Brain: அறிவு விக்கியாக ஏஜென்டிக் நினைவகம்

ஒரு கட்டமைக்கப்பட்ட, கண்டறியக்கூடிய, சுய-மேம்பாட்டு மார்க் டவுன் கோப்பு முறைமை, ஆஃப்லைனில் தொகுக்கப்பட்டு தேவைக்கேற்ப வழிநடத்தப்படுகிறது.

ஆசிரியர்கள்Perplexity Engineering

Computer பயனர்கள் மாதங்கள் மற்றும் நூற்றுக்கணக்கான அமர்வுகளைக் கொண்ட வேலையைச் செய்கிறார்கள். பத்தாவது அமர்வின் மூலம், அமைப்பு முதலாவதை விட மிகவும் பயனுள்ளதாக இருக்க வேண்டும். இது பயனர், அவர்களின் விருப்பத்தேர்வுகள் மற்றும் ஏற்கனவே செய்யப்பட்ட வேலைகள் பற்றிய சூழலைக் குவிக்க வேண்டும்.

எடுத்துக்காட்டாக, பயனர் முன்பு விளக்கிய பணிப்பாய்வு வரைபடத்தை வரையச் சொன்னால், Computer விவரங்களை நினைவு கூர்ந்து அவற்றை உருவாக்கி பயனரின் விருப்பமான பாணியில் ஒரு உருவத்தை வெளியிட பயன்படுத்த வேண்டும். பயனர் பணிப்பாய்வு விவரங்களை மீண்டும் விளக்க வேண்டிய அவசியமில்லை அல்லது PNG ஆர்ட்டிஃபேக்ட்களை விட PDF க்கான தங்கள் விருப்பத்தை மீண்டும் கூற வேண்டிய அவசியமில்லை; கடந்த அமர்வுகளில் இருந்து அந்த சூழலைத் துல்லியமாக மீட்டெடுத்து தானாகவே பயன்படுத்த அமைப்புக்கு இருக்க வேண்டும்.

தொடர்ச்சியான ஏஜென்ட் மேம்பாட்டிற்கு நினைவகமே அடித்தளமாகும். ஒரு பயனுள்ள நினைவக அமைப்பு கட்டமைக்கப்பட்டதாகவும், கண்டறியக்கூடியதாகவும், மாற்றியமைக்கக்கூடியதாகவும் இருக்க வேண்டும், இது ஒவ்வொரு பணவிக்கும் சரியான அகலம் மற்றும் ஆழத்தில் தேட ஏஜென்டுகளுக்கு உதவுகிறது, அதே நேரத்தில் மிகச் சமீபத்திய தகவலில் ஒவ்வொரு முடிவையும் அடிப்படையாகக் கொண்டது.

அறிமுகம்

ஏஜென்டுகளுக்கு பொருத்தமான சூழலை வழங்குவது என்பது பன்முகப் 문제입니다. முதலாவதாக, என்ன இருக்கிறது மற்றும் அதை எவ்வாறு அணுகுவது என்பதை ஏஜென்டுகள் அறிந்திருக்க வேண்டும். இரண்டாவதாக, அவர்கள் ஒரு பயனுள்ள தகவலைக் கண்டால், அது முழுமையானது, துல்லியமானது மற்றும் புதுப்பித்த நிலையில் உள்ளது என்பதை அவர்கள் உறுதியாக நம்ப வேண்டும். ஏஜென்ட் தொடர்புடைய தகவலைக் கண்டறியவும், அது நம்பகமான மூலத்திலிருந்து வருகிறது என்பதைச் சரிபார்க்கவும், மேலும் சமீபத்திய கண்காணிப்புடன் இதைப் புதுப்பிக்க வேண்டிய அவசியமில்லை என்பதை உறுதிப்படுத்தவும் முடியாவிட்டால், தனிமைப்படுத்தப்பட்ட உண்மை வரையறுக்கப்பட்ட மதிப்பைக் கொண்டுள்ளது.

மாதிரி சூழலில் நிலையான நினைவக கோப்புகளை நேரடியாகத் திணிப்பது ஏஜென்டுகளுக்கான அணுகலை அதிகரிக்கிறது, ஆனால் ஒரு கிளாசிக் துல்லிய-நினைவுகூர்தல் வர்த்தகத்தை উপস্থাপন செய்கிறது. அதிகப்படியான தகவல் பெருகிய முறையில் சிறிய பொருத்தமான உருப்படிகளுடன் ஏஜென்ட்டின் சூழல் சாளரத்தை நிரப்பும், அதே நேரத்தில் மிகவும் குறைவானது தொடர்புடைய சூழல் இல்லாததால் பதிலின் தரத்தைக் குறைக்கும். மாறாக, வெளிப்புற தரவுத்தளங்களுக்கு தேவைக்கேற்ப அணுகல் மிகவும் நெகிழ்வானது, ஆனால் வழிசெலுத்துவதற்கான சுமையை ஏஜென்ட் மீது மாற்றுகிறது. வெக்டர் தரவுத்தளங்கள் பெரும்பாலும் துண்டிக்கப்பட்ட துணுக்குகளைச் சேமிக்கின்றன, மேலும் கிராஃப் தரவுத்தளங்களுக்கு ஏஜென்டுகள் எவ்வாறு திறம்பட வினவ வேண்டும் என்பதைத் அறிந்திருக்க வேண்டும்.

சமீபத்தில், நாம் Brain ஐ அறிமுகப்படுத்தினோம், இது Computer இன் நினைவக அமைப்பின் முக்கிய கூறாகும், இது இரு உலகங்களிலும் சிறந்ததை வழங்குகிறது. Brain என்பது நிலையான நினைவக கோப்புகள் மற்றும் சான்றுகளுக்கு மேல் அமர்ந்திருக்கும் கட்டமைக்கப்பட்ட அறிவு விக்கியாகும். மேற்கோள்கள் கூற்றுகளை அவற்றின் மூலங்களுடன் இணைக்கின்றன, மேலும் தொடர்புடைய தகவல்கள் பக்கவாட்டில் இணைக்கப்பட்டுள்ளன. ஒழுங்கமைக்கப்பட்ட விக்கி சூழலைத் தேவைக்கேற்ப வழிநடத்தக்கூடியதாக ஆக்குகிறது, அதே நேரத்தில் விரிவான ஆர்ட்டிஃபேக்ட்கள் அதற்கு கீழே உள்ள அடுக்கில் தக்கவைக்கப்படுகின்றன.

