AI ஏஜென்ட்களில் சூழல் சிதைவு: நீண்ட பணிகளில் துல்லியம் ஏன் குறைகிறது, அதை எவ்வாறு தடுப்பது

AI ஏஜென்ட்டின் சூழலில் என்னென்ன சேர்கின்றன, அது ஏன் துல்லியத்தைப் பாதிக்கிறது, நம்பகமாகச் செயல்படும் பணிகளை எவ்வாறு அமைப்பது என்பதற்கான வழிகாட்டி.

Diagram of an AI agent's context growing from task start to late in a task: instructions are joined by stacked search results, websites, documents, and notes, while a bar showing how closely the agent follows the original instructions shrinks.

AI ஏஜென்ட்களில் சூழல் சிதைவு என்றால் என்ன

AI ஏஜென்ட்களில் சூழல் சிதைவு (context rot) என்பது, நீண்ட பணியின்போது ஏஜென்ட்டின் சூழல் நிரம்ப நிரம்ப படிப்படியாக ஏற்படும் துல்லிய இழப்பாகும்.

ஒரு ஏஜென்ட்டின் சூழல் என்பது, அதன் அடுத்த படிக்கு மாடலிடம் கிடைக்கும் தகவலாகும். அதில் அறிவுறுத்தல்கள், முந்தைய செய்திகள், தேடல் முடிவுகள், இணையதளங்கள் அல்லது கோப்புகளிலிருந்து எடுக்கப்பட்ட உரை ஆகியவை இருக்கலாம். ஏஜென்ட் வேலை செய்யும்போது, அது மேலும் தகவல்களைச் சேர்க்கக்கூடும்.

உதாரணமாக, இரண்டு வாரங்களுக்குள் டெலிவரி செய்யும் சப்ளையர்களைக் கண்டறிவதே ஒரு ஏஜென்ட்டின் பணி என்று வைத்துக்கொள்வோம். தொடக்கத்தில், அதன் சூழலில் அந்தக் கோரிக்கை மட்டுமே இருக்கும். பணியின் பாதியில், டஜன் கணக்கான சப்ளையர் இணையதளங்களின் உரை, தேடல் முடிவுகளின் பல பக்கங்கள், ஏஜென்ட் ஏற்கெனவே எந்தெந்த சப்ளையர்களைச் சரிபார்த்துள்ளது என்பது குறித்த குறிப்புகள் ஆகியவையும் சூழலில் சேர்ந்திருக்கும்.

ஒரு மாடல் எவ்வளவு சூழலை வைத்திருக்க முடியும் என்பதற்கு ஒரு வரம்பு உண்டு (இது சூழல் சாளரம் அல்லது context window என அழைக்கப்படுகிறது). இந்தச் சாளரம் டோக்கன்களில் அளவிடப்படுகிறது; டோக்கன்கள் என்பவை உரையின் சிறிய துண்டுகள், பொதுவாக ஒரு சொல் அல்லது சொல்லின் ஒரு பகுதி. சூழல் வளர வளர சூழல் சிதைவு அதிகரிக்கிறது; அதனால்தான் பல படிகள் கொண்ட நீண்ட பணிகளில் இது ஏற்பட அதிக வாய்ப்புள்ளது.

சூழல் சிதைவு மோசமடையும்போது, ஏஜென்ட்டின் துல்லியம் குறையும். அது தனது அசல் அறிவுறுத்தல்களை முன்பைப் போல நெருக்கமாகப் பின்பற்றாமல் போகலாம், விவரங்களைத் தவறவிடலாம், அல்லது தோற்றத்தில் ஒத்திருக்கும் தகவலைத் தனக்குத் தேவையான தகவல் என்று தவறாகக் கருதலாம்.

உதாரணமாக, இரண்டு வாரங்களில் டெலிவரி செய்பவர்களைக் கண்டறியுமாறு கூறப்பட்டிருந்தும், ஆறு வாரங்கள் எடுக்கும் சப்ளையர்களையும் ஏஜென்ட் சேர்க்கத் தொடங்கலாம். அந்த அறிவுறுத்தல் இன்னும் அதன் சூழலில் உள்ளது, ஆனால் அது இனி ஏஜென்ட்டின் தேர்வுகளை வழிநடத்துவதில்லை.

சூழல் சாளரத்தில் இடம் தீர்ந்துபோவதும் சூழல் சிதைவும் ஒன்றல்ல. ஒரு பணியின் சூழல் சாளரத்தைத் தாண்டி வளரும்போது, தகவல்கள் துண்டிக்கப்படுகின்றன அல்லது பணி தோல்வியடைகிறது. ஆனால் சூழல் சிதைவு அந்த நிலைக்கு வெகு முன்பே, எல்லாமே இன்னும் சாளரத்துக்குள் அடங்கியிருக்கும்போதே தொடங்கிவிடுகிறது.

