവലപ്പർ ഡോക്സ്, റഫറൻസ് പേജുകൾ, നിയമ, റെഗുലേറ്ററി ഉള്ളടക്കം എന്നിവയിലുടനീളം നേട്ടങ്ങൾ നൽകി.

ചില ടാസ്കുകൾക്ക് നിരവധി സെർച്ചുകൾ സമാന്തരമായി പ്രവർത്തിപ്പിക്കേണ്ടതുണ്ട്; മറ്റുചിലതിന് ദൈർഘ്യമേറിയ ഏതാനും ഡോക്യുമെന്റുകൾ സൂക്ഷ്മമായി വായിക്കേണ്ടതുണ്ട്.

എന്നിരുന്നാലും, എല്ലാ വർക്ക്ഫ്ലോകളും ഏജന്റിന്റെ സിസ്റ്റം പ്രോംപ്റ്റിലേക്ക് ലോഡ് ചെയ്യുന്നത് കോൺടെക്സ്റ്റ് ഓവർഹെഡ് കൂട്ടുകയും ലളിതമായ ടാസ്കുകളിൽ മോഡലിന്റെ പ്രകടനം മോശമാകാൻ കാരണമാകുകയും ചെയ്യും. പകരം, നൈപുണ്യങ്ങൾ പ്രോഗ്രസീവ് ഡിസ്‌ക്ലോഷറോടുകൂടിയ ഒരു ട്രീയായി ക്രമീകരിച്ചിരിക്കുന്നു. പ്രവർത്തിക്കുന്നതിനിടെ മോഡൽ പ്രസക്തമായ നൈപുണ്യങ്ങളും നിർദ്ദേശങ്ങളും ലോഡ് ചെയ്യുന്നു, ബന്ധമില്ലാത്ത വിവരങ്ങൾ അതിന്റെ കോൺടെക്സ്റ്റിൽ നിന്ന് ഒഴിവാക്കുന്നു. ഒരു നൈപുണ്യം ടാസ്കിന് അനുയോജ്യമാണെന്ന് മോഡൽ തീരുമാനിച്ച് അത് ലോഡ് ചെയ്യുന്നതുവരെ, അതിന്റെ പേരിനും വിവരണത്തിനും മാത്രമേ ചെലവ് വരുന്നുള്ളൂ; ലോഡ് ചെയ്യുമ്പോൾ പൂർണ്ണ നിർദ്ദേശങ്ങൾ കോൺടെക്സ്റ്റിലേക്ക് ചേർക്കപ്പെടുകയും മോഡൽ നിർദ്ദിഷ്ട വർക്ക്ഫ്ലോ പിന്തുടരുകയും ചെയ്യുന്നു.

ഓരോ നൈപുണ്യവും എത്രത്തോളം സംഭാവന ചെയ്യുന്നുവെന്ന് അളക്കാൻ, ബേസ്‌ലൈൻ ഏജന്റ് ആ നൈപുണ്യം ലോഡ് ചെയ്ത ടാസ്കുകളിൽ ഗുണനിലവാരവും ചെലവും താരതമ്യം ചെയ്യുന്നതിനായി ഓരോ നൈപുണ്യവും ഓരോന്നായി നീക്കം ചെയ്യുന്നു. ഏതൊക്കെ വർക്ക്ഫ്ലോകൾ ഏജന്റിനെ സഹായിക്കുന്നുവെന്നും അവ ഗവേഷണ കാര്യക്ഷമതയെ എങ്ങനെ ബാധിക്കുന്നുവെന്നും ഈ അബ്ലേഷനുകൾ കാണിക്കുന്നു.

താഴെയുള്ള WANDR ബെഞ്ച്മാർക്ക് റണ്ണുകൾ, പ്രത്യേക ടാസ്കുകൾക്കായി ഏജന്റുകൾ ശരിയായ വർക്ക്ഫ്ലോകൾ തിരഞ്ഞെടുക്കുന്നത് കാണിക്കുന്നു. ഒന്നിലധികം എന്റിറ്റികളെക്കുറിച്ച് അന്വേഷിക്കേണ്ടതിന്റെ ആവശ്യകത പ്രതിഫലിപ്പിച്ചുകൊണ്ട്, എല്ലാ ടാസ്കുകൾക്കും wide-search, ഫാൻഔട്ട് മാർഗ്ഗനിർദ്ദേശങ്ങൾ ലോഡ് ചെയ്തു. People-search 6% ടാസ്കുകൾക്ക് മാത്രമാണ് ലോഡ് ചെയ്തത്, അതും ചോദ്യങ്ങളിൽ ആളുകൾ ഉൾപ്പെട്ടപ്പോൾ മാത്രം.

