സ്വയം മെച്ചപ്പെടുന്ന നൈപുണ്യങ്ങൾ
Perplexity Brain അനുഭവത്തിൽ നിന്ന് ആവർത്തിച്ചുവരുന്ന നടപടിക്രമങ്ങൾ പഠിക്കുകയും അവയെ കാലികമായി നിലനിർത്തുകയും ചെയ്യുന്നതെങ്ങനെ.
ആമുഖം
ഒരു പൊതു-ഉദ്ദേശ്യ മോഡലിന് മുൻകൂട്ടി അറിയാൻ കഴിയാത്ത, വർക്ക്ഫ്ലോ-നിർദ്ദിഷ്ടമായ മുൻഗണനകളും ആവശ്യകതകളും ഉപയോക്താക്കൾക്കുണ്ട്. ഓരോ സെഷനിലും ഒരേ നടപടിക്രമം വിശദീകരിക്കാനോ ഒരേ തിരുത്തലുകൾ വരുത്താനോ ഉപയോക്താവിനോട് ആവശ്യപ്പെടുന്നതിന് പകരം, അതിന്റെ ജോലി ഉപയോക്താവിന് അനുസൃതമാക്കാൻ ഒരു ഏജന്റ് ഈ വിശദാംശങ്ങൾ പഠിക്കേണ്ടതുണ്ട്. തുടർച്ചയായ പഠനം ഇത് സാധ്യമാക്കുന്നു: പൂർത്തിയാക്കിയ ടാസ്കുകളിൽ നിന്നുള്ള അനുഭവം, ഭാവിയിലെ ജോലിയെ ഏജന്റ് എങ്ങനെ സമീപിക്കണമെന്ന് രൂപപ്പെടുത്തണം.
Computer-ന്റെ വ്യക്തിഗതമാക്കിയ സ്വയം-മെച്ചപ്പെടുത്തൽ സംവിധാനമായ Brain, അനുഭവത്തിലൂടെയുള്ള പഠനം സാധ്യമാക്കുന്നു. ഉപയോക്താവിനെയും അവരുടെ ജോലിയെയും കുറിച്ചുള്ള വിവരങ്ങളെ അവയെ പിന്തുണയ്ക്കുന്ന തെളിവുകളുമായി ബന്ധിപ്പിക്കുന്ന ഒരു ഘടനാപരമായ നോളജ് വിക്കി ഇത് ഇതിനകം പരിപാലിക്കുന്നു. പുതിയ വിവരങ്ങൾ ശേഖരിക്കപ്പെടുന്നതിനനുസരിച്ച് ബാക്ക്ഗ്രൗണ്ട് ഏജന്റുകൾ വിക്കി അപ്ഡേറ്റ് ചെയ്യുന്നു; അതിനാൽ മെമ്മറി സിസ്റ്റം കാലക്രമേണ മെച്ചപ്പെടുന്നു.
അടിസ്ഥാന മോഡൽ മാറ്റാതെ തന്നെ ഏജന്റിന്റെ പെരുമാറ്റം നയിക്കാനുള്ള മറ്റൊരു മാർഗമാണ് ഏജന്റ് നൈപുണ്യങ്ങൾ. ഒരു ഏജന്റിനെ പ്രത്യേക ടാസ്കുകളിലൂടെ നയിക്കുന്ന പുനരുപയോഗിക്കാവുന്ന നിർദ്ദേശങ്ങളാണ് നൈപുണ്യങ്ങൾ. ആവർത്തിച്ചുള്ള വർക്ക്ഫ്ലോകൾക്കായി, ഏജന്റിന് മറ്റുവിധത്തിൽ മെമ്മറിയിൽ നിന്ന് അനുമാനിക്കുകയോ ഓരോ തവണയും ഉപയോക്താവിൽ നിന്ന് സ്വീകരിക്കുകയോ ചെയ്യേണ്ടിവരുന്ന ആവശ്യകതകളും സഹായക വിഭവങ്ങളും അവ ഉൾക്കൊള്ളുന്നു; ഇത് പരിശീലന വിതരണത്തിന് പുറത്തുള്ള (out-of-distribution) ടാസ്കുകളിലെ പ്രകടനം മെച്ചപ്പെടുത്തുന്നു. കോഡിൽ വിശ്വസനീയമായി പ്രകടിപ്പിക്കാൻ കഴിയുന്ന ആവർത്തന നടപടിക്രമങ്ങൾക്കോ പ്രോസസ്സിംഗിനോ ഉള്ള സ്ക്രിപ്റ്റുകളും അവയിൽ ഉൾപ്പെടുത്താം; അതിനാൽ ബാധകമാകുമ്പോൾ ഏജന്റിന് ആ സ്ക്രിപ്റ്റുകൾ റൺ ചെയ്താൽ മതി. harness ലഭ്യമായ നൈപുണ്യങ്ങൾ കണ്ടെത്താവുന്നതാക്കുകയും, ഏജന്റ് ആവശ്യപ്പെടുമ്പോൾ അവയുടെ നിർദ്ദേശങ്ങൾ കോൺടെക്സ്റ്റിലേക്ക് ലോഡ് ചെയ്യുകയും ചെയ്യുന്നു. ഏതൊക്കെ നൈപുണ്യങ്ങൾ ഉപയോഗിക്കണമെന്ന് ഉപയോക്താക്കൾക്ക് പ്രോംപ്റ്റിൽ നേരിട്ട് വ്യക്തമാക്കാനും കഴിയും.
ഏജന്റ് നൈപുണ്യങ്ങൾ സ്വയമേവ സൃഷ്ടിക്കാനും അപ്ഡേറ്റ് ചെയ്യാനും ഞങ്ങൾ Brain-നെ വിപുലീകരിക്കുകയാണ്. ഒരു ഉപയോക്താവിന്റെ മെമ്മറിയെയും സെഷൻ ചരിത്രത്തെയും അടിസ്ഥാനമാക്കി, ആ ഉപയോക്താവിന്റെ വർക്ക്ഫ്ലോകൾക്കുള്ള നടപടിക്രമങ്ങൾ ഉൾക്കൊള്ളുന്ന വ്യക്തിഗത നൈപുണ്യങ്ങൾ Brain എഴുതുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു. എല്ലാ സെഷനുകളിലുമുള്ള മൊത്തത്തിലുള്ള പാറ്റേണുകളെ അടിസ്ഥാനമാക്കി, എല്ലാ Perplexity ഉപയോക്താക്കൾക്കും ലഭ്യമായ ബിൽറ്റ്-ഇൻ നൈപുണ്യങ്ങൾ അപ്ഡേറ്റ് ചെയ്യാൻ ഞങ്ങൾ സമാനമായ ഒരു സമീപനം പ്രയോഗിക്കുന്നു.