அதேபோல், சூழல் நச்சூட்டலும் (context poisoning: தவறாக வழிநடத்தும் அல்லது தீங்கு விளைவிக்கும் தகவல் ஏஜென்ட்டின் சூழலுக்குள் நுழையும் நிலை) சூழல் சிதைவும் ஒன்றல்ல. துல்லியமான, முழுமையான தகவல் உள்ள ஏஜென்ட்டுக்கும் சூழல் சிதைவு ஏற்படலாம்.

சூழல் சிதைவு ஏன் ஏற்படுகிறது

சூழல் சாளரத்தில் இன்னும் இடம் இருந்தாலும், மாடலின் கவனம் வரம்புக்குட்பட்டது என்பதால்தான் சூழல் சிதைவு ஏற்படுகிறது. AI மாடல்களில், ஒரு பதிலின் ஒவ்வொரு சொல்லையும் எழுதும்போது தனது உள்ளீட்டின் எந்தப் பகுதிகளைப் பயன்படுத்த வேண்டும் என்பதை மாடல் எவ்வாறு தீர்மானிக்கிறது என்பதற்கான தொழில்நுட்பச் சொல்தான் கவனம் (attention). சூழலின் ஒவ்வொரு பகுதியும் அந்தக் கவனத்துக்காகப் போட்டியிடுகிறது. உரை எவ்வளவு அதிகமாக இருக்கிறதோ, ஒவ்வொரு பகுதிக்கும் கிடைக்கும் கவனம் அவ்வளவு குறைகிறது.

உதாரணமாக, உள்ளீட்டின் நீளம் AI மாடல்களை எவ்வாறு பாதிக்கிறது என்பது குறித்த ஓர் ஆய்வை Chroma வெளியிட்டது. அது Anthropic, OpenAI, Google, Alibaba ஆகிய நிறுவனங்களின் 18 மாடல்களைச் சோதித்தது. ஒரு சோதனையில், எழுதுவது தொடர்பான அறிவுரை பற்றிய ஒரு வாக்கியத்தை ஆய்வாளர்கள் நீண்ட கட்டுரைத் தொகுப்பு ஒன்றுக்குள் மறைத்துவைத்தனர். பின்னர், அந்த அறிவுரை என்ன என்று மாடலிடம் கேட்டனர்.

ஒவ்வொரு முறையும் மேலும் கட்டுரை உரையைச் சேர்த்து, அவர்கள் இந்தச் சோதனையைப் பலமுறை நடத்தினர். அந்த வாக்கியமும் கேள்வியும் ஒருபோதும் மாறவில்லை. அவற்றைச் சுற்றியுள்ள உரையின் அளவு மட்டுமே மாறியது.

மாடல்கள் படிக்க வேண்டிய உரை அதிகரிக்க அதிகரிக்க, அவற்றின் செயல்திறன் மோசமடைந்தது. அறிக்கையில் உள்ள ஒவ்வொரு சோதனையிலும் இந்தக் கண்டுபிடிப்பு உறுதியானது. பெரும்பாலான ஏஜென்ட் பணிகளைப் போல, பல படிகள் தேவைப்படும் நிஜ வேலையில் துல்லியச் சரிவு இன்னும் பெரிதாக இருக்கும் என்று ஆய்வாளர்கள் கணிக்கின்றனர்.

சூழல் சிதைவு AI ஏஜென்ட்களை எவ்வாறு பாதிக்கலாம்

சூழல் சிதைவு பொதுவாக இந்த நான்கு வழிகளில் ஒன்றில் வெளிப்படும்:

அசல் அறிவுறுத்தல்களிலிருந்து விலகுதல்

Chroma-வின் மிக எளிய சோதனை, திரும்பத் திரும்ப வரும் சொற்களின் நீண்ட வரிசையை, அதில் எங்கோ செருகப்பட்ட ஒரு மாறுபட்ட சொல்லுடன் சேர்த்து, அப்படியே நகலெடுக்குமாறு மாடல்களிடம் கேட்டது. இது வெளிப்படையான அறிவுறுத்தலுடன் கூடிய மிக எளிய பணி. இருந்தபோதிலும், உரை நீளமாக ஆக, எல்லா மாடல்களின் செயல்திறனும் குறைந்தது. சில மாடல்கள் உள்ளீட்டில் இல்லவே இல்லாத சொற்களை உருவாக்கத் தொடங்கின.