മറ്റൊരു WANDR ടാസ്ക് പരീക്ഷിക്കുമ്പോൾ, ലണ്ടനിലെ ഇൻഫറൻസ് എഞ്ചിനീയർമാരെ കണ്ടെത്താൻ ഏജന്റ് ഒരു ഫാൻഔട്ട് പാറ്റേണോടുകൂടിയ people-search നൈപുണ്യം ലോഡ് ചെയ്തു. അത് 39 റോൾ പദങ്ങളെ 117 ക്വറികളായി വികസിപ്പിച്ചു, തുടർന്ന് ആദ്യ ഘട്ട ഫലങ്ങൾ കൂടുതൽ സ്ക്രീനിംഗിനായി 43 യുണീക്ക് പ്രൊഫൈലുകളായി ലയിപ്പിച്ചു. അപ്രസക്തമായ കോൺടെക്സ്റ്റ് ചേർക്കാതെ തന്നെ people-search നൈപുണ്യം ഈ വികസനത്തിലൂടെ ഏജന്റിനെ നയിച്ചു. താഴെയുള്ള ഭാഗം ഏജന്റിന്റെ സ്ക്രിപ്റ്റിൽ നിന്ന് അനുരൂപമാക്കിയതാണ്; ഹെൽപ്പർ പേരുകൾ ഉദാഹരണത്തിന് മാത്രമുള്ളതാണ്.

code1

text

Python

# roles contains the 39 role variants selected by the agent.
queries = []
for role in roles:
    queries.extend([
        {"query": f"Google DeepMind {role} London"},
        {"query": f"Google {role} London"},
        {"query": role, "company": "Google", "location": "London"},
    ])

results = pplx_sdk.search.people_many(
    queries, limit_per_query=50, concurrency=8
)

profiles = {}
for result in results:
    if not result.ok:
        continue
    for profile in result.result:
        if "linkedin.com/in/" not in profile.url:
            continue
        url = profile.url.split("?")[0].rstrip("/")
        previous = profiles.get(url, {})
        if url not in profiles or len(profile.summary or "") > len(
            previous.get("summary") or ""
        ):
            profiles[url] = {
                "url": url,
                "title": profile.title,
                "summary": profile.summary,
            }

ദീർഘനേരം പ്രവർത്തിക്കുന്ന ടാസ്കുകളിൽ ഏജന്റുകളെ സഹായിക്കുന്ന മറ്റൊരു വർക്ക്ഫ്ലോയാണ് ചെക്ക്‌പോയിന്റിംഗ്. ചെക്ക്‌പോയിന്റിംഗ് പാറ്റേൺ ബാച്ച് പ്രോഗ്രാമിംഗിൽ നിന്നാണ് വരുന്നത്. ഒരു സ്ക്രിപ്റ്റ് ഒരു നീണ്ട ലിസ്റ്റ് പ്രോസസ്സ് ചെയ്യുമ്പോൾ, എല്ലാം അവസാനം വരെ മെമ്മറിയിൽ സൂക്ഷിക്കുന്നതിന് പകരം, ഓരോ ഫലവും ലഭിച്ചാലുടൻ അത് ഡിസ്കിലേക്ക് എഴുതുന്നു. സ്ക്രിപ്റ്റ് ക്രാഷാകുകയോ ഇടയ്ക്കുവെച്ച് പിശകുകൾ നേരിടുകയോ ചെയ്താലും ഒന്നും നഷ്ടപ്പെടില്ല: അടുത്ത റൺ ഇതിനകം സേവ് ചെയ്തവ വായിച്ച് നിർത്തിയിടത്തുനിന്ന് തുടരുന്നു, പരാജയപ്പെട്ട ഇനങ്ങൾ മാത്രം വീണ്ടും ശ്രമിക്കുന്നു.