എല്ലാ നൈപുണ്യ തരങ്ങളിലും പങ്കിടുന്ന ഞങ്ങളുടെ സ്വയം-മെച്ചപ്പെടുത്തൽ എഞ്ചിനെ ഞങ്ങൾ ആദ്യം വിവരിക്കുകയും, വ്യക്തിഗത, ബിൽറ്റ്-ഇൻ നൈപുണ്യങ്ങൾക്കായി അത് എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് വിശദീകരിക്കുകയും ചെയ്യുന്നു.
പങ്കിട്ട സ്വയം-മെച്ചപ്പെടുത്തൽ എഞ്ചിൻ
പുതിയ മുൻഗണനകൾ ഉയർന്നുവരുമ്പോഴോ അതിന്റെ നിർദ്ദേശങ്ങളിലെ പോരായ്മകൾ അനുഭവം വെളിപ്പെടുത്തുമ്പോഴോ, ഉപയോഗപ്രദമായ ഒരു നൈപുണ്യം പോലും മാറേണ്ടതുണ്ട്. അടുത്ത തവണ Computer സമാനമായ ഒരു ടാസ്ക് നേരിടുമ്പോൾ ഏജന്റിന്റെ പെരുമാറ്റം എങ്ങനെ മാറണമെന്ന് കണ്ടെത്തുന്നതും, ആഗ്രഹിക്കുന്ന ഫലം കൂടുതൽ മികച്ച രീതിയിൽ നേടാൻ നൈപുണ്യം എങ്ങനെ മാറണമെന്ന് നിർണ്ണയിക്കുന്നതും Brain-ന്റെ ഉത്തരവാദിത്തമാണ്.
ഈ മെച്ചപ്പെടുത്തൽ പ്രക്രിയ നാല് ഘട്ടങ്ങളുള്ള ഒരു ലൂപ്പ് രൂപപ്പെടുത്തുന്നു:
- തെളിവുകൾ. നൈപുണ്യം ഉപയോഗിച്ച മുൻകാല സെഷനുകൾ, പ്രത്യേകിച്ച് അത് പ്രതീക്ഷിച്ച നിലവാരത്തിലെത്താതിരുന്നവ, Brain കണ്ടെത്തുന്നു.
- പ്രതിഫലനം. ഒരു മെച്ചപ്പെടുത്തൽ ഏജന്റ് ആ തെളിവുകൾ പഠിക്കുകയും നൈപുണ്യത്തിലേക്കുള്ള അപ്ഡേറ്റുകൾ നിർദ്ദേശിക്കുകയും ചെയ്യുന്നു.
- സ്ഥിരീകരണം. നിർദ്ദേശം ശരിയായ രൂപത്തിലുള്ളതാണെന്നും ഫലങ്ങൾ മെച്ചപ്പെടുത്താൻ സാധ്യതയുള്ളതാണെന്നും പരിശോധനകൾ സ്ഥിരീകരിക്കുന്നു.
- സജീവമാക്കൽ. സ്ഥിരീകരിച്ച മാറ്റം പ്രയോഗിക്കുന്നു. ഭാവി സെഷനുകൾ പുതിയ പതിപ്പ് ഉപയോഗിക്കുന്നു, ഇത് അടുത്ത റൗണ്ടിനുള്ള തെളിവുകൾ നൽകുന്നു.
Computer-നും Brain-നും വേണ്ടി നിർമ്മിച്ച നിലവിലുള്ള നിരവധി കഴിവുകളെ ഈ ലൂപ്പ് ആശ്രയിക്കുന്നു. തെളിവുകളും പ്രതിഫലനവും സാധ്യമാക്കുന്ന പങ്കിട്ട സംവിധാനമാണ് ഇവിടെ ഞങ്ങൾ വിവരിക്കുന്നത്. ഒരു മാറ്റം ഒരു ഉപയോക്താവിലേക്കാണോ അതോ എല്ലാ Perplexity ഉപയോക്താക്കളിലേക്കുമാണോ എത്തുന്നത് എന്നതിനെ ആശ്രയിച്ചാണ് സ്ഥിരീകരണ, സജീവമാക്കൽ നടപടിക്രമങ്ങൾ; അതിനാൽ വ്യക്തിഗത, ബിൽറ്റ്-ഇൻ നൈപുണ്യ മെച്ചപ്പെടുത്തൽ ലൂപ്പുകളെക്കുറിച്ചുള്ള തുടർന്നുള്ള വിഭാഗങ്ങളിൽ ഞങ്ങൾ അവ വിശദീകരിക്കുന്നു.
മുൻകാല സെഷനുകളിൽ നിന്നുള്ള തെളിവുകൾ
പ്രതിഫലനത്തിന്, ഒരു നൈപുണ്യം ഉപയോഗിച്ച സെഷനുകൾ, പ്രത്യേകിച്ച് മെച്ചപ്പെടുത്താൻ ഇടമുള്ളവ, കണ്ടെത്തേണ്ടതുണ്ട്. ഇത് സാധ്യമാക്കുന്ന സിഗ്നലുകൾ Computer harness രേഖപ്പെടുത്തുന്നു. ഏജന്റ് ഒരു നൈപുണ്യം ലോഡ് ചെയ്യുമ്പോൾ, നൈപുണ്യത്തെ സെഷനുമായി ബന്ധിപ്പിക്കുന്ന ഒരു നൈപുണ്യ-ലോഡ് ഇവന്റ് harness രേഖപ്പെടുത്തുന്നു. ഉപയോക്താവിന്റെ നിരാശയോ തകരാറുള്ള പെരുമാറ്റമോ വ്യക്തമായ കാര്യക്ഷമതയില്ലായ്മയോ ഏജന്റ് കാണുമ്പോൾ, അത് ഹ്രസ്വവും ഘടനാപരവുമായ ഒരു ഡയഗ്നോസ്റ്റിക് ഫയൽ ചെയ്യുന്നു, ഉപയോഗത്തിലുള്ള നൈപുണ്യങ്ങൾ harness അതിനോട് ചേർക്കുന്നു. ബിൽറ്റ്-ഇൻ നൈപുണ്യങ്ങൾക്ക് ഇവ പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണ്; അവിടെ ഏത് സെഷനും പ്രസക്തമാകാൻ സാധ്യതയുള്ളതിനാൽ, തെളിവുകളുടെ ശേഖരം വേഗത്തിൽ ചുരുക്കാൻ സിസ്റ്റത്തിന് ഒരു മാർഗം ആവശ്യമാണ്.
