AI agentinin yaddaş idarəetməsi, avtonom sistemin xüsusi tapşırıqlar zamanı konteksti qoruyub saxlamasını təmin etmək üçün məlumatların saxlanması, əldə edilməsi və prioritetləşdirilməsi prosesidir. Bu, dərhal addımlar üçün lazım olan keçici məlumatlarla uzunmüddətli məqsədlər üçün tələb olunan daimi biliklərin balanslaşdırılmasını əhatə edir. Effektiv idarəetmə agentlərə yeni daxil olan məlumatları emal edərkən kontekst pəncərəsi limitlərinə çatmadan və ya əsas məqsədi itirmədən istifadəçi seçimlərini, keçmiş kampaniya performansını və xüsusi brend təlimatlarını xatırlamağa imkan verir.
Qısa və uzunmüddətli yaddaş arasındakı fərq nədir?
Süni intellekt kontekstində qısa müddətli yaddaş, model kontekst pəncərəsində mövcud olan dərhal məlumatlara aiddir. GPT-4o və ya Claude 3.5 Sonnet kimi bir model ilə qarşılıqlı əlaqədə olduqda, cari söhbət tarixi bu müvəqqəti yaddaş kimi çıxış edir. Lakin bu sahə 128,000 və ya 200,000 token kimi token sayları ilə məhdudlaşır. Söhbət bu limiti aşdıqda, agent qarşılıqlı əlaqənin ən erkən hissələrini unutmağa başlayır. Məhz buna görə də mürəkkəb, çoxgünlük layihələri və ya uzunmüddətli müştəri münasibətlərini idarə edən hər hansı bir marketinq agentliyi üçün yaddaşa strateji yanaşma tələb olunur.
Digər tərəfdən, uzunmüddətli yaddaş vektor verilənlər bazaları və ya ənənəvi relyasiya verilənlər bazaları kimi xarici saxlama sistemlərinə əsaslanır. Bu yaddaş forması agentə həftələr və ya aylar əvvəl paylaşılmış məlumatlara daxil olmağa imkan verir. Məsələn, rəqəmsal marketinq agenti müştərinin brend səsi təlimatlarını Pinecone kimi vektor verilənlər bazasında saxlaya bilər. Agent yeni bloq yazısı yazmalı olduqda, Retrieval-Augmented Generation (RAG) adlı proses vasitəsilə həmin xüsusi təlimatları əldə edir. Bu, həmişə aktual olmayan minlərlə sözlük sənədlərlə dərhal kontekst pəncərəsini doldurmadan nəticənin ardıcıl qalmasını təmin edir.
Kontekst pəncərəsinin idarə edilməsi agentin performansına necə təsir edir?
Kontekst pəncərəsinin idarə edilməsi texniki zərurətdir, çünki pəncərə dolduqca performans tez-tez aşağı düşür. Ümumi bir nümunə, AI modellərinin çox uzun bir sorğunun mərkəzində yerləşdirilən məlumatları dəqiq şəkildə əldə etməkdə çətinlik çəkdiyi ‘ortada itmək’ fenomenidir. Aqressiv AI agenti yaddaş idarəetməsini tətbiq etməklə, tərtibatçılar lazımsız məlumatları silə və yalnız ən vacib faktları saxlaya bilərlər. Bu, agenti iti saxlayır və cavabların gecikməsini azaldır. Tipik bir hesabda, 50 səhifəlik PDF-i emal edən bir agent, əsas mənanı qoruyarkən yerə qənaət etmək üçün hər bölməni bir neçə bənddə ümumiləşdirə bilər.
Bundan əlavə, token istifadəsi birbaşa AI əməliyyatlarının aparılması xərclərinə təsir edir. Modeldə göndərilən hər söz bir sentin bir hissəsinə başa gəlir. Əgər agent hər dəfə suala cavab verəndə bir illik marketinq kampaniyasının bütün tarixini göndərirsə, API xərcləri lazımsız yerə artacaq. Effektiv yaddaş idarəetməsi ‘sürüşən pəncərələr’ və ya ‘ümumiləşdirmə döngələri’ kimi texnikalardan istifadə edir. Sürüşən pəncərə yanaşmasında agent yalnız son 10 və ya 20 mübadiləyə baxır, ümumiləşdirmə döngəsi isə yüksək token yükü olmadan lazımi fonu təmin etmək üçün köhnə söhbətin qısaldılmış versiyasını yaradır.
Daimi Xatırlama üçün Vektor Verilənlər Bazalarının Tətbiqi
Agentə əsl uzunmüddətli yaddaş vermək üçün yerləşdirmələrdən (embeddings) istifadə etməlisiniz. Bunlar sistemə iki məlumat parçasının nə qədər oxşar olduğunu hesablamağa imkan verən mətnin ədədi təsvirləridir. İstifadəçi sual verdikdə, agent həmin sualı yerləşdirməyə çevirir və Weaviate və ya Milvus kimi verilənlər bazasında riyazi cəhətdən ən oxşar mətni axtarır. Bu, bir çox Shopify mağazasını idarə edən agentliklər üçün ümumi bir nümunədir, burada agent müxtəlif domenlər üzrə xüsusi məhsul detallarını və ya çatdırılma qaydalarını qarışdırmadan xatırlamalıdır. Metadata filtrləməsindən istifadə agentin ‘Mağaza A’ suallarını cavablandırarkən yalnız ‘Mağaza A’ məlumatlarına baxmasını təmin edir.