ஒரு ஏஜென்ட் பணியில், பயனர் பொதுவாகப் பணியின் தொடக்கத்திலேயே பட்ஜெட் அல்லது தேவையான வடிவம் போன்ற குறிப்பிட்ட கட்டுப்பாடுகளை அமைப்பார். சூழல் வளர வளர, ஏஜென்ட் அவற்றைக் குறைவான சீர்மையுடன் பயன்படுத்தக்கூடும். இதற்குக் காரணம் சூழலின் ஒட்டுமொத்த நீளம்தான்; அறிவுறுத்தல் எங்கே இருக்கிறது என்பது அல்ல.

பணியின் நடுவில் உள்ள விவரங்களைத் தவறவிடுதல்

2023-ஆம் ஆண்டு Stanford ஆய்வு ஒன்றின்படி, AI மாடல்கள் தங்கள் உள்ளீட்டின் தொடக்கத்திலோ இறுதியிலோ உள்ள தகவலைத்தான் மிக நம்பகமாகப் பயன்படுத்துகின்றன. ஒரு சோதனையில், ஆய்வாளர்கள் மாடல்களுக்கு 20 ஆவணங்களின் தொகுப்பைக் கொடுத்து, அவற்றில் ஒன்று மட்டுமே பதிலளிக்கும் ஒரு கேள்வியைக் கேட்டனர். அந்த ஆவணம் முதலிலோ கடைசியிலோ இருந்தபோது, மாடல்கள் பொதுவாகப் பதிலைக் கண்டறிந்தன. அது தொகுப்பின் நடுவில் இருந்தபோது, அவை அதைப் பல மடங்கு அதிகமாகத் தவறவிட்டன. ஆய்வாளர்கள் இதை நிலை விளைவு (position effect) என்று அழைக்கின்றனர்.

இதே முறை ஏஜென்ட்களுக்கும் பொருந்தும். ஒரு பணியில் முன்னதாகக் கண்டறியப்பட்ட தகவல், நீண்ட உரையாடலின் நடுவில் இருக்கக்கூடும்; அங்கு அதைப் பயன்படுத்துவதில் சில மாடல்களுக்கு அதிகச் சிரமம் ஏற்படுகிறது. சப்ளையர் உதாரணத்தில், பணியின் பாதியில் ஏஜென்ட் சரிபார்த்த ஒரு நல்ல சப்ளையர் இறுதிப் பட்டியலில் விடுபட்டுப் போகலாம்.

ஒத்த தகவல்களைக் குழப்பிக்கொள்ளுதல்

சூழல் வளர வளர, எந்தத் தகவல் தங்கள் அறிவுறுத்தல்களுக்குப் பொருந்துகிறது என்பதை அடையாளம் காண்பதில் ஏஜென்ட்கள் பின்தங்கக்கூடும். உதாரணமாக, "இரண்டு வாரங்களுக்குள்" அனுப்பும் சப்ளையர்களைக் கண்டறியுமாறு பயனர் ஏஜென்ட்டிடம் கூறியதாக வைத்துக்கொள்வோம். ஒரு சப்ளையரின் இணையதளம் "ஆர்டர் செய்த 14 நாள்காட்டி நாட்களுக்குள் வந்து சேரும்" என்று கூறுகிறது. குறுகிய பணியில், இவை இரண்டும் ஒரே பொருளைக் குறிக்கின்றன என்பதை ஏஜென்ட் கண்டுகொள்ள வாய்ப்புள்ளது. ஆனால் டஜன் கணக்கான பிற சப்ளையர் பக்கங்களுக்கு இடையே புதைந்திருக்கும்போது, இந்தப் பொருத்தத்தை அது தவறவிட வாய்ப்பு அதிகம்.

அல்லது, தொடர்பில்லாத முடிவுகளையும் ஏஜென்ட் சேர்க்கத் தொடங்கலாம். அலுவலக நாற்காலிகளுக்கான சப்ளையர்களை ஏஜென்ட் தேடுகிறது என்று வைத்துக்கொள்வோம். ஒரு சப்ளையரின் இணையதளம் இரண்டு வார டெலிவரியை உறுதியளிக்கிறது, ஆனால் மேசைகளுக்கு மட்டுமே. அதன் நாற்காலிகளுக்கு ஆறு வாரங்கள் ஆகும். அந்த இணையதளம் அறிவுறுத்தலில் உள்ள அதே சொற்களைப் பயன்படுத்துவதால், ஏஜென்ட் எப்படியும் அந்த சப்ளையரைத் தன் பட்டியலில் சேர்த்துவிடலாம். இத்தகைய தகவலை ஆய்வாளர்கள் கவனச்சிதறல் (distractor) என்று அழைக்கின்றனர். அது தொடர்புடையது போலத் தோன்றினாலும் உண்மையில் அப்படி இல்லை; எனவே அது முக்கியமான தகவலுடன் போட்டியிடுகிறது.