ഫലത്തെയോ ഒരു ഹ്രസ്വ സംഗ്രഹത്തെയോ അടിസ്ഥാനമാക്കി വിലയിരുത്തുന്നതിനേക്കാൾ, പൂർണ്ണമായ രേഖ ലഭ്യമാകുന്നതാണ് ഏജന്റുകൾക്ക് പ്രയോജനകരം. സന്ദേശങ്ങൾ, ടൂൾ കോളുകൾ, റീസണിംഗ്, ഫലങ്ങൾ എന്നിവ ഉൾക്കൊള്ളുന്ന, ദാതാവിനെ ആശ്രയിക്കാത്ത ട്രാജക്ടറി രൂപങ്ങൾ ഉപയോഗിച്ചാണ് Computer മുൻകാല സെഷനുകൾ സംഭരിക്കുന്നത്. ഈ ട്രാജക്ടറികൾ ഡീകോഡ് ചെയ്യാനും പൂർണ്ണ സെഷനുകൾ പുനർനിർമ്മിക്കാനും ഏജന്റുകൾക്ക് ഉപയോഗിക്കാവുന്ന കമാൻഡ്-ലൈൻ ടൂളുകളുടെ ഒരു ശേഖരവും ഞങ്ങൾ നിർമ്മിച്ചിട്ടുണ്ട്. നിർദ്ദിഷ്ട നൈപുണ്യ-ലോഡുകളും ടൂൾ കോളുകളും പരിശോധിക്കാനും, പ്രശ്നങ്ങൾ സംഭവിച്ചതോ മെച്ചപ്പെടുത്തലുകൾ വരുത്താമായിരുന്നതോ ആയ കൃത്യമായ പോയിന്റുകൾ തിരിച്ചറിയാനും ഇത് പ്രതിഫലന ഏജന്റിനെ പ്രാപ്തമാക്കുന്നു.
# Decode a stored trajectory into structured messages,
# including tool calls, their arguments, and their results.
python3 deserialize_trajectory.py \
--convo-path session/convo.pb.lz4 \
--jsonl -o session.jsonl
# Identify which skills the agent loaded and how often.
python3 list_skills_used.py session.jsonl
# Read one turn in detail, including its tool calls and results.
python3 deserialize_trajectory.py \
--convo-path session/convo.pb.lz4 \
--turn 3 -o turn-3.md
# Recover earlier steps preserved before a context compaction.
python3 deserialize_trajectory.py \
--convo-path session/compactions/001/original_convo.pb.lz4 \
--jsonl -o earlier-history.jsonlComputer-ന്റെ ആന്തരിക ട്രാജക്ടറി-പരിശോധനാ ടൂളുകളുടെ ഉപയോഗത്തിന്റെ ഉദാഹരണം. വിശദീകരണത്തിനായി പാത്തുകളും ഐഡന്റിഫയറുകളും ലളിതമാക്കിയിരിക്കുന്നു; കമാൻഡ് പേരുകളും ആർഗ്യുമെന്റുകളും യഥാർത്ഥ നിർവ്വഹണത്തിലുള്ളതുപോലെ തന്നെയാണ്.
ബാക്ക്ഗ്രൗണ്ട് ഏജന്റുകൾ ഉപയോഗിച്ചുള്ള പ്രതിഫലനം
ഓരോ ഉപയോക്താവിനുമുള്ള അനുഭവം തുടർച്ചയായി ഒപ്റ്റിമൈസ് ചെയ്യാൻ Brain ഒരു കൂട്ടം ബാക്ക്ഗ്രൗണ്ട് ഏജന്റുകളെ ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, നോളജ് വിക്കി അപ്ഡേറ്റ് ചെയ്യാൻ Dream ഏജന്റുകൾ ശേഖരിച്ച അനുഭവം അവലോകനം ചെയ്യുന്നു. സമാനമായി, നൈപുണ്യ ഉപയോഗത്തിന്റെ തെളിവുകൾ വിശകലനം ചെയ്ത് അപ്ഡേറ്റുകൾ നിർദ്ദേശിക്കുന്ന മെച്ചപ്പെടുത്തൽ ഏജന്റുകളാണ് നൈപുണ്യ മെച്ചപ്പെടുത്തലിന് കരുത്തേകുന്നത്.
ഓരോ ഏജന്റും ഒരു ഫ്രണ്ടിയർ മോഡൽ, പ്രസക്തമായ തെളിവുകൾ, നിലവിലെ നൈപുണ്യ ലൈബ്രറി എന്നിവയോടൊപ്പം സ്വന്തം സാൻഡ്ബോക്സിൽ പ്രവർത്തിക്കുന്നു; പ്ലഗിനുകളും നൈപുണ്യങ്ങളുമാണ് അതിനെ നയിക്കുന്നത്. ഏതൊക്കെ സെഷനുകൾ വായിക്കണമെന്ന് അത് തീരുമാനിക്കുന്നു, ഓരോന്നിൽ നിന്നും വ്യക്തമായ ഒരു പാഠം ഉൾക്കൊള്ളുന്നു, ഒരേ പുനരുപയോഗിക്കാവുന്ന പെരുമാറ്റം ആവശ്യപ്പെടുന്ന പാഠങ്ങളെ ഒന്നിച്ച് ഗ്രൂപ്പ് ചെയ്യുന്നു. ഒരു പരാജയത്തിനുള്ള പരിഹാരം മറ്റൊരു നിർദ്ദേശത്തിന് വിരുദ്ധമാകുകയോ മറ്റെവിടെയെങ്കിലും അധിക ജോലി ഉണ്ടാക്കുകയോ ചെയ്യാമെന്നതിനാൽ, ഒരു എഡിറ്റ് നിർദ്ദേശിക്കുന്നതിന് മുമ്പ് അത് നൈപുണ്യം പൂർണ്ണമായും വായിക്കുന്നു; തെളിവുകൾ പിന്തുണയ്ക്കാത്തപ്പോൾ എഡിറ്റ് നിർദ്ദേശിക്കാതെ വിട്ടുനിൽക്കുന്നു.