മറ്റൊരു WANDR ടാസ്കിൽ, ഏജന്റിന് 188 എഞ്ചിനീയർമാരുടെ പ്രൊഫൈലുകൾ സ്ക്രീൻ ചെയ്യേണ്ടിയിരുന്നു. ജോലി ചെയ്യുന്നതിനിടെ ഓരോ ഫലവും രേഖപ്പെടുത്താൻ അത് ചെക്ക്‌പോയിന്റ് പാറ്റേൺ ലോഡ് ചെയ്തു. ആദ്യ ഘട്ടം 160 പ്രൊഫൈലുകൾ എക്സ്ട്രാക്റ്റ് ചെയ്തെങ്കിലും 28 എണ്ണത്തിൽ പരാജയപ്പെട്ടു. ഏജന്റ് സ്ക്രിപ്റ്റ് വീണ്ടും പ്രവർത്തിപ്പിച്ചപ്പോൾ, ഇതിനകം രേഖപ്പെടുത്തിയ പ്രൊഫൈലുകൾ ഒഴിവാക്കി ശേഷിക്കുന്ന 28 എണ്ണം മാത്രം വീണ്ടും ശ്രമിച്ചു. ചെക്ക്‌പോയിന്റ് ഇല്ലായിരുന്നെങ്കിൽ, ഒരൊറ്റ മോശം റെക്കോർഡ് കാരണം 188 എണ്ണവും വീണ്ടും ഫെച്ച് ചെയ്യേണ്ടിവരുമായിരുന്നു.അനുരൂപമാക്കിയ Python ഭാഗം; ഇൻപുട്ട് പേജുകൾ, സ്ക്രീനിംഗ് നിർദ്ദേശം, സ്കീമ, ഇംപോർട്ടുകൾ എന്നിവ ഒഴിവാക്കിയിരിക്കുന്നു; ഹെൽപ്പർ പേരുകൾ ഉദാഹരണത്തിന് മാത്രമുള്ളതാണ്.

code 2

text

Python

checkpoint = Checkpoint("research/profile-screening")
config = instruction + json.dumps(schema)
config_id = hashlib.md5(config.encode()).hexdigest()[:6]

def checkpoint_key(page):
    url_id = hashlib.md5(page["url_in"].encode()).hexdigest()[:10]
    return config_id + url_id

pending = [
    page for page in pages if not checkpoint.has(checkpoint_key(page))
]
for offset in range(0, len(pending), 20):
    batch = pending[offset : offset + 20]
    inputs = [
        json.dumps({
            "url": page["url_in"], "content": page["content"][:30_000]
        })
        for page in batch
    ]
    results = pplx_sdk.llm.extract_many(
        inputs,
        instruction=instruction,
        output_schema=schema,
        chunk_size=5,
        concurrency=4,
    )
    for page, result in zip(batch, results):
        if not result.ok or result.result.error:
            continue
        checkpoint.record(
            checkpoint_key(page),
            [{"url": page["url_in"], **result.result.result}],
        )

ചെക്ക്‌പോയിന്റ് വിജയകരമായ ഫലങ്ങൾ രേഖപ്പെടുത്തുന്നു; അത് റീട്രൈകൾ ആരംഭിക്കുന്നില്ല. കീയിൽ നിർദ്ദേശവും സ്കീമയും ഉൾപ്പെടുത്തുന്നതിനാൽ, സ്ക്രീനിംഗ് മാനദണ്ഡങ്ങൾ മാറുമ്പോൾ ഡാറ്റ വീണ്ടും പ്രോസസ്സ് ചെയ്യപ്പെടുമെന്ന് ഉറപ്പാകുന്നു.