செயற்கை ஆளுமையை அடிப்படையாகக் கொண்ட ஒரு மாதிரி Brain.

Brain மூன்று முக்கிய கூறுகளைக் கொண்ட விரிவான நினைவக அமைப்புடன் இணைக்கிறது: நீடித்த நினைவக சேமிப்பு, வினவல்களுக்கு பதிலளிக்க நினைவகத்தைப் பயன்படுத்தும் முன்னணி ஏஜென்டுகள் மற்றும் நினைவகத்தைப் புதுப்பித்து மேம்படுத்தும் பின்னணி ஏஜென்டுகள். பின்வரும் படம் Brain இன் ஒட்டுமொத்த அமைப்பு கட்டமைப்பினுள் அமைந்துள்ள இந்தக் கூறுகளைச் சித்தரிக்கிறது.

நினைவக அமைப்பில் பகிரப்பட்ட நீடித்த நினைவகம், நினைவகத்தைப் பயன்படுத்தும் முன்னணி ஏஜென்டுகள் மற்றும் நினைவகத்தைப் புதுப்பிக்கும் பின்னணி ஏஜென்டுகள் உள்ளன.

இந்தக் கட்டுரையில், ஒவ்வொரு அடுக்கையும் ஆழமாக விவரிக்கிறோம், Brain நினைவகத்தை எவ்வாறு ஒழுங்கமைக்கிறது, ஏஜென்டுகள் அதை எவ்வாறு பயன்படுத்துகிறார்கள் மற்றும் பின்னணி செயல்முறைகள் அதை எவ்வாறு புதுப்பித்த நிலையில் வைத்திருக்கின்றன என்பதை விளக்குகிறோம். Brain இன் வடிவமைப்பைச் சரிபார்க்கும் உள் மதிப்பீடுகளின் முடிவுகளையும் நாங்கள் முன்வைக்கிறோம், இது குறைந்த விலையில் ஏஜென்ட் செயல்திறனை மேம்படுத்துகிறது என்பதை நிரூபிக்கிறது.

நினைவக அமைப்பு மற்றும் சேமிப்பு

ஒவ்வொரு சூழலையும் ப்ராம்ப்ட்டில் கட்டாயப்படுத்தாமல், பயனரின் முழு வரலாற்றுக்கும் அளவிடக்கூடிய பிரதிநிதித்துவம் நினைவகத்திற்குத் தேவையாகும். Computer இன் நினைவக அமைப்பு தொடர்ச்சியான சூழலை ஒரு கோப்பு முறைமையாகக் பிரதிநிதித்துவப்படுத்துகிறது. Brain மூல மூலங்கள் முழுவதும் அறிவை ஒருங்கிணைக்கிறது, தொடர்புடைய பாடங்களை இணைக்கிறது மற்றும் கூற்றுகளை அவற்றை ஆதரிக்கும் அமர்வுகள் மற்றும் கோப்புகளுடன் இணைக்கிறது. கீழே விவரிக்கப்பட்டுள்ள இந்த அமைப்பு, ஏஜென்டுகளுக்கு மிகவும் பொருத்தமான வடிவத்தில் நினைவகத்தை ஒழுங்கமைக்க அனுமதிக்கிறது.

கோப்பு முறைமை அடிப்படையிலான நினைவகம்

Computer அமர்வுகள் ஏற்கனவே கோப்பு முறைமை, ஷெல் மற்றும் I/O பயன்பாடுகளுடன் கூடிய சாண்ட்பாக்ஸில் வாழ்கின்றன. Brain ஐ வடிவமைக்கும் போது, மாதிரி மற்றும் ஏஜென்ட் நினைவகத்திற்கு இடையேயான இடைமுகத்தில் முடிந்தவரை புதிய இயந்திரங்களை அறிமுகப்படுத்த விரும்பினோம். அதனால்தான் கோப்பு முறைமை-சொந்த சூழல் அடுக்கின் மேல் Brain ஐ உருவாக்கினோம். நினைவகம் memory/ அடைவு கீழ் சாண்ட்பாக்ஸில் கோப்புகளாக மெட்டீரியல் செய்யப்படுகிறது, மேலும் ஏஜென்ட் மற்ற எல்லாவற்றிலும் ஏற்கனவே பயன்படுத்தும் அதே கருவிகளை நினைவக கோப்புகளிலும் எளிதாகப் பயன்படுத்துகிறது.

நினைவக மரத்தின் வேரில் சுருக்கத்தின் பல்வேறு நிலைகளில் சூழலைப் பராமரிக்கும் மூன்று உயர்மட்ட அடைவுகள் உள்ளன. knowledge/ என்பது Brain ஆகும், இது நிறுவனங்கள், கருத்துகள், செயலில் உள்ள திட்டங்கள் மற்றும் கடந்த கால கற்றல்களை இணைக்கும் ஒருங்கிணைக்கப்பட்ட அறிவு விக்கியாகும்; notes/ தலைப்பு வாரியான கோப்புறைகளாக ஒழுங்கமைக்கப்பட்ட வடிகட்டப்பட்ட துணுக்குகளைக் கொண்டுள்ளது; மற்றும் sessions/ குறியீடுகள், சுருக்கங்கள் மற்றும் முழு டிரான்ஸ்கிரிப்ட்களை மூல வரலாற்றாக வைத்திருக்கிறது. கீழே உள்ள படம் தளவமைப்பின் எளிய பார்வையைக் காட்டுகிறது.

நினைவக கோப்பு முறைமை தளவமைப்பின் மாதிரி பார்வை.

மேற்பரப்புகள் வேண்டுமென்றே தேவையற்றவை. எளிய, ஒற்றை-ஹாப் கேள்விகளுக்கு, ஒரு முக்கிய வார்த்தைக்காக /notes க்குள் துணுக்குகளைத் தேடுவது பெரும்பாலும் போதுமானது, அதே நேரத்தில் /knowledge அடுக்கு வாரங்கள் அல்லது மாதங்கள் கணக்கில் Computer அமர்வுகள் முழுவதும் சான்றுகளைத் தைக்க வேண்டிய கேள்விகளுக்கு மிகவும் பயனுள்ளதாக இருக்கும்.