മെച്ചപ്പെടുത്തൽ ഏജന്റുകൾ Computer-ന്റെ അതേ harness-ലാണ് പ്രവർത്തിക്കുന്നത്. ഞങ്ങൾ harness മോഡുലാർ ആക്കി; അതിനാൽ ഒരു പുതിയ ഏജന്റ് ആപ്ലിക്കേഷന് റീസണിംഗ്, ടൂൾ ഉപയോഗം, കോൺടെക്സ്റ്റ് മാനേജ്മെന്റ് എന്നിവയ്ക്കായി അതിന്റെ സംവിധാനങ്ങൾ പുനരുപയോഗിക്കാനും, അതേസമയം പ്ലഗിനുകളിലൂടെ സ്വന്തം നിർദ്ദേശങ്ങളും കഴിവുകളും നിർവചിക്കാനും കഴിയും. ഒരു സമർപ്പിത ബാക്ക്ഗ്രൗണ്ട് വർക്കർ ഫ്ലീറ്റ്, ഫോർഗ്രൗണ്ട് ടാസ്കുകളിൽ നിന്ന് സ്വതന്ത്രമായി ഈ പ്രോസസ്സിംഗ് സ്കെയിൽ ചെയ്യാൻ ഞങ്ങളെ സഹായിക്കുന്നു.
വ്യക്തിഗത നൈപുണ്യ മെച്ചപ്പെടുത്തൽ ലൂപ്പ്
ഒരു ഉപയോക്താവിന്റെ ടാസ്ക് ചരിത്രത്തെ പുതിയതോ അപ്ഡേറ്റ് ചെയ്തതോ ആയ വ്യക്തിഗത നൈപുണ്യങ്ങളാക്കി മാറ്റുന്ന വ്യക്തിഗത മെച്ചപ്പെടുത്തൽ ലൂപ്പിൽ, പങ്കിട്ട സ്വയം-മെച്ചപ്പെടുത്തൽ എഞ്ചിൻ എങ്ങനെ പ്രയോഗിക്കുന്നു എന്ന് ഞങ്ങൾ ആദ്യം വിവരിക്കുന്നു. താഴെയുള്ള ചിത്രം ഒരു ഉദാഹരണ നൈപുണ്യത്തെ പൂർണ്ണ ലൂപ്പിലൂടെ പിന്തുടരുന്നു, പരിഷ്കരിച്ച പതിപ്പിൽ അവസാനിക്കുന്നു.
ദിവസേനയുള്ള ഒരു ജനറേഷൻ റണ്ണിനിടെ, വരുത്തേണ്ട മാറ്റങ്ങൾ നിർണ്ണയിക്കാൻ മെച്ചപ്പെടുത്തൽ ഏജന്റ് ഉപയോക്താവിന്റെ സമീപകാല സെഷനുകൾ അവലോകനം ചെയ്യുന്നു. സമീപകാല സെഷനുകളുടെ ഒരു കൂട്ടം, നൈപുണ്യ ഉപയോഗ ഡാറ്റയോടൊപ്പം, സാൻഡ്ബോക്സിലേക്ക് മുൻകൂട്ടി ലോഡ് ചെയ്യുന്നു; ഉപയോക്താവിന്റെ ബാക്കി സെഷൻ ചരിത്രം ആവശ്യാനുസരണം വീണ്ടെടുക്കാം. നിലവിലുള്ള നൈപുണ്യങ്ങളുടെ കാറ്റലോഗും മെച്ചപ്പെടുത്തൽ ഏജന്റിന് ലഭിക്കുന്നു. ഇതിന് ഇന്റർനെറ്റിലേക്കോ മറ്റ് കണക്ടറുകളിലേക്കോ ആക്സസ് ഇല്ല.
വ്യക്തിഗത നൈപുണ്യ മെച്ചപ്പെടുത്തൽ വർക്ക്ഫ്ലോയ്ക്കായി രൂപകൽപ്പന ചെയ്ത പ്ലഗിനുകളും നൈപുണ്യങ്ങളും, ഒരു നല്ല അപ്ഡേറ്റ് എന്താണെന്നതിനെക്കുറിച്ചുള്ള ഞങ്ങളുടെ തത്വങ്ങളെ അടിസ്ഥാനമാക്കി, പ്രതിഫലന പ്രക്രിയയെ നയിക്കുന്നു. ഓരോ സെഷനിലെയും വ്യക്തമായ ഒരു പാഠം തിരിച്ചറിയാൻ ഏജന്റ് ആദ്യം പൂർണ്ണ ട്രാജക്ടറികൾ വിശകലനം ചെയ്യുന്നു. തുടർന്ന് അത് ആ പാഠങ്ങളെ നിലവിലുള്ള നിർദ്ദേശങ്ങളുമായി താരതമ്യം ചെയ്യുകയും, ഒരു നൈപുണ്യം അപ്ഡേറ്റ് ചെയ്യണോ, പുതിയൊരെണ്ണം സൃഷ്ടിക്കണോ, അതോ മാറ്റമൊന്നും വരുത്തേണ്ടതില്ലേ എന്ന് തീരുമാനിക്കുകയും ചെയ്യുന്നു. ഒരു നൈപുണ്യം സൃഷ്ടിക്കാൻ ഒരേ പുനരുപയോഗിക്കാവുന്ന പെരുമാറ്റത്തിന്റെ രണ്ട് സ്വതന്ത്ര സംഭവങ്ങൾ ആവശ്യമാണ്; അതേസമയം നിലവിലുള്ള ഒരു നൈപുണ്യത്തിലേക്കുള്ള അപ്ഡേറ്റിന് തെളിവുകളിൽ അധിഷ്ഠിതമായ ഒരൊറ്റ സംഭവം മതിയാകും.
ഏജന്റ് നൈപുണ്യം നേരിട്ട് പരിഷ്കരിക്കുന്നില്ല. പകരം, ഉദ്ദേശിക്കുന്ന മാറ്റങ്ങളും അവയെ പിന്തുണയ്ക്കുന്ന യുക്തിയും തെളിവുകളും രേഖപ്പെടുത്തുന്ന ഒരു നിർദ്ദേശം അത് തയ്യാറാക്കുന്നു. ഓരോ റണ്ണിലും ഒരു നൈപുണ്യത്തിന് ഒരു മാറ്റം എന്ന പരിധിയിലാണ് അപ്ഡേറ്റുകൾ. നിർദ്ദേശങ്ങൾ ശരിയായ രൂപത്തിലുള്ളതാണെന്നും നൈപുണ്യത്തിൽ പ്രയോഗിക്കാൻ കഴിയുന്നതാണെന്നും ഡിറ്റർമിനിസ്റ്റിക് പരിശോധനകൾ സ്ഥിരീകരിക്കുന്നു. ഇതിനുപുറമെ, ഒരു LLM ജഡ്ജ് സാമ്പിൾ ചെയ്ത നിർദ്ദേശങ്ങൾ ഓഡിറ്റ് ചെയ്യുന്നു; തെളിവുകൾ മാറ്റത്തെ പിന്തുണയ്ക്കുന്നുണ്ടോ എന്നും, തത്ഫലമായുണ്ടാകുന്ന നൈപുണ്യം ഉപയോഗപ്രദമായ നിർദ്ദേശങ്ങൾ നൽകുന്നുണ്ടോ എന്നും അത് പരിശോധിക്കുന്നു.