എല്ലാ പരീക്ഷണങ്ങളും ഗുണനിലവാരത്തിലും കാര്യക്ഷമതയിലും നേട്ടമുണ്ടാക്കിയില്ല. ഏജന്റ് ടാസ്ക് ആരംഭിക്കുന്നതിന് മുമ്പ് എല്ലാ നൈപുണ്യങ്ങളും മുൻകൂട്ടി ലോഡ് ചെയ്യുന്നത് വിലയിരുത്തി. BrowseComp, DSQA എന്നിവയിൽ, മുൻകൂട്ടിയുള്ള ലോഡിംഗ് ചെലവ് 13% വർദ്ധിപ്പിച്ചു. ദൈർഘ്യമേറിയ ഗവേഷണ ട്രജക്ടറികൾ കാരണം വീണ്ടെടുത്ത ഉള്ളടക്കം ഇൻപുട്ട് ടോക്കണുകളുടെ വലിയൊരു പങ്കായി മാറുന്ന WANDR-ൽ, മുൻകൂട്ടിയുള്ള ലോഡിംഗ് സ്കോറുകളും കുറയ്ക്കുന്നു. പ്രോഗ്രസീവ് ഡിസ്‌ക്ലോഷർ തുടർന്നും ഉപയോഗിക്കുന്നതിനെ ഈ ഫലങ്ങൾ പിന്തുണച്ചു.

മോഡൽ കഴിവുകൾ മുന്നേറുന്നതിനനുസരിച്ച്, ഓരോ എഫർട്ട് ലെവലിനുമുള്ള ഏറ്റവും മികച്ച മോഡലും മാറുന്നു. പുതിയ മോഡൽ പ്രഖ്യാപനങ്ങളും ലഭ്യതയും നിരീക്ഷിക്കുന്ന ഒരു ഓട്ടോമേറ്റഡ് ഗവേഷണ ലൂപ്പ് Perplexity ഉപയോഗിക്കുന്നു. ഒരു മോഡൽ ലഭ്യമായാലുടൻ ഇവാല്യുവേഷനുകൾ ആരംഭിക്കുന്നു.

ഒരു പുതിയ മോഡൽ പുറത്തിറങ്ങുമ്പോൾ, ഒരു ഓട്ടോമേറ്റഡ് ഏജന്റ് അതിനെ ഇവാല്യുവേഷൻ harness-ലൂടെ കടത്തിവിടുന്നു. അത് റീസണിംഗ് എഫർട്ട്, സ്റ്റെപ്പ്, ടൂൾ-കോൾ ബജറ്റുകൾ, ടൂൾ കോൺഫിഗറേഷനുകൾ എന്നിവയിലുടനീളം പരീക്ഷണങ്ങൾ നടത്തുകയും, ഓരോ റണ്ണിനും നിലവിലെ എഫർട്ട് ലെവലുകളുമായി താരതമ്യം ചെയ്ത് ഗുണനിലവാരത്തിലും ചെലവിലും സ്കോർ നൽകുകയും ചെയ്യുന്നു. ഒരു റണ്ണിൽ പ്രകടനം പിന്നോട്ടുപോകുന്നിടത്ത്, ഏജന്റ് അതിന്റെ കാരണം അന്വേഷിക്കുകയും ക്രമീകരണങ്ങൾ മാറ്റുകയും ഇവാല്യുവേഷൻ വീണ്ടും നടത്തുകയും ചെയ്യുന്നു. ഒരേ ചെലവിലോ കുറഞ്ഞ ചെലവിലോ ഗുണനിലവാരത്തിൽ മുന്നിലെത്തുമ്പോൾ മാത്രമാണ് ഒരു കാൻഡിഡേറ്റ് നിലവിലെ മോഡലിന് പകരമാകുന്നത്.

പൊതു ബെഞ്ച്മാർക്കുകൾ ഉപയോഗപ്രദമാണ്, എന്നാൽ അവയുടെ സ്കോറുകൾ എല്ലായ്പ്പോഴും യഥാർത്ഥ ലോക ടാസ്കുകളിൽ പ്രതിഫലിക്കണമെന്നില്ല. ഉദാഹരണത്തിന്, BrowseComp-ൽ ബേസ്‌ലൈനിനേക്കാൾ 13.3 പോയിന്റ് കൂടുതൽ സ്കോർ ചെയ്തെങ്കിലും ആന്തരിക എന്റർപ്രൈസ്, നിയമ, ധനകാര്യ ഗവേഷണ ടാസ്കുകളിൽ അനുബന്ധ ബേസ്‌ലൈനുകളേക്കാൾ വളരെ താഴെയായിരുന്ന ഒരു കാൻഡിഡേറ്റ് മോഡലിനെ താഴെയുള്ള ചാർട്ട് കാണിക്കുന്നു.