சுற்றியுள்ள உரையின் அளவு அதிகரிக்க அதிகரிக்க, இந்த இரண்டு பிரச்சினைகளும் மோசமடைந்தன என்று Chroma-வின் ஆய்வு கண்டறிந்தது.

கண்டறியக் கடினமான பிழைகள்

சூழல் சிதைவு எந்தப் பிழைச் செய்தியையும் ஏற்படுத்துவதில்லை. ஏஜென்ட் தொடர்ந்து வேலை செய்து, முடிக்கப்பட்டது போலத் தோன்றும் வெளியீட்டைத் திருப்பித் தருகிறது. இதனால் அதன் தவறுகளைக் கவனிக்காமல் விடுவது எளிது.

Chroma-வின் சோதனைகளில், இந்தத் தவறுகள் இரண்டு வடிவங்களில் வெளிப்பட்டன. சில நேரங்களில், ஒரு மாடல் தவறான பதிலை நம்பிக்கையுடன் அளித்தது. சப்ளையர் ஆய்வு உதாரணத்தில், டெலிவரி நிபந்தனைகளை ஏஜென்ட் தவறாகப் படித்த ஒரு சப்ளையரையும் உள்ளடக்கிய, நேர்த்தியான, சிறப்பாக வடிவமைக்கப்பட்ட சப்ளையர் பட்டியலை அது வழங்கக்கூடும்.

மற்ற நேரங்களில், உண்மையில் இருந்த தகவலைக் கண்டறிய முடியவில்லை என்று மாடல் கூறியது. உதாரணமாக, பல சப்ளையர்கள் இரண்டு வார வரம்பைப் பூர்த்தி செய்தாலும், எந்த சப்ளையரும் அதைப் பூர்த்தி செய்யவில்லை என்று கூறும் அறிக்கையை ஏஜென்ட் வழங்கக்கூடும்.

சூழல் சிதைவைக் குறைக்க ஏஜென்ட் பணிகளை எவ்வாறு அமைப்பது

பணிகளைச் சரியாக அமைப்பது சூழல் சிதைவின் தாக்கத்தைக் குறைத்து, பணி முழுவதும் ஏஜென்ட்டை முடிந்தவரை துல்லியமாக வைத்திருக்கும். பின்வரும் சிறந்த நடைமுறைகள் உதவக்கூடும்.

பணியை ஓர் ஒப்படைப்பாக எழுதுங்கள்

தெளிவான ஒப்படைப்பு சூழலைச் சிறியதாக வைத்திருக்கும். பணி எப்போது முடிந்தது என்பது ஏஜென்ட்டுக்குத் தெரியும் என்பதால், போதுமான தகவல் கிடைத்ததும் அது தகவல் சேகரிப்பதை நிறுத்திவிடுகிறது. குறிப்பிட்ட தேவைகள், ஒவ்வொரு பக்கத்தையும் ஒப்பிட்டுச் சரிபார்க்க உறுதியான ஓர் அளவுகோலையும் அதற்கு வழங்குகின்றன. இதனால் சரியான தகவலைக் கண்டறிவது ஏஜென்ட்டுக்கு எளிதாகிறது.

ஒரு பணியை அனுப்பும் முன், அது இந்த மூன்று விஷயங்களை உள்ளடக்குகிறதா எனச் சரிபாருங்கள்:

  • பணி: ஏஜென்ட் என்ன செய்ய வேண்டும், என்ன உருவாக்க வேண்டும் என்பது; உதாரணமாக, "சப்ளையர்களைக் கண்டறிந்து, ஒரு சுருக்கப்பட்டியலைத் தரவும்."
  • தேவைகள்: ஏஜென்ட்டால் ஊகிக்க முடியாத உண்மைகள்; உதாரணமாக, பட்ஜெட், காலக்கெடு, டெலிவரி முகவரி, முடிவு யாருக்கானது என்பது.
  • வெளியீடு: வடிவம், நீளம், கட்டமைப்பு; உதாரணமாக, "பெயர், ஒரு நாற்காலிக்கான விலை, டெலிவரி நேரம் ஆகியவை கொண்ட அட்டவணை."