സജീവമാക്കൽ, സ്ഥിരീകരിച്ച ഒരു നിർദ്ദേശത്തെ ഉപയോക്താവിന്റെ നൈപുണ്യ ലൈബ്രറിയിലെ ഒരു മാറ്റമാക്കി മാറ്റുന്നു; അതുവഴി പുതിയ പതിപ്പ് ഭാവി സെഷനുകളിൽ ലോഡ് ചെയ്യാനും ഉപയോഗിക്കാനും കഴിയും. ഓരോ സെഷന്റെയും തുടക്കത്തിൽ ലഭ്യമായ എല്ലാ നൈപുണ്യങ്ങളുടെയും ഒരു ഇൻഡെക്സ് harness ലോഡ് ചെയ്യുന്നതിനാൽ, നൈപുണ്യങ്ങളുടെ ഒരു വലിയ ലൈബ്രറി കോൺടെക്സ്റ്റ് വിൻഡോ നിറയ്ക്കുകയും, പ്രസക്തമായ നൈപുണ്യങ്ങൾ കണ്ടെത്താനും ലോഡ് ചെയ്യാനും ഏജന്റിന് ബുദ്ധിമുട്ടുണ്ടാക്കുകയും ചെയ്യും. തൽഫലമായി, ചെറുതും തിരഞ്ഞെടുത്തതുമായ ഒരു ലൈബ്രറി നിലനിർത്താൻ, ആവശ്യമില്ലാത്ത നൈപുണ്യങ്ങൾ പിൻവലിച്ച്, ഏറ്റവും മൂല്യവത്തായ നൈപുണ്യങ്ങൾ മാത്രമേ സിസ്റ്റം സൂക്ഷിക്കുന്നുള്ളൂ. പ്രത്യേകിച്ചും, ഓരോ ഉപയോക്താവിനും സ്വയമേവ സൃഷ്ടിച്ച 10 നൈപുണ്യങ്ങൾ എന്ന പരിധി ഞങ്ങൾ നടപ്പിലാക്കുന്നു. പരിധിയിലെത്തുമ്പോഴും മെച്ചപ്പെടുത്തൽ ഏജന്റിന് നൈപുണ്യങ്ങൾ അപ്ഡേറ്റ് ചെയ്യാനോ നീക്കം ചെയ്യാനോ കഴിയും; എന്നാൽ പുതിയൊരു നൈപുണ്യം ചേർക്കാൻ, അത് നിലവിലുള്ള ഒരു നൈപുണ്യം പിൻവലിക്കുകയും, പുതിയ നൈപുണ്യം ഉപയോക്താവിന്റെ ജോലിക്ക് കൂടുതൽ ഉപയോഗപ്രദമാകുന്നത് എന്തുകൊണ്ടാണെന്ന് ന്യായീകരിക്കുകയും വേണം.
ബിൽറ്റ്-ഇൻ നൈപുണ്യ മെച്ചപ്പെടുത്തൽ ലൂപ്പ്
Brain-ന്റെ തുടർച്ചയായ നൈപുണ്യ മെച്ചപ്പെടുത്തൽ ചട്ടക്കൂട് ഞങ്ങൾ ബിൽറ്റ്-ഇൻ നൈപുണ്യങ്ങളിലേക്കും വ്യാപിപ്പിക്കുന്നു. ഒരു ഉപയോക്താവിന്റെ മെമ്മറിയും സെഷൻ ചരിത്രവും ഉപയോഗിച്ച് ആ ഉപയോക്താവിന്റെ വ്യക്തിഗത നൈപുണ്യങ്ങൾ മെച്ചപ്പെടുത്തുന്നതിന് പകരം, എല്ലാ Perplexity ഉപയോക്താക്കൾക്കും ലഭ്യമായ നൈപുണ്യങ്ങൾ മെച്ചപ്പെടുത്താൻ ബിൽറ്റ്-ഇൻ ലൂപ്പ് നിരവധി ഉപയോക്താക്കളിൽ നിന്നുള്ള തെളിവുകൾ ഉപയോഗിക്കുന്നു. ബിൽറ്റ്-ഇൻ നൈപുണ്യങ്ങൾ ആർക്കും ഉപയോഗിക്കാൻ കഴിയുന്നതിനാൽ, മാറ്റങ്ങൾക്കുള്ള മാനദണ്ഡം ഉയർന്നതാണ്; അബദ്ധവശാൽ പ്രകടനം മോശമാക്കുന്ന അപ്ഡേറ്റുകൾ ആയിരക്കണക്കിന് സെഷനുകളെ ബാധിക്കാം. ബിൽറ്റ്-ഇൻ മെച്ചപ്പെടുത്തൽ ഏജന്റ് നൈപുണ്യങ്ങളുടെ കാൻഡിഡേറ്റ് പതിപ്പുകൾ മാത്രമേ മാറ്റുന്നുള്ളൂ. നൈപുണ്യത്തിന്റെ കാനോനിക്കൽ പതിപ്പിലെത്താൻ, ഈ അപ്ഡേറ്റുകൾ ജോടിയാക്കിയ റീപ്ലേയും ആന്തരിക മനുഷ്യ അവലോകനവും കടന്നുപോകണം. ഒരിക്കൽക്കൂടി, ഒരു ഉദാഹരണ നൈപുണ്യവും പിന്തുണയ്ക്കുന്ന തെളിവുകളും ഉപയോഗിച്ച് ഞങ്ങൾ പൂർണ്ണ ലൂപ്പ് പിന്തുടരുന്നു.
പരിശീലനത്തിൽ ഉപയോഗിക്കാൻ യോഗ്യമായ സെഷനുകളിൽ നിന്നുള്ള, സാനിറ്റൈസ് ചെയ്ത തെളിവുകളാണ് ബിൽറ്റ്-ഇൻ മെച്ചപ്പെടുത്തൽ ലൂപ്പ് ഉപയോഗിക്കുന്നത്. പ്രസക്തമായ തെളിവുകൾ തിരഞ്ഞെടുക്കാൻ ഡയഗ്നോസ്റ്റിക്കുകളും പരാജയ സിഗ്നലുകളും ഉപയോഗിക്കുന്നു; ഒപ്പം, ഫ്ലാഗുകളൊന്നും ഉയർത്താതെ നൈപുണ്യം ഉപയോഗിച്ച കൺട്രോൾ സെഷനുകളും തിരഞ്ഞെടുക്കുന്നു. ഒരു സാനിറ്റൈസേഷൻ പൈപ്പ്ലൈൻ ക്രെഡൻഷ്യലുകളും മറ്റ് രഹസ്യ വിവരങ്ങളും, ഒപ്പം അറ്റാച്ച് ചെയ്ത ഫയലുകളും മീഡിയയും നീക്കം ചെയ്യുന്നു.