Brain: அறிவு விக்கி

Brain ஆனது LLM விக்கி வடிவத்தில் வடிவமைக்கப்பட்டுள்ளது, இது இணைக்கப்பட்ட மார்க்டவுன் கோப்புகளின் அமைப்பாகும். இந்த லேசாக கட்டமைக்கப்பட்ட மார்க்டவுன் வடிவம் ஏற்கனவே உள்ள சூழலின் முழுமையான பார்வையை வழங்குகிறது, இதனால் என்ன பதிவுகள் உள்ளன, அவை எவ்வாறு தொடர்புபடுகின்றன மற்றும் எங்கு கண்டுபிடிப்பது என்பதை ஏஜென்டுகள் எளிதாகப் புரிந்து கொள்ள முடியும். ஒவ்வொரு பக்கமும் ஒரு பாடத்தின் பராமரிக்கப்படும் காட்சியாகும்; இணைப்புகள் மூலம் மேலும் ஆய்வுகளை எளிதாக்கும் அதே வேளையில், தனியாகப் படிக்கப்படும்போது அது பயனுள்ளதாக இருக்கும்.

இணைப்புகள் இரண்டு வகைகளில் வருகின்றன. [[wikilinks]] சூழல் விளிம்புகள் ஆகும். அவை பக்கங்களை பக்கவாட்டில் இணைக்கின்றன; ஒரு திட்டம் அதன் உரிமையாளர், அதன் வாடிக்கையாளர் அல்லது அது சார்ந்து இருக்கும் கருத்துகளுடன் இணைக்கப்படலாம். அவற்றைப் பின்பற்றுவது "நான் வேறு என்ன தெரிந்து கொள்ள வேண்டும்?" என்பதற்கு பதிலளிக்கிறது. [cite:N] குறிப்புகள் சான்று விளிம்புகள் ஆகும். அவை கூற்றுகளை அவற்றை ஆதரிக்கும் மூல அமர்வுகள் அல்லது இணைப்பான் மூலங்களுடன் கீழ்நோக்கி இணைக்கின்றன. அவற்றைப் பின்பற்றுவது "இது உண்மை என்று எனக்கு எப்படித் தெரியும்?" என்பதற்கு பதிலளிக்கிறது.

நாடியா என்ற அணுகல் ஆராய்ச்சியாளரான செயற்கை ஆளுமைக்கு Brain இன் ஒரு பகுதி எப்படி இருக்கும் என்பதை கீழே உள்ள படங்கள் சித்தரிக்கின்றன. அவளது Brain ஒரு மாதிரி திட்டம் பற்றிய பக்கம், ஜப்பானில் ஒரு உலகளாவிய வடிவமைப்பு ஸ்பிரிண்ட், அமர்வுகள் மற்றும் இணைப்பான்களிலிருந்து அறிவை ஒருங்கிணைக்கிறது. வரைபடக் காட்சி பக்கத்தில் உள்ள சூழல் மற்றும் சான்று விளிம்புகள் எவ்வாறு தொடர்புடைய நிறுவனங்கள் மற்றும் மூலங்களை இணைக்கின்றன என்பதை நிரூபிக்கிறது.

Brain என்பது மார்க்டவுன் கோப்புகளின் அமைப்பாகும்.
பதிக்கப்பட்ட சூழல் மற்றும் சான்று விளிம்புகள் எளிதான வழிசெலுத்தலுக்கான வரைபட அமைப்பை உருவாக்குகின்றன.

Brain ஆனது பதிப்பு வரலாற்றைப் பாதுகாக்க Git-ஆதரவு கொண்டது, இது தொடர்ந்து வளர்ந்து வரும் அதன் தன்மையை ஆதரிக்கிறது. காலப்போக்கில் பக்கங்களைத் திருத்தலாம், அதே நேரத்தில் சேஞ்ச்லாக்குகள் முக்கிய புதுப்பிப்புகளைப் பதிவுசெய்கின்றன மற்றும் கடந்த கால பதிப்புகள் மற்றும் டிஃப்களை எளிதாக ஆய்வு செய்ய ஏஜென்ட்களை அனுமதிக்கின்றன. இது ஏஜென்டிக் ஒருங்கிணைப்பையும் ஆதரிக்கிறது, இது பல ஏஜென்டுகள் ஒரே நேரத்தில் Brain ஐப் பயன்படுத்தலாம் மற்றும் புதுப்பிக்கலாம் என்பதால் முக்கியமானது.

Brain ஐப் பயன்படுத்துதல்

ஒரு பயனர் வினவலுக்கு பதிலளிக்கும்போது, ஏஜென்ட்கள் சரியான மட்டத்தில் சரியான சூழலைக் கண்டறியக்கூடியதாக இருக்க வேண்டும். Brain-இன் அமைப்பு ஏஜென்ட்களுக்கு நினைவகத்தை ஆராய்வதை எளிதாக்குகிறது. ஏஜென்ட்கள், தொடர்புடைய தகவலைக் கண்டறிய சூழல் இணைப்புகளைப் பின்தொடர்வது, கூற்றுகளைச் சரிபார்க்க ஆதார இணைப்புகளைப் பின்தொடர்வது, அல்லது கூடுதல் சூழலைப் பெற்று ஒருங்கிணைக்க ஒரு துணை ஏஜென்டை அழைப்பது போன்ற செயல்படுத்தக்கூடிய படிகளுக்கிடையில் தேர்வு செய்யலாம். தொடர்புடைய தகவலுக்கான ஏஜென்ட்களின் அணுகல் எளிமையை அதிகபட்சமாக்கும் நோக்கில், ஏஜென்டிகான ஆராய்ச்சி செயல்முறையை பல வழிகளில் நாம் வழிநடத்துகிறோம்.

ஆய்வு உத்தி

ஆரம்ப பயனர் செய்தியில் Brain இன் கச்சிதமான குறியீட்டை நாங்கள் சேர்த்துள்ளோம், எனவே ஏற்கனவே என்ன இருக்கிறது என்ற வேலை அறிவுடன் ஏஜென்ட் தொடங்குகிறது. ஏஜென்ட் பின்னர் பரிச்சயமான செயல்பாடுகளைப் பயன்படுத்தி Brain உடன் தொடர்பு கொள்கிறது: குறியீட்டால் குறிப்பிடப்பட்ட குறிப்பிட்ட உருப்படிகளைப் படிப்பது, பக்கங்கள் முழுவதும் தேட grep ஐப் பயன்படுத்துவது, இணைப்புகளைப் பின்பற்றுவது மற்றும் மேற்கோள்களை ஆய்வு செய்வது, Git திருத்தங்களை ஒப்பிடுவது மற்றும் அமர்வுகள் அல்லது மூல பாதைகளில் இறங்குவது. கீழே உள்ள குறியீடு தொகுதி ஒரு செயற்கை ஆளுமைக்கான மாதிரி கட்டளைகளைச் சித்தரிக்கிறது.