Vektor mağazasının qurulması OpenAI-nin text-embedding-3-small kimi yerləşdirmə modelinin seçilməsini və parçalama strategiyasının müəyyən edilməsini əhatə edir. Parçalama (chunking), uzun sənədləri hər biri adətən 500-1000 token olan kiçik hissələrə bölmək aktıdır. Parçalar çox kiçikdirsə, agent konteksti itirir; çox böyükdürsə, axtarış qeyri-dəqiq olur. Ümumi bir təcrübə, kəsilmə nöqtələrində heç bir kritik məlumatın itirilməməsini təmin etmək üçün parçalar arasında 10-15% üst-üstə düşmədən istifadə etməkdir. Bu texniki quraşdırma AI agentinə sadə bir çatbotdan daha çox məlumatlı bir tərəfdaş kimi çıxış etməyə imkan verir.
AI agentləri zamanla məlumat sürüşməsi (data drift) ilə niyə mübarizə aparır?
Məlumat sürüşməsi, agentin uzunmüddətli yaddaşında saxlanılan məlumatlar köhnəldikdə və ya ziddiyyətli olduqda baş verir. Məsələn, marketinq agenti müştəri üçün 2023-cü ilin qiymət siyahısını saxlamış ola bilər, lakin müştəri 2024-cü il üçün qiymətlərini yeniləyib. Hər iki versiya vektor verilənlər bazasında mövcuddursa, agent köhnə məlumatları əldə edə bilər, çünki bu, axtarış sorğusuna yeni məlumatlar qədər uyğun gəlir. Bu, müştəri ilə ünsiyyətdə hallüsinasiyalara və ya faktiki səhvlərə gətirib çıxarır. Bilik bazasının müntəzəm saxlanması bu münaqişələrin istifadəçi təcrübəsini pisləşdirməsinin qarşısını almaq üçün vacibdir.
Bunu həll etmək üçün tərtibatçılar verilənlər bazası metadata daxilində Time-to-Live (TTL) parametrlərindən və ya versiyalaşdırmadan istifadə edirlər. Hər bir məlumat parçasını ‘date_created’ atributu ilə etiketləməklə, agentə əldəetmə mərhələsində ən son məlumatlara üstünlük vermək tapşırıla bilər. Bundan əlavə, vektor mağazasının hər rübdə əl ilə yoxlanılması köhnəlmiş sənədlərin silinməsinə kömək edir. Rəqəmsal agentlik üçün bu, ‘Ən Yaxşı Təcrübələr’ qovluğunu ən son Google alqoritm dəyişikliklərini əks etdirmək üçün yeniləmək demək ola bilər ki, AI agenti artıq effektiv olmayan üç il əvvəlki SEO taktikalarını tövsiyə etməsin.
Yaddaşın Optimallaşdırılması üçün Praktiki Strategiyalar
- Semantik Parçalama: Axtarış dəqiqliyini artırmaq üçün məlumatları sabit simvol sayına görə deyil, mənasına görə qruplaşdırmaq.
- Bilik Qrafikləri: Xüsusi bir məhsulu hədəf auditoriyası və reklam xərcləri ilə əlaqələndirmək kimi obyektlər arasındakı əlaqələri xəritələndirmək.
- Hibrid Axtarış: Dəqiq məhsul kodlarını və ya adlarını tapmaq üçün ənənəvi açar söz axtarışını vektor əsaslı semantik axtarışla birləşdirmək.
- Yaddaşın Səviyyələndirilməsi: Tez-tez istifadə olunan faktları yüksək sürətli keşdə, daha az aktual tarixi isə daha ucuz və yavaş yaddaşda saxlamaq.
- Rekursiv Ümumiləşdirmə: Uzun söhbət mövzularını vaxtaşırı agent üçün qısa icraçı xülasələrə çevirmək.
İxtisaslaşdırılmış açıq hava avadanlıqları satan bir Shopify mağazası minlərlə müştəri sorğusunu idarə etmək üçün bu strategiyalardan istifadə edə bilər. Müştəri iki il əvvəl alınmış xüsusi çadır modeli haqqında soruşarsa, agent sifariş ID-sini tapmaq üçün hibrid axtarışdan, istifadəçinin həmin çadır haqqında əvvəlki rəyini tapmaq üçün isə semantik axtarışdan istifadə edir. Bu, insani hiss olunan fərdiləşdirilmiş təcrübə yaradır. Strukturlaşdırılmış yaddaş sistemindən istifadə etməklə agent müştərinin yüngül çəkili avadanlıqlara üstünlük verdiyini xatırlaya bilir ki, bu da müştərinin özünü təkrarlamasına ehtiyac olmadan hər gələcək məhsul tövsiyəsinə təsir edir.