ഒരു സാഹചര്യ-ജനറേഷൻ ഏജന്റ് സാനിറ്റൈസ് ചെയ്ത തെളിവുകളെ വ്യക്തമായ പരാജയ സാഹചര്യങ്ങളാക്കി മാറ്റുന്നു. പരാജയ കേസ് മനസ്സിലാക്കാനും നൈപുണ്യം മെച്ചപ്പെടുത്താനും ആവശ്യമായ കോൺടെക്സ്റ്റ് മാത്രമേ അത് നിലനിർത്തുന്നുള്ളൂ; സെഷന്റെ ബാക്കി ഭാഗം സിന്തറ്റിക്കായി പുനർനിർമ്മിക്കുന്നു, ഇത് സ്ഥിരീകരണ പ്രക്രിയയ്ക്കായി സ്വയംപൂർണ്ണമായ ഒരു ടെസ്റ്റ് സൃഷ്ടിക്കുന്നു. കണക്റ്റ് ചെയ്ത ആപ്പുകളോ സൈൻ-ഇനോ ഇല്ലാതെ സാഹചര്യങ്ങൾ പ്രവർത്തിക്കണം; യഥാർത്ഥ ടാസ്ക് ഒരു കണക്ടറിനെ ആശ്രയിച്ചിരുന്നെങ്കിൽ, സാഹചര്യത്തിൽ ആ ഇൻപുട്ടിന് പകരം സിന്തറ്റിക് ഫയലുകൾ ഉപയോഗിക്കുന്നു. ജനറേറ്റ് ചെയ്ത സാഹചര്യത്തിൽ നൈപുണ്യം പരാജയപ്പെടുന്നുവെന്ന് ഒരു പ്രത്യേക പരിശോധന സ്ഥിരീകരിക്കുന്നു.
നിരീക്ഷിച്ച പരാജയങ്ങളെ പരിഹാരങ്ങളാക്കി മാറ്റുന്ന ആഴ്ചതോറുമുള്ള ഒരു പരിഷ്കരണ ജോബിലൂടെയാണ് പ്രതിഫലനം നടക്കുന്നത്. ഒരൊറ്റ മോശം സെഷൻ ഒരു എഡിറ്റിന് കാരണമാകാതിരിക്കാൻ, ഒന്നിലധികം സെഷനുകളിൽ ആവർത്തിക്കുന്ന നൈപുണ്യ പരാജയങ്ങളാണ് അത് തിരയുന്നത്. ആവർത്തിക്കുന്ന ഓരോ പരാജയത്തിനും പ്രത്യേക മെച്ചപ്പെടുത്തൽ ഏജന്റ് റൺ ലഭിക്കുന്നു. ഏജന്റിന് മൂലകാരണത്തിന്റെ ഒരു വിവരണവും, വിജയകരമായ സെഷനുകളിൽ നിന്നുള്ള സാനിറ്റൈസ് ചെയ്ത രേഖകളും ലഭിക്കുന്നു. നൈപുണ്യത്തിന്റെ ഒരു കാൻഡിഡേറ്റ് പരിഷ്കരണം എഴുതാൻ അത് ഈ തെളിവുകൾ ഉപയോഗിക്കുന്നു. പൂർണ്ണ പരാജയ സാഹചര്യങ്ങൾ മൂല്യനിർണ്ണയത്തിന് ഉപയോഗിക്കുന്നതിനാൽ അവ അതിന് ലഭിക്കുന്നില്ല.
നൈപുണ്യത്തിന്റെ യഥാർത്ഥ പതിപ്പും പരിഷ്കരിച്ച പതിപ്പും താരതമ്യം ചെയ്യാൻ ഒരു പ്രത്യേക റീപ്ലേ ജോബ് ജനറേറ്റ് ചെയ്ത സാഹചര്യങ്ങൾ ഉപയോഗിക്കുന്നു. ഓരോ സാഹചര്യത്തിന്റെയും റൂബ്രിക്കിനെ അടിസ്ഥാനമാക്കി ഒരു LLM ജഡ്ജ് ഏജന്റിന്റെ ഉത്തരങ്ങളും ട്രാജക്ടറികളും വിലയിരുത്തുന്നു. ഒരു നിർദ്ദേശം വിജയിക്കണമെങ്കിൽ, പരിഷ്കരിച്ച നൈപുണ്യം ഉപയോഗിച്ച് എല്ലാ ടെസ്റ്റ് സാഹചര്യങ്ങളും വിജയിക്കുകയും, യഥാർത്ഥ നൈപുണ്യം ഉപയോഗിച്ച് കുറഞ്ഞത് ഒരെണ്ണമെങ്കിലും പരാജയപ്പെടുകയും വേണം. ഒന്നും പ്രവർത്തനം നിർത്തിയിട്ടില്ലെന്ന് സ്ഥിരീകരിക്കാൻ, കൺട്രോൾ സെഷനുകളിൽ നിന്ന് നിർമ്മിച്ച സാഹചര്യങ്ങളും റീപ്ലേ ചെയ്യുന്നു. പരാജയ സാഹചര്യങ്ങളുടെ കാര്യത്തിൽ, വിജയിക്കാത്ത ഒരു ടാസ്കിനെ അതേ പ്രശ്നത്തിന്റെ തെളിവായി കണക്കാക്കുന്നതിന് പകരം, നിർദ്ദിഷ്ട പരാജയം തന്നെ സംഭവിച്ചുവെന്നും ജഡ്ജ് പരിശോധിക്കുന്നു.
ആന്തരിക മനുഷ്യ അവലോകനത്തിനായി വർക്ക്ഫ്ലോ കാൻഡിഡേറ്റ് മാറ്റങ്ങളും മൂല്യനിർണ്ണയ ഫലങ്ങളും ഒരു pull request-ലേക്ക് പാക്കേജ് ചെയ്യുന്നു. ഒരു എഞ്ചിനീയർ PR അംഗീകരിച്ചാൽ മാത്രമേ മാറ്റങ്ങൾ പ്രാബല്യത്തിൽ വരൂ.