இவை அனைத்தையும் ஒன்றாகச் சேர்த்தால், சப்ளையர் பணிக்கான வினவல் இப்படி இருக்கலாம்:

"எங்கள் சிகாகோ அலுவலகத்துக்கு இரண்டு வாரங்களுக்குள், ஒரு நாற்காலிக்கு $250-க்கும் குறைவான விலையில் 40 அலுவலக நாற்காலிகளை டெலிவரி செய்யக்கூடிய 10 சப்ளையர்களைக் கண்டறியவும். சப்ளையர் பெயர், ஒரு நாற்காலிக்கான விலை, டெலிவரி நேரம், தயாரிப்புப் பக்கத்துக்கான இணைப்பு ஆகியவை கொண்ட அட்டவணையைத் தரவும். இந்தப் பட்டியல் எங்கள் அலுவலக மேலாளருக்கானது; அவர்தான் ஆர்டர் செய்வார்."

ஒவ்வொரு பணியையும் ஒருமுகப்படுத்துங்கள்

ஒரு தெளிவான இலக்கைக் கொண்ட ஒரே பணி சூழலைச் சிறியதாக வைத்திருக்கும். நீண்ட பணிகளுக்குச் செலவும் அதிகம். ஒவ்வொரு படியும் இதுவரை சேகரிக்கப்பட்ட அனைத்தையும் செயலாக்குவதால், பெருத்த சூழல் ஒவ்வொரு படியிலும் அதிக கிரெடிட்களைப் பயன்படுத்துகிறது.

பல பகுதிகளைக் கொண்ட திட்டத்தை இப்படிப் பிரித்துக்கொள்ளுங்கள்:

  1. தனித்தனியாக வழங்க வேண்டியவற்றைப் பட்டியலிடுங்கள்; உதாரணமாக, சப்ளையர் தேடல், விலை ஒப்பீடு, தேர்ந்தெடுக்கப்பட்ட சப்ளையருக்கு ஒரு மின்னஞ்சல்.
  2. வழங்க வேண்டிய ஒவ்வொன்றையும் தனிப் பணியாக இயக்குங்கள்.
  3. ஒரு பணியிலிருந்து அடுத்த பணிக்கு, முடிக்கப்பட்ட முடிவை மட்டும் அனுப்புங்கள். உதாரணமாக, சப்ளையர் அட்டவணையை உருவாக்கிய த்ரெட்டிலேயே தொடர்வதற்குப் பதிலாக, அந்த அட்டவணையைக் கோப்பாகப் பதிவேற்றி ஒப்பீட்டுப் பணியைத் தொடங்குங்கள்.

இதனால், ஒப்பீட்டுப் பணி எல்லாப் பக்கங்களுக்கும் பதிலாக ஒரே ஓர் அட்டவணையுடன் தொடங்குகிறது.

சரியான மூலங்களை ஏஜென்ட்டுக்குச் சுட்டிக்காட்டுங்கள்

ஏஜென்ட் படிக்கும் ஒவ்வொரு பக்கமும், பயனுள்ள பகுதியைச் சுற்றியுள்ள மெனுக்கள், விளம்பரங்கள், வழக்கமான நிலையான உரை உட்பட, அதன் சூழலில் சேர்கிறது. ஏஜென்ட்டுக்கு அதன் மூலங்களை நேரடியாக வழங்குவது அந்த இரைச்சலைக் குறைக்கிறது.

அங்கீகரிக்கப்பட்ட விற்பனையாளர்களின் பட்டியல் போன்ற, பணி சார்ந்திருக்கும் கோப்புகளை வினவலுடன் இணைத்துப் பதிவேற்றுங்கள். ஏஜென்ட் இணையத்தில் தேட வேண்டியிருக்கும்போது, நம்பகமான இரண்டு சப்ளையர் கோப்பகங்கள் போன்ற, தேடத் தகுந்த இணையதளங்களைக் குறிப்பிடுங்கள்.

தகவல் இருக்கும் கருவிகளை இணையுங்கள். உதாரணமாக, Perplexity Computer-இல், பக்கப்பட்டியில் இணைப்பான்கள் பகுதியைத் திறந்து, Google Drive அல்லது Slack போன்ற பணிக்குத் தேவையான ஆப்ஸை இயக்குங்கள். பின்னர் வினவலில் அவற்றைக் குறிப்பிடுங்கள்: "எங்கள் Google Drive-இல் உள்ள நாற்காலி விவரக்குறிப்புகளைப் பயன்படுத்தவும்." ஒவ்வொரு இணைப்பானும் ஏஜென்ட்டின் சூழலில் சிறிது இடத்தை எடுத்துக்கொள்வதால், தொடர்புடைய ஆப்ஸை மட்டுமே இணையுங்கள்.