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"

நிலையான பைப்லைனுக்குப் பதிலாக சுய-இயக்கப்பட்ட லூப் மூலம் ஏஜென்டுகள் இந்த சூழலை ஆராய்கின்றன. எனவே, கண்டறியப்பட்ட சூழலில் அது திருப்தி அடையும் வரை ஏஜென்ட் தொடர்ந்து தேடலாம். விவரங்களைக் கண்டறிய அல்லது சரிபார்க்க மேற்கோள்கள் மற்றும் சான்றுகளை எப்போது ஆய்வு செய்ய வேண்டும் என்பதையும் ஏஜென்ட் தேர்வு செய்யலாம். விருப்பத்தின் சிறிய விஷயம் நேரடியாக ஒற்றை Brain பக்கத்திலிருந்து ஏற்றுக்கொள்ளப்படலாம், அதே நேரத்தில் ஒரு முக்கியமான முடிவு அல்லது மூலங்களுக்கு இடையிலான மோதல் மேற்கோளைப் பின்பற்றுவதையும் அசல் பதிப்பைப் படிப்பதையும் நியாயப்படுத்தலாம். வரைபட அடிப்படையிலான அமைப்பு ஏஜென்ட்டை தொடர்புடைய தகவலுக்கு இலக்கின்றி தேடுவதற்குப் பதிலாக உறுதியான அடுத்த படிகளுக்கு இடையில் தேர்வு செய்ய அனுமதிக்கிறது.

பணிக்குத் தேவையான சூழல் போதுமானது என்று திருப்தி அடையும் வரை, ஏஜென்ட் Brain இணைப்புகளை புதிய Brain பக்கங்கள் அல்லது சான்று மூலங்களுக்குப் பின்தொடரலாம்.

கோப்பு மெட்டீரியலைசேஷன்

ஏஜென்டிக் ஆய்வு வேலை செய்ய, ஏஜென்ட்டுக்கு சாண்ட்பாக்ஸ் கோப்பு முறைமை மூலம் முழு memory/ மரத்திற்கான அணுகல் இருக்க வேண்டும். சாண்ட்பாக்ஸ் துவக்கப்படும் ஒவ்வொரு முறையும் முழு மரத்தையும் உள்ளூரில் நகலெடுப்பது விலையுயர்ந்தது மற்றும் தேவையற்றது, ஏனெனில் ஏஜென்ட் அந்த கோப்புகளில் பெரும்பகுதியைத் தொடாது. மற்றொரு விருப்பம் தொலைநிலை கோப்பு முறைமையைப் பயன்படுத்துவதாகும், எனவே ஏஜென்டுகள் எந்தக் கோப்பையும் உள்ளூரில் நகலெடுக்காமல் அணுகலாம். இருப்பினும், ஏஜென்டுகள் பெரும்பாலும் ஒரே கட்டளையில் ஆயிரக்கணக்கான கோப்பு முறைமை செயல்பாடுகளைச் செய்கின்றன; ஒவ்வொன்றும் நெட்வொர்க் கோரிக்கையாக மாறினால், சுற்று-பயணச் செலவு ஆய்வுச் சுழற்சியில் ஆதிக்கம் செலுத்தத் தொடங்குகிறது. உள் சோதனைகளில், தொலைநிலை FUSE-ஆதரவு பாதையில் எளிய grep பணிச்சுமைகள் உள்ளூர் கோப்புகளை விட சமமான செயல்பாடுகளை விட தோராயமாக 400 முதல் 500 மடங்கு மெதுவாக இருந்தன.

இதற்குப் பதிலாக, பெரிய கார்பஸ் நினைவக மீட்டெடுப்பு அமைப்பின் பின்னால் இருக்கும்போது, மெட்டீரியல் செய்யப்பட்ட கோப்புகளின் உள்ளூர் வேலை செய்யும் தொகுப்பை உருவாக்குகிறோம். Computer அது துவங்கும் போது சாண்ட்பாக்ஸில் ஒரு ஆரம்ப வரைபடத்தை (சமீபத்திய நினைவுகள், அமர்வுகள், சுருக்கங்கள் மற்றும் கிடைக்கக்கூடிய அறிவிலிருந்து எடுக்கப்பட்டது) ப்ரீலோட் செய்கிறது. Computer ஏஜென்டுகளுக்கு மெமரி ஏஜென்ட்டுக்கான அணுகல் உள்ளது, இது சொற்பொருள் தேடலைச் செய்து புதிய கோப்புகளின் தொகுப்பை ஏற்றக்கூடிய துணை ஏஜென்ட் ஆகும். தேவையான சூழல் இல்லாதபோது, ​​தேவையான தகவலின் விளக்கத்துடன் Computer மெமரி ஏஜென்ட்டை அழைக்கலாம். மெமரி ஏஜென்ட் கோப்புகள் முழுவதும் தேடுகிறது, உடனடி உரை ஒருங்கிணைப்பைத் திருப்பித் தருகிறது மற்றும் ஆதரவு பதிவுகளை நினைவக மரத்தின் கீழ் கோப்புகளாக மெட்டீரியல் செய்கிறது. இந்த வழியில், பணிபுரியும் தொகுப்பு காலப்போக்கில் இயற்கையாகவும் படிப்படியாகவும் விரிவடைகிறது, ஏற்கனவே இருக்கும் சான்றுகளுக்கான நிலையான பாதைகள் மற்றும் மூல உறவுகளைப் பாதுகாக்கிறது.

அமர்வு ப்ரீலோட் மற்றும் நினைவக ஏஜென்ட்டின் சொற்பொருள் மீட்டெடுப்பு ஆகியவை ஏஜென்ட்டுக்கு மிகவும் தேவைப்படும் கோப்புகளின் ஆரம்ப வரைபடத்தை ஏற்றுகின்றன.