മൂല്യനിർണ്ണയങ്ങൾ
ഓട്ടോമാറ്റിക് നൈപുണ്യ മെച്ചപ്പെടുത്തൽ നൈപുണ്യ സൃഷ്ടിയും ഉപയോഗവും ഗണ്യമായി വർദ്ധിപ്പിച്ചു. ഓഗസ്റ്റ് 1 മുതൽ നവംബർ 14 വരെ 20,000-ത്തിലധികം ഉപയോക്താക്കൾക്കായി Brain 80,000-ത്തിലധികം വ്യക്തിഗത നൈപുണ്യങ്ങൾ എഴുതി. കൂടാതെ, സെപ്റ്റംബർ 4 മുതൽ നവംബർ 14 വരെ നിലവിലുള്ള 30,000-ത്തിലധികം വ്യക്തിഗത നൈപുണ്യങ്ങളിൽ 1,00,000-ത്തിലധികം ഓട്ടോമാറ്റിക് അപ്ഡേറ്റുകൾ പ്രയോഗിച്ചു.
സോഫ്റ്റ്വെയർ പരിശോധിക്കുന്നത് മുതൽ ശമ്പളപ്പട്ടിക ഒത്തുനോക്കുന്നതും ചിത്രീകരണങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നതും വരെ, വിപുലമായ മേഖലകളിലും ടാസ്കുകളിലും ഈ നൈപുണ്യങ്ങൾ വ്യാപിച്ചിരിക്കുന്നു. Brain സൃഷ്ടിച്ച നൈപുണ്യങ്ങളെ അവ വിവരിക്കുന്ന വർക്ക്ഫ്ലോകളുടെ അടിസ്ഥാനത്തിൽ ഞങ്ങൾ തരംതിരിച്ചു. ഏറ്റവും വലിയ മേഖലയായ സോഫ്റ്റ്വെയർ എഞ്ചിനീയറിംഗ് പോലും നൈപുണ്യങ്ങളുടെ 11% മാത്രമാണ്; തൊട്ടുപിന്നാലെ ഗവേഷണവും ബ്രീഫിംഗുകളും (10.1%), സെയിൽസും ഓപ്പറേഷൻസും (9.9%), ഫിനാൻസും നിക്ഷേപവും (9.9%) വരുന്നു.
ഓട്ടോമാറ്റിക് വ്യക്തിഗത നൈപുണ്യ മെച്ചപ്പെടുത്തൽ പ്രവർത്തനക്ഷമമാക്കിയ ഉപയോക്താക്കളെ, അത് പ്രവർത്തനരഹിതമാക്കിയ ഒരു കൺട്രോൾ ഗ്രൂപ്പുമായി താരതമ്യം ചെയ്തുകൊണ്ട്, പ്രൊഡക്ഷൻ ട്രാഫിക്കിൽ ഞങ്ങൾ എട്ട് ആഴ്ചത്തെ ഒരു റാൻഡമൈസ്ഡ് ടെസ്റ്റ് നടത്തി. നൈപുണ്യ മെച്ചപ്പെടുത്തൽ പ്രവർത്തനക്ഷമമാക്കിയവരിൽ 72.9% പേർക്ക് കുറഞ്ഞത് ഒരു പുതിയ വ്യക്തിഗത നൈപുണ്യം ലഭിച്ചു; അതേസമയം അതില്ലാത്തവരിൽ 6.5% പേർ മാത്രമാണ് സ്വമേധയാ ഒരു പുതിയ നൈപുണ്യം ചേർത്തത്. ട്രീറ്റ്മെന്റ് ഗ്രൂപ്പിലെ പകുതിയിലധികം പേർക്ക് (53%) അവർ ആരംഭിച്ച ഒരു സംഭാഷണത്തിൽ ഒരു വ്യക്തിഗത നൈപുണ്യം ലോഡ് ചെയ്യപ്പെട്ടു, കൺട്രോൾ ഗ്രൂപ്പിൽ ഇത് 13% ആയിരുന്നു; അവരുടെ ടേണുകൾ ഏകദേശം 3.6 മടങ്ങ് കൂടുതൽ തവണ ഒരു വ്യക്തിഗത നൈപുണ്യം ലോഡ് ചെയ്തു. Brain എഴുതിയ ഒരു നൈപുണ്യം ലഭിച്ച ഉപഭോക്താക്കളിൽ 63% പേർ നാല് ആഴ്ചയ്ക്കുള്ളിൽ പിന്നീടുള്ള ഒരു സംഭാഷണത്തിൽ വീണ്ടും ഒരെണ്ണം ഉപയോഗിച്ചു.
ഈ പുതിയതും അപ്ഡേറ്റ് ചെയ്തതുമായ നൈപുണ്യങ്ങൾ ടാസ്ക് നിർവ്വഹണത്തെയും മൊത്തത്തിലുള്ള പ്രകടനത്തെയും എങ്ങനെ സ്വാധീനിക്കുന്നു എന്ന് നിർണ്ണയിക്കാനാണ് ഞങ്ങളുടെ മൂല്യനിർണ്ണയങ്ങൾ ശ്രമിക്കുന്നത്.
അതേ റാൻഡമൈസ്ഡ് പരീക്ഷണത്തിൽ നിന്നുള്ള ഫലങ്ങൾ ടൂൾ കോൾ പരാജയങ്ങളിലും ഉപയോക്തൃ അതൃപ്തിയിലും കുറവ് കാണിക്കുന്നു. ഓട്ടോമാറ്റിക് നൈപുണ്യ മെച്ചപ്പെടുത്തലുള്ള ഉപയോക്താക്കൾക്ക്, എല്ലാ Computer പ്രവർത്തനങ്ങളിലുമായി ടൂൾ കോൾ പരാജയ നിരക്ക് 11% കുറഞ്ഞു. സിസ്റ്റത്തിന്റെ സ്വന്തം ബാക്ക്ഗ്രൗണ്ട് റണ്ണുകൾ ഒഴിവാക്കിയാലും ടൂൾ കോളുകൾ ഏകദേശം 7% കുറവ് തവണയാണ് പരാജയപ്പെട്ടത്; ഉപയോക്താവിന്റെ ജോലിയിൽ വിശ്വാസ്യത മെച്ചപ്പെട്ടുവെന്ന് ഇത് സൂചിപ്പിക്കുന്നു. ഓരോ ഉപയോക്താവിനുമുള്ള ഇടത്തരം/ഉയർന്ന അതൃപ്തിയുള്ള ത്രെഡുകളുടെ എണ്ണമായി അളക്കുന്ന ഉപയോക്തൃ അതൃപ്തി 7.6% കുറഞ്ഞു. ചെലവിലോ പ്രതികരണ സമയത്തിലോ അളക്കാവുന്ന മാറ്റമൊന്നും ഞങ്ങൾ കണ്ടില്ല. ഈ പ്രാരംഭ ടെസ്റ്റുകൾ പ്രതീക്ഷ നൽകുന്ന ഫലങ്ങൾ കാണിക്കുന്നു; സിസ്റ്റം മെച്ചപ്പെടുത്തുകയും സ്വയം-മെച്ചപ്പെടുന്ന നൈപുണ്യങ്ങൾ കൂടുതൽ ഉപയോക്താക്കളിലേക്ക് എത്തിക്കുകയും ചെയ്യുന്നതിനനുസരിച്ച് കാലക്രമേണ മെച്ചപ്പെടലുകൾ വർദ്ധിക്കുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.