தகவல் உள்ள ஆப் இணைப்பான்கள் பட்டியலில் இல்லையென்றாலும், அதை இணைக்க வாய்ப்பிருக்கலாம். பல ஆப்ஸ் MCP (Model Context Protocol) இணைப்பானை வழங்குகின்றன; இது AI கருவிகள் பிற மென்பொருட்களுடன் இணைவதற்கான ஒரு நிலையான வழியாகும். Computer தனது உள்ளமைந்த இணைப்பான்களுடன் இவற்றையும் பயன்படுத்த முடியும். நிறுவனக் கணக்கில், முதலில் ஒரு நிர்வாகி இவற்றை இயக்க வேண்டியிருக்கலாம்.

அறிவுறுத்தல்களுடன் ஒப்பிட்டு இறுதிச் சரிபார்ப்பு செய்யுமாறு கேளுங்கள்

மிக முக்கியமான கட்டுப்பாடுகளைக் குறிப்பிடும் ஒரு மதிப்பாய்வுப் படியுடன் வினவலை முடியுங்கள்:

"முடிப்பதற்கு முன், ஒவ்வொரு சப்ளையரையும் இந்தத் தேவைகளுடன் ஒப்பிட்டுச் சரிபார்க்கவும்: இரண்டு வாரங்களுக்குள் டெலிவரி, ஒரு நாற்காலிக்கு $250-க்குக் கீழ். அந்தத் தேவைகளைப் பூர்த்தி செய்யாதவற்றை விட்டுவிடாமல், அவற்றைக் குறிப்பிட்டுக் காட்டவும்."

கட்டுப்பாடுகள் இன்னும் சூழலின் தொடக்கத்திலேயே உள்ளன. ஒவ்வொரு படியிலும் அறிவுறுத்தல்கள் தங்கள் தாக்கத்தைத் தக்கவைத்துக்கொள்ளும் என்று நம்பியிருப்பதற்குப் பதிலாக, மதிப்பாய்வுப் படி தனது இறுதி வெளியீட்டைக் கட்டுப்பாடுகளுடன் ஒப்பிடுவதற்கான காரணத்தை ஏஜென்ட்டுக்கு அளிக்கிறது.

அதே நேரத்தில், அந்த முடிவுகளை வெறுமனே நீக்குவதற்குப் பதிலாகப் பிரச்சினைகளைக் குறிப்பிட்டுக் காட்டுமாறு கேட்பது, தவறுகளைக் கண்டறிவதை எளிதாக்குகிறது (உதாரணமாக, 14 நாள்காட்டி நாட்களுக்குள் வந்து சேரும் என்று உறுதியளிக்கும் ஒரு சப்ளையரை, அது “இரண்டு வாரங்கள்” என்ற சொற்களைப் பயன்படுத்தவில்லை என்பதற்காக நிராகரிப்பது போன்றவை).

சரிபார்ப்புப் புள்ளிகளில் வேலையை மதிப்பாய்வு செய்யுங்கள்

நீண்ட பணிகளுக்கு, வினவலிலேயே ஒரு சரிபார்ப்புப் புள்ளியைச் சேருங்கள்:

"முதலில் 20 சாத்தியமான சப்ளையர்களைக் கண்டறிந்து, பின்னர் நிறுத்தவும். நீங்கள் விலை விவரங்களைச் சேகரிக்கும் முன், நான் பட்டியலை உறுதிப்படுத்துகிறேன்."

சுருக்கப்பட்டியலை அசல் அறிவுறுத்தல்களுடன் ஒப்பிட்டுச் சரிபாருங்கள். ஏதேனும் சரியில்லையென்றால், அடுத்த செய்தியில் அதைத் திருத்தி, பின்னர் ஏஜென்ட்டைத் தொடர விடுங்கள். இந்த நிலையில் கண்டறியப்படும் தவறுகள், அடுத்து வரும் ஒவ்வொரு படிக்கும் பரவாது.

ஒரு பணி திசைமாறும்போது புதிய பணியைத் தொடங்குங்கள்

திருத்தங்களுக்குப் பிறகும் ஏஜென்ட் அதே தவறைத் திரும்பச் செய்தால், புதிய பணியைத் தொடங்குங்கள். ஒவ்வொரு திருத்தமும் ஏற்கெனவே நீளமான சூழலில் மேலும் உரையைச் சேர்க்கிறது. அதற்குப் பதிலாகப் புதிய பணியை உருவாக்குங்கள். அறிவுறுத்தல்களை மீண்டும் தெரிவித்து, முதல் முயற்சியில் கிடைத்த நல்ல வெளியீட்டைப் பதிவேற்றி, மீண்டும் தொடங்குங்கள்.