இந்த வடிவமைப்பு தாமதத் தடைக்கு தெளிவாக தீர்வு காணுகிறது. தொடர்புடைய கோப்புகளை உள்ளூரில் சேமிப்பது ஆய்வு செய்வதற்குத் தேவையான கோப்பு முறைமை செயல்பாடுகள் வேகமாக இருப்பதை உறுதி செய்கிறது, மேலும் தொகுக்கப்பட்ட மீட்டெடுப்பு ஒவ்வொரு கோப்பிற்கும் தனித்தனி அழைப்புகள் தேவையில்லாமல் அல்லது அதிக எண்ணிக்கையிலான பொருத்தமற்ற கோப்புகளை ஏற்றாமல் மெட்டீரியல் செய்யப்பட்ட கோப்புகளின் குளத்தை வளர அனுமதிக்கிறது. நெஸ்டெட்-ஏஜென்ட் வடிவமைப்பு Computerக்கு ஏஜென்டிக் மீட்டெடுப்பின் நன்மைகளையும் வழங்குகிறது, இதன் மூலம் முக்கிய ஏஜென்ட் ஒவ்வொரு முறையும் முழு பிக்செண்ட் கார்ப்பஸையும் நேரடியாகத் தேட வேண்டிய அவசியமில்லை, மிக உயர்ந்த மதிப்பு தகவலுக்காக அதன் சொந்த சூழல் சாளரத்தைப் பாதுகாக்கிறது.

Brain ஐப் பராமரித்தல்

பயனர்கள் தாங்கள் செய்யும் வேலை மற்றும் அவர்கள் செய்யும் உரையாடல்களிலிருந்து தொடர்ந்து கற்றுக் கொள்கிறார்கள், எனவே ஏஜென்டிக் நினைவகமும் அதையே செய்ய வேண்டும். Brain பயனுள்ளதாக இருக்க, அது மிக முக்கியமான அறிவின் சுருக்கமான பிரதிநிதித்துவமாக இருக்க வேண்டும். முக்கியமான புதிய நிறுவனங்களுக்கு புதிய பக்கங்கள் உருவாக்கப்பட வேண்டும், தொடர்புடைய Brain பக்கங்களில் புதிய தகவல்கள் சேர்க்கப்பட வேண்டும், மற்றும் காலாவதியான சூழல் பருவகாலமாக அகற்றப்பட வேண்டும். எடுத்துக்காட்டாக, பயனரின் வேலை மாறினால், Brain அந்த மாற்றத்தைப் பிரதிபலிக்க வேண்டும்; இது பயனரின் புதிய வேலையைக் கொண்டிருக்க வேண்டும் மற்றும் அவர்களின் புதிய பொறுப்புகள் மற்றும் திட்டங்கள் தொடர்பான தகவல்களுக்கு முன்னுரிமை அளிக்க வேண்டும்.

Dream என்று நாங்கள் அழைக்கும் பின்னணி ஏஜென்டுகளால் Brain பராமரிக்கப்படுகிறது. Dream ஏஜென்டுகள் கோப்பு அடிப்படையிலான நினைவகத்தின் மேல் ஆஃப்லைனில் இயங்குகின்றன, புதிய தகவல்களை Brain புதுப்பிப்புகளாக ஒருங்கிணைக்கின்றன. Brain புதுப்பிப்புகள் சீரானதாகவும் துல்லியமாகவும் இருப்பதை உறுதி செய்வதற்கான Dream-குறிப்பிட்ட பாதுகாப்புகளுடன் சேர்ந்து, இந்த பணியை திறம்படச் செய்ய Dream ஏஜென்டுகளின் நோக்கம் மற்றும் நடத்தை ஆகியவற்றை நாங்கள் கவனமாக வரையறுத்துள்ளோம்.

Dream: நினைவக செம்மைப்படுத்தலுக்கான பின்னணி ஏஜென்டுகள்

ஊடாடும் Computer அமர்வு அணுகக்கூடிய அதே கோப்பு முறைமை மற்றும் படிக்க மட்டும் கருவிகளுக்கான அணுகலுடன் சாண்ட்பாக்ஸ்களில் Dream ஏஜென்டுகள் இயங்குகின்றன, ஆனால் எதிர்கால அமர்வுகளுக்கான சூழலை மேம்படுத்துவதே அவற்றின் ஒரே குறிக்கோள் ஆகும். பயனரின் சூழலை புதிதாக உருவாக்குவதற்குப் பதிலாக, முந்தைய ஓட்டங்களால் உருவாக்கப்பட்ட Brain இல் ஒவ்வொரு ஓட்டமும் தொடங்குகிறது. இது தற்போதைய Brain ஐப் பயன்படுத்தி தன்னை நிலைநிறுத்திக் கொள்கிறது மற்றும் எதிர்கால ஓட்டங்கள் பயன்படுத்த புதுப்பிக்கப்பட்ட Brain ஐ உருவாக்குகிறது.

Brain ஐப் புதுப்பிக்க Dream ஏஜென்டுகள் பின்னணியில் வேலை செய்கின்றன, இது சுய-மேம்பாட்டு லூப்பை உருவாக்குகிறது.

ஒரு Dream ஏஜென்ட் ஒரு சூழலைப் பெற்று, ஒற்றை அறிவுறுத்தலில் தட்டையான நிலையான உள்ளீட்டைப் பெறுவதற்குப் பதிலாக அதை எவ்வாறு ஆராய்வது என்பதைத் தீர்மானிக்கிறது. இது கோப்பு அடிப்படையிலான நினைவகத்தை வழிநடத்தலாம், ஒரு துண்டு அறிவைச் சரிபார்க்க அங்கீகரிக்கப்பட்ட படிக்க மட்டும் இணைப்பான் கருவிகளைப் பயன்படுத்தலாம், மேலும் நினைவக ஏஜென்ட் உட்பட பணியின் கட்டுப்படுத்தப்பட்ட பகுதிகளை துணை ஏஜென்டுகளுக்கு டெலிகேட் செய்யலாம். Dream ஏஜென்ட்டின் நோக்கம் மற்றும் பொறுப்புகள் Skill ஆக குறிப்பிடப்படுகின்றன.

பொதுவாக, ஒரு Dream இயக்கம் 4 கட்டங்களைக் கொண்டுள்ளது:

  1. திசைதிருப்பல்: ஏஜென்ட் ஒரு வரிசைப்படுத்தப்பட்ட திசைதிருப்பல் செயல்முறையை முடிக்கிறது. இது அதிகாரப்பூர்வ நோக்கம், நிலுவையில் உள்ள அறிவுறுத்தல்கள், நீக்குதல் பதிவு, கூடுதல் உள்ளீடுகள் மற்றும் நிறுத்தும் நிபந்தனைகளை அடையாளம் காட்டுகிறது.
  2. அமர்வுகளைச் சுருக்கவும்: கடைசியாகப் புதுப்பிக்கப்பட்டதிலிருந்து புதியதாக உள்ள (அல்லது புதிய திருப்பங்களைக் கொண்ட) ஒவ்வொரு அமர்வுக்கும், ஏஜென்ட் அமர்வின் குறுகிய சுருக்கத்தை எழுதி (அல்லது புதுப்பிக்கிறது).
  3. விஷயங்களுடன் உண்மைகளை இணைக்கவும்: ஏஜென்ட் தான் பொருத்தமானதாகக் கருதும் ஒவ்வொரு கண்காணிப்பையும் அதன் முறையான முகப்புடன் சேர்க்கிறது, இது பொதுவாக விக்கி பக்கமாகும். இது கிடைக்கும்போது அங்கீகரிக்கப்பட்ட இணைப்பான்களை சோதித்து வினவுகிறது.
  4. அறிவு விக்கியைப் புதுப்பிக்கவும்: ஏஜென்ட் அதன் கண்டுபிடிப்புகளின் அடிப்படையில் விக்கியைப் புதுப்பிக்கிறது. இது நீடித்த பாடங்களுக்கு புதிய பக்கங்களை உருவாக்கலாம், தற்போதைய ஒருங்கிணைப்பு மாறியிருக்கும் போது பக்கங்களை திருத்தலாம் அல்லது உண்மைக்கு முரணான கூற்றை ஆதரிக்கும் புதிய இணைப்புகள் அல்லது மேற்கோள்களைச் சேர்க்கலாம். தற்போதைய வரைபடம் ஏற்கனவே சரியாக இருக்கும் போது எந்த மாற்றமும் செய்யாமல் இருக்கவும் இது தேர்வு செய்யலாம்.

Brain இல் ஏதேனும் புதுப்பிப்புகள் முழுமையானதாகவும் சீரானதாகவும் இருப்பதை உறுதிசெய்ய, ஏஜென்டுகள் முன்மொழியப்பட்ட நிலையை ஒரு நிலைப்படுத்தப்பட்ட வெளியீட்டு மரத்தில் எழுதுகின்றன. ஏஜென்ட் தான் அவசியமாகக் கருதும் அனைத்துப் புதுப்பிப்புகளையும் செய்யும் வரை நிரந்தர மாற்றங்கள் எதுவும் செய்யப்படுவதில்லை. அந்த முடிவுகளை ஒரே ஏஜென்டிக் செயல்பாட்டில் ஒருங்கிணைப்பது தொடர்புடையவற்றில்லாத பக்கங்களாக இல்லாமல் வரைபடத்தை முழுவதுமாகப் புதுப்பிக்க சாத்தியமாக்குகிறது.

Dream ஏஜென்டுகள் ஏற்கனவே உள்ள Brain மற்றும் புதிய தகவலைப் பயன்படுத்தி புதுப்பிப்புகளை முன்மொழிந்து எழுதுகின்றன.

எந்தவொரு மாற்றமும் இரண்டு வகையான சரிபார்ப்பு சோதனைகளில் தேர்ச்சி பெற வேண்டும். உறுதியான சரிபார்ப்பு சோதனைகள் பக்கங்கள் நன்கு வடிவமைக்கப்பட்டுள்ளதா மற்றும் தேவையான முன்பக்க பொருள் மற்றும் மேற்கோள் வடிவம் போன்ற புற அளவுகோல்களை பூர்த்தி செய்வதை உறுதி செய்கின்றன. சொற்பொருள் சரிபார்ப்பு சோதனைகள் முன்மொழியப்பட்ட ஒருங்கிணைப்பு சேகரிக்கப்பட்ட சான்றுகளால் ஆதரிக்கப்படுவதையும் மீதமுள்ள வரைபடத்துடன் ஒத்துப்போவதையும் உறுதி செய்கின்றன. ஏஜென்ட் வெற்றிகரமாக முடிந்ததும், கட்டுப்படுத்தப்பட்ட ஒத்திசைவு படிநிலை நிலைப்படுத்தப்பட்ட வெளியீட்டை முந்தைய நிலையுடன் ஒப்பிட்டு, களஞ்சியத்தில் மாற்றங்களைப் பயன்படுத்துகிறது. ஒத்திசைவு படி முடிந்ததும், திருத்தங்களின் இறுதி தொகுப்பை Git பதிப்பு வரலாறு மூலம் ஆய்வு செய்யலாம்.

Brain ஐச் சரிபார்த்தல்

பயனுள்ள நினைவக அமைப்பு தொடர்புடைய சான்றுகளைப் பாதுகாக்க வேண்டும், தேவைப்படும்போது அவற்றை வெளிக்கொணர வேண்டும், மேலும் அந்தச் சான்றுகளை சரியான பதிலாகவும் மாற்ற ஏஜென்ட்டுக்கு உதவ வேண்டும். எனவே நாங்கள் பல நிலைகளில் Brain ஐ மதிப்பீடு செய்கிறோம்: கட்டுப்படுத்தப்பட்ட ஆஃப்லைன் அப்லேஷன்கள், தொடர்ச்சியான இணைக்கப்பட்ட ரீப்ளே மற்றும் சீரற்ற உற்பத்தி பரிசோதனைகள்.

ஆஃப்லைன் மதிப்பீடுகள்

எங்களது முதன்மை ஆஃப்லைன் மதிப்பீடு 44 செயற்கை ஆளுமைகளில் 640 கேள்விகளைக் கொண்ட உள் தரவுத்தொகுப்பைப் பயன்படுத்துகிறது. ஆளுமைகள் அமர்வு கேடன்ஸ், டர்ன் கவுண்ட், தலைப்பு கலவை மற்றும் உண்மை அடர்த்தி ஆகியவற்றில் உற்பத்தி-பெறப்பட்ட வடிவங்களை மீண்டும் உருவாக்குகின்றன, அதே நேரத்தில் பயனர் தனியுரிமையைப் பாதுகாக்க உற்பத்தி வினவல் உரையை வைத்திருக்கவில்லை. நினைவகப் பிரித்தெடுத்தல், உரையாடல் சுருக்கங்கள் மற்றும் அறிவு விக்கியின் Dream கம்பைலேஷன் உள்ளிட்ட தயாரிப்பு நினைவக பைப்லைன் மூலம் ஒவ்வொரு கணக்கிற்கும் மக்கள் தொகை நிரப்பப்படுகிறது. ஒவ்வொரு கேள்விக்கும், சரியான பதில் கணக்கின் வரலாறில் இருக்கும் குறிப்பிட்ட சான்றுகளுடன் இயந்திரத்தனமாக இணைக்கப்பட்டுள்ளது.