ഓഫ്ലൈൻ പരീക്ഷണങ്ങളും കൂടുതൽ പരിമിതമായ സാഹചര്യങ്ങളിൽ മെച്ചപ്പെടലുകൾ രേഖപ്പെടുത്തിയിട്ടുണ്ട്. ഒരു SkillLearnBench പരീക്ഷണത്തിൽ, ഒമ്പത് ടാസ്ക് കുടുംബങ്ങളിൽ ഓരോന്നിനും ഓരോ വ്യക്തിഗത നൈപുണ്യം സൃഷ്ടിക്കാൻ Computer മുൻകാല ടാസ്ക് ട്രാജക്ടറികൾ ഉപയോഗിച്ചു. 16 ജോടിയാക്കിയ മൂല്യനിർണ്ണയ ഇൻസ്റ്റൻസുകളിലുടനീളം, ടാസ്ക് വിജയം നൈപുണ്യങ്ങൾ ഇല്ലാതെ 43.8%-ൽ നിന്ന് ജനറേറ്റ് ചെയ്ത നൈപുണ്യങ്ങളോടെ 62.5% ആയി വർദ്ധിച്ചു; മുൻകാല അനുഭവത്തിൽ നിന്ന് രൂപപ്പെടുത്തിയ നൈപുണ്യങ്ങൾക്ക് ആവർത്തിച്ചുള്ള ടാസ്കുകളിലെ പ്രകടനം മെച്ചപ്പെടുത്താൻ കഴിയുമെന്നതിന് ഇത് തെളിവ് നൽകുന്നു. ഒരു ബിൽറ്റ്-ഇൻ കേസ് സ്റ്റഡിയിൽ, ഒരു ഇ-കൊമേഴ്സ് നൈപുണ്യത്തിലെ എഡിറ്റുകൾ 32% കുറഞ്ഞ ചെലവിൽ 6% ഗുണനിലവാര വർദ്ധനവിന് കാരണമായി; ഒരു ഓട്ടോമേറ്റഡ് ജഡ്ജാണ് ഗുണനിലവാരം അളന്നത്.
ഉപസംഹാരം
സ്വയം-മെച്ചപ്പെടുന്ന നൈപുണ്യങ്ങൾ, Computer ചെയ്യുന്ന ജോലിയിൽ നിന്ന് പഠിക്കാൻ അതിന് മറ്റൊരു മാർഗം നൽകുന്നു. നടപടിക്രമപരമായ മെമ്മറി സൃഷ്ടിക്കാനും പരിപാലിക്കാനും ഇത് Brain-നെ വിപുലീകരിക്കുന്നു, സങ്കീർണ്ണമായ വർക്ക്ഫ്ലോകളിലെ പ്രകടനം മെച്ചപ്പെടുത്തുന്നു. ഓട്ടോമാറ്റിക് നൈപുണ്യ മെച്ചപ്പെടുത്തൽ ഇതിനകം നൈപുണ്യ ഉപയോഗം വർദ്ധിപ്പിക്കുകയും, ടൂൾ പരാജയ നിരക്ക് കുറയ്ക്കുകയും, ഉപയോക്തൃ അതൃപ്തി കുറയ്ക്കുകയും ചെയ്തിട്ടുണ്ട്.
വ്യക്തിഗത നൈപുണ്യ മെച്ചപ്പെടുത്തൽ ഇപ്പോൾ യുഎസിലെ എല്ലാ Max സബ്സ്ക്രൈബർമാർക്കും ലഭ്യമാണ്. യോഗ്യരായ ഉപയോക്താക്കൾക്ക് ഇത് ഡിഫോൾട്ടായി ഓണാണ്, എന്നാൽ ഓഫാക്കാൻ കഴിയും. പ്ലഗിനുകൾ ടാബ് ലഭ്യമായ നൈപുണ്യങ്ങൾ കാണിക്കുകയും, Brain രചിച്ചവ തിരിച്ചറിയുകയും, ഏതൊക്കെ നൈപുണ്യങ്ങൾ പ്രവർത്തനക്ഷമമാക്കണമെന്ന് തിരഞ്ഞെടുക്കാൻ ഉപയോക്താക്കളെ അനുവദിക്കുകയും ചെയ്യുന്നു.
അടുത്തതായി, ഉപയോക്താക്കൾ രചിച്ച നൈപുണ്യങ്ങൾ, പ്രോജക്റ്റുകൾക്കുള്ളിൽ പങ്കിട്ട നൈപുണ്യങ്ങൾ, ഓർഗനൈസേഷൻ നൈപുണ്യങ്ങൾ എന്നിവ ഉൾപ്പെടെ കൂടുതൽ നൈപുണ്യ വിഭാഗങ്ങളിലേക്ക് ഞങ്ങൾ മെച്ചപ്പെടുത്തൽ വ്യാപിപ്പിക്കും. പരിഷ്കരണങ്ങൾ കൂടുതൽ വിശ്വസനീയമായ നടപടിക്രമങ്ങളിലേക്കും മികച്ച ഫലങ്ങളിലേക്കും നയിക്കുന്നതിനായി, മെച്ചപ്പെടുത്തൽ പൈപ്പ്ലൈനും അതിന്റെ മൂല്യനിർണ്ണയങ്ങളും ഞങ്ങൾ തുടർന്നും മെച്ചപ്പെടുത്തും.
അവലംബം
@online{perplexity2026SelfImprovingSkills,
author = {{Perplexity} and Nicholas Bien and Se Won Jang and Kate Jung and Nikila Venkat and Jarrod Bryan and Claire Beamer and Jeremy Yang},
title = {{Self-improving skills}},
date = {2026-11-18},
url = {https://www.perplexity.ai/hub/blog/self-improving-skills}
}