சில ஏஜென்ட்கள் இதன் ஒரு வடிவத்தைத் தானாகவே செய்கின்றன; இந்தச் செயல்முறை சுருக்குதல் (compaction) எனப்படுகிறது. பணி நீளமாகும்போது, தொடக்கத்தில் படித்த பக்கங்களின் முழு உரை போன்ற பழைய தகவல்களை, தான் கண்டறிந்தவற்றின் சுருக்கமான தொகுப்பால் ஏஜென்ட் மாற்றுகிறது. Perplexity-யின் Portable Computer தனது சூழலை இவ்வாறு சுருக்குகிறது; இதனால் மாடல் தன்னால் நன்கு கையாளக்கூடிய அளவுக்குள்ளேயே இருக்கிறது.

இலக்கு மாறினாலும் புதிய பணியைத் தொடங்குவது முக்கியம். சப்ளையர் தேடலாகத் தொடங்கிய ஒரு த்ரெட், ஒப்பந்த மதிப்பாய்வாகவும் மாறக்கூடாது.

திரும்பத் திரும்ப வழங்கும் அறிவுறுத்தல்களை ஒரு திறனாக மாற்றுங்கள்

விருப்பமான அட்டவணை வடிவம், தவிர்க்க வேண்டிய விற்பனையாளர்களின் பட்டியல், அல்லது நிலையான மதிப்பாய்வுப் படி போன்ற சில அறிவுறுத்தல்கள், ஒரு குறிப்பிட்ட வகையைச் சேர்ந்த ஒவ்வொரு பணியிலும் இடம்பெறுகின்றன. Computer-இல், இவற்றை ஒரு திறன் ஆகச் சேமிக்கலாம்; இது ஒவ்வொரு முறையும் ஏஜென்ட் பின்பற்றும், மீண்டும் பயன்படுத்தக்கூடிய அறிவுறுத்தல் தொகுப்பாகும். ஒரு திறன், மற்ற சிறந்த நடைமுறைகளை அதைப் பயன்படுத்தும் ஒவ்வொரு பணியிலும் உள்ளடக்குகிறது.

ஒன்றை அமைக்க:

  1. சப்ளையர் ஆய்வு போன்ற, அடிக்கடி வரும் ஒரு பணியைத் தேர்ந்தெடுங்கள்.
  2. ஒவ்வொரு முறையும் வழங்கப்படும் அறிவுறுத்தல்களை எழுதுங்கள்: வடிவம், சரிபார்ப்புகள், பயன்படுத்த வேண்டிய அல்லது தவிர்க்க வேண்டிய மூலங்கள்.
  3. அவற்றை ஒரு திறனாகச் சேமியுங்கள். Markdown-இல் ஏற்கெனவே எழுதப்பட்ட அறிவுறுத்தல்களை நேரடியாக இறக்குமதி செய்யலாம்.
  4. எதிர்கால வினவல்களில் அந்தத் திறனின் பெயரைக் குறிப்பிடுங்கள்: "டென்வர் அலுவலகத்துக்கான நாற்காலி சப்ளையர்களைக் கண்டறிய, சப்ளையர் ஆய்வுத் திறனைப் பயன்படுத்தவும்."

ஏஜென்ட் பணிகளில் சூழலை Perplexity எவ்வாறு அணுகுகிறது

Perplexity Computer, ஒவ்வொரு மாடலின் சூழலையும் சிறியதாகவும் தொடர்புடையதாகவும் வைத்திருக்கும் வகையில் நீண்ட பணிகளைக் கையாளுகிறது. அதன் வடிவமைப்பின் மூன்று அம்சங்கள், ஒரு மாடல் ஒரே நேரத்தில் எவ்வளவு படிக்க வேண்டும் என்பதைக் கட்டுப்படுத்துகின்றன.

துணை ஏஜென்ட்களிடையே வேலையைப் பிரித்தல்

Computer ஒரு கோரிக்கையைப் பணிகளாகவும் துணைப் பணிகளாகவும் பிரித்து, அவற்றைச் செய்து முடிக்கத் துணை ஏஜென்ட்களை உருவாக்குகிறது. ஒவ்வொரு துணை ஏஜென்ட்டும் தனக்கென உள்ள சூழலில் வேலையின் ஒரு பகுதியைச் செய்கிறது. சப்ளையர் பணியில், ஒரு துணை ஏஜென்ட் விலைகளை ஆராயும்போது, மற்றொன்று டெலிவரி நிபந்தனைகளைச் சரிபார்க்கலாம். இரண்டில் எதுவும், மற்றொன்று படித்த அனைத்தையும் படிக்க வேண்டியதில்லை.