எடுத்துக்காட்டாக, முன்பு அறிமுகப்படுத்தப்பட்ட அணுகல் ஆராய்ச்சியாளர் செயற்கை ஆளுமையான நாடியாவுக்கு, தரவுத்தொகுப்பில் "கியோட்டோ மற்றும் செண்டாயில் நான் எந்த அமைப்புகளைச் சந்திக்கிறேன்?" என்ற கேள்வி உள்ளது. பதில் (கியோட்டோவில் சோரா சிட்டி லேப் மற்றும் செண்டாயில் சஃபீர் மொபிலிட்டி கூப்) தொடர்புடைய விக்கி பக்கத்தில் நேரடியாகத் தோன்றும்.

தொகுக்கப்பட்ட அறிவு விக்கி இயக்கப்பட்ட மற்றும் முடக்கப்பட்ட அதே கேள்விகள் மற்றும் கணக்குகளை நாங்கள் ஒப்பிடுகிறோம். இரண்டு நிபந்தனைகளிலும் பிற நினைவக மேற்பரப்புகள் தொடர்ந்து கிடைக்கின்றன. இது நினைவகம் இல்லாதவற்றுடன் நினைவகத்தை ஒப்பிடுவதைக் காட்டிலும், Brain இன் அதிகரிக்கும் பங்களிப்பை தனிமைப்படுத்துகிறது. ஒட்டுமொத்தமாக, Brain பதிலின் துல்லியத்தை 0.600 இலிருந்து 0.661 ஆக உயர்த்தியது, இது 6.1 சதவீத புள்ளிகள் அதிகரிப்பாகும், மேலும் சான்றுகளை நினைவுபடுத்துவதை 0.573 இலிருந்து 0.625 ஆக உயர்த்தியது, இது 5.2 சதவீத புள்ளிகள் அதிகரிப்பாகும். விருப்பத்தேர்வுகள் (+10.2 pp), தற்காலிக பகுத்தறிவு (+8.6 pp), மற்றும் முந்தைய செயல்பாட்டிலிருந்து விவரங்களைப் பிரித்தெடுத்தல் (+9 pp) பற்றிய கேள்விகளுக்கு இந்த விளைவு மிகப்பெரியதாக இருந்தது. 84% கேள்விகளில், ஏஜென்ட் தங்கச் சான்றுடன் பிணைக்கப்பட்ட மூலத்தை சரிபார்க்கத்தக்க வகையில் தொட்டது.

Brain எங்கள் உள் பெஞ்ச்மார்க்கில் செயல்திறனை மேம்படுத்துகிறது.

இரண்டு பொதுப் பெஞ்ச்மார்க்குகளின் துணைக்குழுக்களிலும் பொருந்தக்கூடிய Brain அப்லேஷன்களை இயக்கினோம். LoCoMo இல், விக்கியை அகற்றுவது பதிலை சரா olly ஆக 4.6 சதவீத புள்ளிகள் குறைத்தது, வெவ்வேறு மாதிரிகளுடன் மூன்று ஓட்டங்களுக்கு மேல். LongMemEval-S இல் இது புள்ளிவிவர ரீதியாக குறிப்பிடத்தக்க மாற்றத்தை ஏற்படுத்தவில்லை. இந்த முடிவு Brain இன் உத்தேசிக்கப்பட்ட பாத்திரத்துடன் ஒத்துப்போகிறது. LongMemEval-S முதன்மையாக தனிப்பட்ட அமர்வுகளில் இருந்து உண்மைகளை மீட்டெடுப்பதை சோதிக்கிறது, அங்கு அடிப்படை டிரான்ஸ்கிரிப்டுகள் பதிலுக்கு தேவையற்ற பாதையை வழங்குகின்றன. LoCoMo உரையாடல்கள், பேச்சாளர்கள் மற்றும் தேதிகள் முழுவதும் சிதறிக்கிடக்கும் சான்றுகளுக்கு அதிக முக்கியத்துவம் அளிக்கிறது, விக்கியின் குறுக்கு-அமர்வு ஒருங்கிணைப்பு பங்களிக்க அதிக வாய்ப்பை உருவாக்குகிறது.

ஒட்டுமொத்தமாக, Brain இயக்கப்பட்ட நிலையில், உற்பத்தி ஏஜென்ட் LongMemEval-S இல் 0.91 பதிலின் துல்லியத்தையும் LoCoMo இல் 0.83 ஐயும் அடைந்தது. இந்த சோதனைகள் பெஞ்ச்மார்க் துணைக்குழுக்களைப் பயன்படுத்தியதால், அவை உறுதியான பெஞ்ச்மார்க் முடிவுகள் அல்ல. இருப்பினும், உரையாடல்கள் முழுவதும் சான்றுகள் ஒருங்கிணைக்கப்பட வேண்டும் போது, விக்கி செயல்திறனை மேம்படுத்துகிறது என்பதற்கு அப்லேஷன்கள் இன்னும் வலுவான சமிக்ஞையை வழங்குகின்றன. Brain என்பது உகந்ததாக்கப்பட்ட, பெஞ்ச்மார்க்-குறிப்பிட்ட மீட்டெடுப்பு அமைப்புக்கு பதிலாக Computer இன் ஒரு பகுதியாக இருப்பதால், உற்பத்தி பணிப்பாய்வுகளை மிகவும் ஒத்திருக்கும் பணிகளுடன் போட்டித்தன்மை மட்டுமே அதிகரிக்கும் என்று நாங்கள் நம்புகிறோம்.

ஆன்லைன் மதிப்பீடுகள்

ஆஃப்லைன் தரவுத்தொகுப்புகள், உண்மையான பயனர் வரலாறுகளின் ஒவ்வொரு அம்சத்தையும் பிடிக்க முடியாது; அதனால், புதிய உற்பத்தி-மூலக் குழுக்கள்மீது தினசரி ஜோடி மதிப்பீட்டையும் இயக்குகிறோம். Brain இயக்கப்பட்டும் முடக்கப்பட்டும் உள்ள பொருந்திய பயனர் நிலையுடன் ஒரே நிரந்தர கேள்விகளுக்குப் பதில் அளிக்கப்படுகிறது; பின்னர் துல்லியம், தற்போதைய நிலை, மற்றும் மீள்குறிப்பு ஆகியவற்றுக்காக மதிப்பிடப்படுகிறது.