ഒരൊറ്റ ഏജന്റിന് ഒരു ലൂപ്പിൽ പരിമിതമായ സ്രോതസ്സുകൾ മാത്രമേ ഉൾക്കൊള്ളാനാകൂ. സങ്കീർണ്ണമായ ടാസ്കുകൾക്ക്, നിരവധി ഏജന്റുകൾ സമാന്തരമായി പ്രവർത്തിക്കുന്നു, ഓരോന്നും പ്രശ്നത്തിന്റെ വ്യത്യസ്ത ഭാഗത്ത് ഏകോപിപ്പിച്ച് പ്രവർത്തിക്കുന്നു.

പ്രാഥമിക ഏജന്റാണ് ഓർക്കസ്ട്രേറ്റർ. ചൈൽഡ് ഏജന്റുകളെ സൃഷ്ടിക്കാൻ അത് spawn_agent കോൾ ചെയ്യുകയും ഓരോന്നിനും വ്യക്തവും കേന്ദ്രീകൃതവുമായ ഒരു ടാസ്ക് നൽകുകയും ചെയ്യുന്നു. ഓരോ ചൈൽഡ് ഏജന്റും സ്വന്തം മോഡൽ, ടൂളുകൾ, സ്റ്റെപ്പ് ബജറ്റ് എന്നിവ ഉപയോഗിച്ച്, പ്രത്യേക കോൺടെക്സ്റ്റോടെ സ്വന്തം ഗവേഷണ ലൂപ്പ് പ്രവർത്തിപ്പിക്കുന്നു. ചൈൽഡ് ഏജന്റുകൾ അവയുടെ ഫലങ്ങൾ പാരന്റിന് റിപ്പോർട്ട് ചെയ്യുന്നു; പാരന്റിന് ഒരു ചൈൽഡ് ഏജന്റിന് തുടർ ചുമതല നൽകാനോ അതിന്റെ പുരോഗതി പരിശോധിക്കാനോ കഴിയും. തെളിവുകൾ പങ്കിടാനും തടസ്സങ്ങൾ ചൂണ്ടിക്കാണിക്കാനും അടുത്ത ഘട്ടങ്ങൾ ക്രമീകരിക്കാനും ഓർക്കസ്ട്രേറ്ററും ചൈൽഡ് ഏജന്റുകളും സന്ദേശങ്ങൾ കൈമാറുന്നു. പുതിയ വിവരങ്ങൾ ലഭിക്കുന്നതിനനുസരിച്ച് ഓർക്കസ്ട്രേറ്റർ ചുമതലകൾ മെച്ചപ്പെടുത്തുകയും, ജോലി പൂർത്തിയാകുമ്പോൾ ഫലങ്ങൾ ഒരൊറ്റ ഉത്തരമായി സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു.

Agent API മുൻനിശ്ചയിച്ച ഏജന്റ് റോളുകളെ പിന്തുണയ്ക്കുന്നു, കൂടാതെ ഓർക്കസ്ട്രേറ്ററിന് ഇഷ്ടാനുസൃത നിർദ്ദേശങ്ങളോടെ ചൈൽഡ് ഏജന്റുകളെ സൃഷ്ടിക്കാനാകും.

ultra എഫർട്ട് ലെവൽ ഒരു ടാസ്കിൽ മൂന്ന് ഏജന്റുകളെ സമാന്തരമായി പ്രവർത്തിപ്പിക്കുന്നു. ഓരോ ഏജന്റും മുഴുവൻ ടാസ്കും സ്വതന്ത്രമായി ഗവേഷണം ചെയ്യുന്നതിനാൽ വ്യത്യസ്ത തെളിവുകൾ ലഭിക്കുന്നു. നാലാമതൊരു ഏജന്റ് അവയുടെ കണ്ടെത്തലുകൾ ലയിപ്പിക്കുകയും ആവർത്തനങ്ങൾ ഒഴിവാക്കുകയും അന്തിമ ഉത്തരം എഴുതുകയും ചെയ്യുന്നു.