வேலையைக் கோப்புகளில் வைத்திருத்தல்

ஒவ்வொரு Computer பணிக்கும் தனக்கென கோப்புகள், இணைய உலாவி, கருவிகள் ஆகியவற்றுடன் தனிப் பணியிடம் கிடைக்கிறது. ஏஜென்ட் தனது வேலையை ஒரு கோப்பில் சேமிக்கலாம்; உதாரணமாக, தான் சரிபார்த்த சப்ளையர்களின் தொடர்ந்து புதுப்பிக்கப்படும் அட்டவணை. பின்னர், தேவைப்படும்போது மட்டுமே அந்தக் கோப்பை மீண்டும் திறக்கிறது.

தேடல் முடிவுகளிலிருந்து தொடர்புடைய பகுதிகளைத் தேர்ந்தெடுத்தல்

இணையப் பக்கங்களில் மெனுக்கள், விளம்பரங்கள், மெட்டாடேட்டா, பிற தலைப்புகள் குறித்த உரை போன்ற, மாடலுக்குத் தேவையில்லாத தகவல்கள் நிறைந்துள்ளன. வினவல் சார்ந்த சூழல் சுருக்கம் அவற்றை நீக்குகிறது. ஒரு பக்கம் மாடலை அடையும் முன், வினவலுடன் தொடர்புடைய வாக்கியங்களை மட்டுமே Perplexity வைத்துக்கொள்கிறது.

இந்தப் படிகளை நடைமுறைப்படுத்த, Perplexity Computer-க்கான உதவிக்குறிப்புகள், வழிகாட்டிகள், உதாரணப் பணிகளை ஆராயுங்கள்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

சூழல் சிதைவும் மாயத்தோற்றமும் (hallucination) ஒன்றா?

இல்லை, ஆனால் அவை தொடர்புடையவை. மாயத்தோற்றம் என்பது தவறான அல்லது ஆதாரமற்ற ஒன்றைக் கூறும் எந்தப் பதிலும் ஆகும். மாயத்தோற்றங்களுக்கும், புறக்கணிக்கப்பட்ட அறிவுறுத்தல்கள், தவறவிட்ட விவரங்கள் போன்ற பிற தவறுகளுக்கும் வாய்ப்பை அதிகரிக்கும் நிலைகளில் சூழல் சிதைவும் ஒன்று.

சிறந்த வினவல் சூழல் சிதைவைச் சரிசெய்யுமா?

தெளிவான வினவல், பணியை ஒருமுகப்படுத்தி வைப்பதன் மூலம் சூழல் சிதைவைக் குறைக்கிறது. ஆனால், சூழல் வளர்வதை அதனால் தடுக்க முடியாது. போதுமான அளவு நீண்ட பணியில், ஏஜென்ட் தன்னால் நன்கு பயன்படுத்தக்கூடியதை விட அதிகமான தகவல்களைச் சேகரித்துவிடும்; அதனால்தான் வேலையைப் பிரிப்பதும், வழியிலேயே அதைச் சரிபார்ப்பதும் வினவலைப் போலவே முக்கியமானவை.

சூழல் சிதைவு ஏஜென்ட்களை மட்டுமல்லாமல், வழக்கமான AI அரட்டைகளையும் பாதிக்குமா?

ஆம். அரட்டையில், இதுவரையிலான முழு உரையாடலும் சூழலாகும்; அதில் ஒவ்வொரு செய்தியும், அதில் ஒட்டப்பட்ட அல்லது பதிவேற்றப்பட்ட ஆவணங்களும் அடங்கும். பல தலைப்புகளில் மணிக்கணக்கில் நீண்ட ஒரு த்ரெட், நீண்ட ஏஜென்ட் பணியைப் போலவே அதே தவறுகளை ஏற்படுத்தலாம். புதிய தலைப்புக்குப் புதிய த்ரெட்டைத் தொடங்குவது, ஒவ்வொரு உரையாடலையும் ஒருமுகப்படுத்தி வைக்கிறது.

சூழல் சிதைவு தொடங்குவதற்கு முன் ஒரு பணி எவ்வளவு நீளமாக இருக்கலாம்?

இதற்கு நிலையான வரம்பு எதுவும் இல்லை. இது மாடலையும் பணியையும் பொறுத்தது. உதாரணமாக, 2,60,000-டோக்கன் சூழல் சாளரங்களைக் கொண்ட, சாதனத்திலேயே இயங்கும் மாடல்கள், தங்கள் வரம்பை விட வெகு முன்னதாகவே, சுமார் 1,00,000 டோக்கன்களைத் தாண்டியதும் சிரமப்படத் தொடங்குகின்றன. மேலும், இந்தச் சரிவு திடீரென அல்லாமல் படிப்படியாக நிகழ்கிறது.