ஜூன் 18 அன்று அறிவிக்கப்பட்ட பூர்வாங்க முடிவுகள் Brain பதிலின் துல்லியத்தை 25% மற்றும் நினைவுகூர்தலை 16% அதிகரிக்கிறது என்பதை நிரூபித்தது. இந்த செயல்திறன் லாபங்கள் தொடர்ந்து தக்கவைக்கப்பட்டுள்ளன; கடந்த 30 நாட்களில், Brain-இயக்கப்பட்ட அமர்வுகள் ஒவ்வொரு ஓட்டத்திலும் மற்றும் ஒவ்வொரு தீர்ப்பளிக்கப்பட்ட பரிமாணத்திலும் கட்டுப்பாட்டை விட சிறப்பாக செயல்பட்டன. முழுமையான அடிப்படையில், Computer பயனர்கள் துல்லியத்தில் 9.3 புள்ளிகள், தற்போதைய தன்மையில் 8.0 புள்ளிகள் மற்றும் நினைவுகூர்தலில் 8.9 புள்ளிகள் மேம்பாடுகளை அனுபவித்தனர். Brain-இயக்கப்பட்ட பாதைகள் தோராயமாக 15% குறைவான டோக்கன்களைப் பயன்படுத்தின, 10% குறைந்த செலவு செய்தன, மேலும் தலைமுறையை 10% வேகமாக முடித்தன.

Brain பதிலின் தரத்தை அதிகரிக்கிறது மற்றும் செலவைக் குறைக்கிறது.

தொடர்ச்சியான முன்னேற்றம்

பயனர்களுக்கு சிறந்த நினைவக அனுபவத்தைக் கொண்டுவர நாங்கள் தொடர்ந்து Brain ஐச் செம்மைப்படுத்தி வருகிறோம். ஒரு சமீபத்திய மாற்றம், Brain இன் கச்சிதமான குறியீட்டை ஏஜென்ட் பின்னர் கண்டுபிடித்து படிக்க வேண்டும் என்று கோருவதற்கு பதிலாக, ஏஜென்ட்டின் ஆரம்ப சூழலில் நேரடியாக வைக்கிறது. சீரற்ற பரிசோதனையில், இந்த ப்ரீஃபில் சிகிச்சை Brain பயன்பாட்டை அதிகரித்தது மற்றும் நினைவகம் தொடர்பான அதிருப்தியை 6.9% குறைத்தது.

ஆஃப்லைன் மதிப்பீட்டு சேணம் தன்னாட்சி மேம்பாட்டு பைப்லைனின் ஒரு பகுதியாகவும் இரட்டிப்பாகிறது. Brain இன் நினைவக துணை ஏஜென்ட், மீட்டெடுப்பு திறன்கள் மற்றும் ப்ராம்ப்ட்களுக்கான முன்மொழியப்பட்ட மாற்றங்கள் எங்கள் உள் தரவுத்தொகுப்பு மற்றும் பொது பெஞ்ச்மார்க்குகளில் பொருந்தக்கூடிய அப்லேஷன்கள் மூலம் இயக்கப்படுகின்றன. Computer ஏஜென்டுகள் முடிவுகளில் தன்னாட்சி முறையில் மீண்டும் செயல்படலாம், ஒவ்வொரு மறு செய்கையின் மாற்றம், டெல்டாக்கள் மற்றும் செலவை நீடித்த சாதனமாகப் பாதுகாத்து, எண்களை நகர்த்தும் மாற்றங்களை மட்டுமே வைத்திருக்கும். இதன் விளைவாக Brain இன் மதிப்பீட்டாளர்கள் அதன் மேம்படுத்தல்களாகவும் இருக்கும் ஒரு அமைப்பு உருவாகிறது, இது எதிர்கால மேம்பாடுகளைத் தூண்டுகிறது.

முடிவுரை

வாரங்கள் மற்றும் மாதங்களாக வேலை செய்யும் ஏஜென்ட் அமைப்புகளை உருவாக்குவதற்கான வரையறுக்கும் சவால்களில் தொடர்ந்து கற்றலும் ஒன்றாகும். ஏஜென்டுகள் தங்களது சாதாரண கருவிகளைப் பயன்படுத்தி நேரடியாக ஆராயக்கூடிய சூழல்களாக நினைவக கட்டமைப்புகள் வெளிப்படுத்தப்படுவது சிறந்தது என்று நாங்கள் நம்புகிறோம். Brain ஐ மேலே ஒரு கட்டமைக்கப்பட்ட அறிவு விக்கியாகக் கொண்டு, நினைவகத்தை கோப்பு முறைமையாக வெளிப்படுத்துவது, எளிய மற்றும் பழக்கமான கருவிகள் மூலம் சூழலை திறம்பட வழிநடத்தக்கூடியதாக மாற்றுகிறது.

Brain சுய மேம்பாட்டிற்காக வடிவமைக்கப்பட்டுள்ளது; பயன்பாடு அதிகரிக்கும் போது நினைவக அமைப்பு தொடர்ந்து மேம்பட முடியும். Dream பின்னணி ஏஜென்ட்கள் புதிய தகவலை Brain புதுப்பிப்புகளாக வடித்தெடுத்து, முன்புற ஏஜென்ட்கள் எப்போதும் சமீபத்திய சூழலின் ஒழுங்கமைக்கப்பட்ட பார்வையுடன் புதிய அமர்வைத் தொடங்குவதை உறுதிசெய்கின்றன. மதிப்பீட்டு ஹார்னெஸ், முக்கிய நினைவக கட்டமைப்பிலும் ஏஜென்ட்-முகப்பான இடைமுகங்களிலும் தானியங்கி ஆராய்ச்சி சுழற்சிகளுக்கான சோதனைத் தளமாகவும் செயல்படுகிறது.

ஏற்கனவே, Brain மிகவும் துல்லியமான மற்றும் செயல்திறன் மிக்க ஏஜென்ட் அமர்வுகளை விளைவித்துள்ளது, அதே நேரத்தில் செலவிடப்பட்ட டோக்கன்களைக் குறைத்துள்ளது. Computer இன் தயாரிப்பு ஸ்டாக்குடன் Brain ஐ நாங்கள் கவனமாக இணை-வடிவமைப்பு செய்திருப்பது இந்த லாபங்கள் நேரடியாக பயனர்களுக்கு உண்மையான நன்மைகளாக மாறுவதை உறுதி செய்கிறது.

Computer இன் நினைவகத்தின் தரத்தை மேம்படுத்த கூடுதல் திறன்களை நாங்கள் தொடர்ந்து உருவாக்குகிறோம். இதற்கிடையில், Brain இயக்கப்பட்ட பயனர்களுக்கு, ஒவ்வொரு அமர்விலும் நினைவகம் மேம்படும்.

மேற்கோள்

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}
}