وقتی یه ایجنت ساده تبدیل به یه موتور کانتکست میشه
نویسنده تعریف میکنه که میخواست به ایجنت LLM خودش فقط دو چیز ساده اضافه کنه: یه کم حافظه و دسترسی به دادهٔ واقعی. ولی هر کدوم از اینا تبدیل به یه دنیای پیچیده شد؛ حافظه چند نوع داره، دادهٔ سازمانی نیاز به sync و دسترسی و کش داره. اسم این مجموعه میشه context engine: لایهای که دادهٔ درست رو با شکل درست و در زمان درست به ایجنت میده. نویسنده در آخر به Redis و محصول Redis Iris بهعنوان یه راهحل یکپارچهٔ آماده میرسه.
این محتوا بهصورت خودکار با استفاده از هوش مصنوعی تولید شده، و بررسی نهایی اون پیش از استفاده توصیه میشه. مسئولیت استفاده بهعهده کاربر هست. برای مطالعه متن اصلی خبر، اینجا رو کلیک کن
خلاصهٔ کاملتر
نویسنده این پست با لحن شوخ تعریف میکنه که یه ایجنت داشته که تقریباً کار میکرده: میتونسته به سؤالها جواب بده و چند تا ابزار صدا بزنه. فقط فکر میکرده دو چیز کوچیک کم داره: یه کم حافظه و دسترسی به دادهٔ واقعی. ولی به گفتهٔ خودش، این دو تا «چیز کوچیک» اصلاً کوچیک نبودن و کل ماجرا رو پیچیده کردن.
اولین درس این بوده که حافظه یه چیز واحد نیست. وقتی میگی ایجنت باید «چیزها رو یادش بمونه»، باید جواب بدی دقیقاً چه چیزهایی؟ مکالمهٔ فعلی، ترجیحات کاربر (مثلاً اینکه نمونهکد TypeScript رو به Python ترجیح میده)، کارهای نیمهتموم دیروز، یا تاریخچهٔ تیکتهای پشتیبانی؟ هر کدوم قانون خودش رو داره: بعضیها باید منقضی بشن، بعضیها قابلجستجو باشن، بعضیها خصوصی، و وقتی کاربر چیزی رو حذف میکنه ایجنت هم باید فراموشش کنه.
خلاصهٔ کاملتر این خبر رو میتونی با داشتن اشتراک ویژه بخونی!
اشتراک رایگان
- دسترسی به خلاصهٔ کوتاه خبر
- ارسال اخبار مورد علاقه به ایمیل شما
- ارسال اخبار مورد علاقه به تلگرام شما
- دسترسی به خلاصهٔ کامل/اختصاصی خبر + نکات کلیدی مقاله
- عدم نمایش تبلیغات
اشتراک ویژه
- دسترسی به خلاصهٔ کوتاه خبر
- ارسال اخبار مورد علاقه به ایمیل شما
- ارسال اخبار مورد علاقه به تلگرام شما
- دسترسی به خلاصهٔ کامل/اختصاصی خبر + نکات کلیدی مقاله
- عدم نمایش تبلیغات