WANDR-ൽ, ultra ഓരോ ടാസ്കിനും $21.71 ചെലവിൽ 85.9% സ്കോർ നേടുന്നു. പരീക്ഷിച്ച കോൺഫിഗറേഷനുകളിൽ ഏറ്റവും ഉയർന്ന സ്കോർ ഇതാണ്.

എഫർട്ട് ലെവലുകൾ തുടർച്ചയായി വിലയിരുത്തുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു. ഒരു ടാസ്കിന് എത്രത്തോളം ഗവേഷണം ലഭിക്കുമെന്നും അതിന് എത്ര ചെലവാകുമെന്നും ഉപയോക്താക്കൾ തിരഞ്ഞെടുക്കുന്ന ലെവലാണ് നിർണ്ണയിക്കുന്നത്. സ്റ്റെപ്പ്, ടൂൾ-കോൾ ബജറ്റുകളും, അവ തീരാറാകുമ്പോൾ ലഭിക്കുന്ന ഓർമ്മപ്പെടുത്തലുകളും അഭ്യർത്ഥനകളെ ബജറ്റിനുള്ളിൽ നിലനിർത്തുന്നു. കോംപാക്ഷൻ, എക്സ്ട്രാക്ഷൻ, മെച്ചപ്പെട്ട സ്നിപ്പെറ്റുകൾ എന്നിവ കോൺടെക്സ്റ്റിനെ തെളിവുകളിൽ കേന്ദ്രീകരിക്കുന്നു. നൈപുണ്യങ്ങൾ ടാസ്കിന് അനുയോജ്യമായ വർക്ക്ഫ്ലോ തിരഞ്ഞെടുക്കുന്നു, സമാന്തര ഏജന്റുകൾ ഒരു ലൂപ്പിന് ഉൾക്കൊള്ളാനാകുന്നതിന്റെ പരിധി വികസിപ്പിക്കുന്നു. ഒരേ ചെലവിൽ ഗവേഷണ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുമ്പോൾ മാത്രമാണ് ഒരു ഓട്ടോമേറ്റഡ് ഇവാല്യുവേഷൻ ലൂപ്പ് പുതിയ മോഡലിനെ അംഗീകരിക്കുന്നത്.

പുതിയ മോഡലുകളും കോൺഫിഗറേഷനുകളും ഇവാല്യുവേഷനിൽ മികവ് തെളിയിക്കുന്നതിനനുസരിച്ച് ഓരോ എഫർട്ട് ലെവലും തുടർന്നും വികസിക്കും. ഒരു ലെവലിനെ പേര് ഉപയോഗിച്ച് കോൾ ചെയ്യുമ്പോൾ ആ മെച്ചപ്പെടുത്തലുകൾ സ്വയമേവ ലഭിക്കും; ഒരു പതിപ്പ് പിൻ ചെയ്യുന്നത് കോൺഫിഗറേഷൻ മാറ്റമില്ലാതെ നിലനിർത്തുന്നു.

Agent API പരീക്ഷിച്ചുനോക്കൂ, നിങ്ങളുടെ സ്വന്തം വർക്ക്‌ലോഡുകളിൽ എഫർട്ട് ലെവലുകൾ താരതമ്യം ചെയ്യൂ. എഫർട്ട് ലെവലുകളുടെ വിശദാംശങ്ങൾ ഞങ്ങളുടെ Agent API എഫർട്ട് ഡോക്യുമെന്റേഷനിൽ കാണാം.

ഗവേഷണത്തിന്റെ ചെലവ്

ഗവേഷണ ബജറ്റ് നിയന്ത്രിക്കൽ

കോൺടെക്സ്റ്റ് കൈകാര്യം ചെയ്യൽ

കോംപാക്ഷൻ

പ്രസക്തമായത് മാത്രം ഫെച്ച് ചെയ്യൽ

കേന്ദ്രീകൃത വെബ് സെർച്ച്

ശരിയായ വർക്ക്ഫ്ലോ തിരഞ്ഞെടുക്കൽ

മോഡൽ തിരഞ്ഞെടുപ്പ്

മൾട്ടി-ഏജന്റ് സ്കെയിലിംഗ്

അടുത്തത് എന്ത്