Agentliyiniz üçün Doğru Saxlama Arxitekturasının Seçilməsi
Doğru arxitekturanın seçilməsi əməliyyatlarınızın miqyasından və məlumatların mürəkkəbliyindən asılıdır. Sadə tapşırıqlar üçün yerli JSONL faylı və ya əsas SQL verilənlər bazası istifadəçi seçimlərini saxlamaq üçün kifayət ola bilər. Lakin agentliyiniz onlarla müştərini idarə etmək üçün böyüdükcə, daha miqyaslana bilən bir həllə ehtiyacınız olacaq. Vektor verilənlər bazaları strukturlaşdırılmamış mətn üçün əladır, lakin büdcə rəqəmləri və ya klikləmə dərəcələri kimi strukturlaşdırılmış məlumatlar üçün həmişə ən yaxşısı deyil. Bu hallarda, brend səsi üçün vektor mağazasından və performans göstəriciləri üçün SQL verilənlər bazasından istifadə edən hibrid yanaşma çox vaxt ən effektiv quraşdırmadır.
Məxfilik arxitekturanın seçilməsində digər kritik amildir. GDPR və CCPA çərçivəsində, tələb olunduqda xüsusi bir istifadəçinin məlumatlarını silə bilməlisiniz. Əgər bütün istifadəçi məlumatları vahid vektor sahəsində qarışdırılıbsa, bu texniki cəhətdən çətin ola bilər. Hər müştərinin öz təcrid olunmuş indeksi və ya ad sahəsinin olduğu çoxmənzilli (multi-tenant) arxitekturalardan istifadə etmək uyğunluğu çox asanlaşdırır. Bu, həmçinin agentin rəqib üçün sualı cavablandırmaq üçün təsadüfən bir müştərinin mülkiyyət strategiyasından istifadə edə biləcəyi ‘məlumat sızmasının’ qarşısını alır. Bu təşkilat səviyyəsi peşəkar AI tətbiqlərini eksperimental olanlardan ayırır.
AI agentləri keçmiş səhvlərdən avtomatik olaraq öyrənə bilərmi?
Öz-özünə düzəliş, AI agenti yaddaş idarəetməsinin qabaqcıl formasıdır. Bu, agentin öz performansını nəzərdən keçirdiyi və ya insan operatorundan düzəlişlər aldığı bir rəy döngəsinin yaradılmasını əhatə edir. İnsan agentin səhvini düzəltdikdə—məsələn, sosial media yazısında yanlış tarixi düzəltmək—həmin düzəliş ‘öyrənilmiş dərslər’ yaddaş seqmentində saxlanmalıdır. Agent növbəti dəfə oxşar tapşırığı yerinə yetirdikdə, səhvi təkrarlamamaq üçün bu xüsusi yaddaşı yoxlayır. Bu, öz təcrübələri vasitəsilə zamanla həqiqətən inkişaf edən bir sistem yaradır.
Bunun üçün ümumi bir nümunə ‘Refleksiya’ addımıdır. Çıxışı yekunlaşdırmazdan əvvəl, agentə layihəsini keçmiş səhvlər siyahısı ilə müqayisə etmək tapşırılır. Məsələn, agent əvvəllər maliyyə reklamları üçün tələb olunan xüsusi hüquqi imtina bildirişini daxil etməyibsə, bu uğursuzluq qeydə alınır. Gələcək tapşırıqlarda refleksiya sorğusu belə ola bilər: ‘Maliyyə reklamlarını yazdığınız son üç dəfəni nəzərdən keçirin; məcburi imtina bildirişini daxil etdinizmi?’ Bu daxili yoxlama daimi insan nəzarətinə ehtiyacı azaldır və agentliyə yüksək keyfiyyət və uyğunluq standartlarını qoruyarkən məzmun istehsalını miqyaslandırmağa imkan verir.
Bu həftə haradan başlamaq lazımdır
AI əməliyyatlarınızı təkmilləşdirmək istəyirsinizsə, cari agentlərinizin uzun söhbətləri necə idarə etdiyini yoxlamaqla başlayın. 10 və ya 20 mesajdan sonra konteksti itirməyə başlayıb-başlamadıqlarını yoxlayın. Əgər belədirsə, əsas ümumiləşdirmə məntiqini tətbiq etməyin vaxtı gəlib. Agentlərinizin ehtiyac duyduğu ən kritik məlumatları—brend təlimatları və ya məhsul siyahıları kimi—müəyyən edin və onları xüsusi bilik bazasına köçürün. İlk gündə mürəkkəb vektor verilənlər bazası quraşdırmasına ehtiyacınız yoxdur; agentin bir alət vasitəsilə axtara biləcəyi yaxşı təşkil edilmiş Google Doc belə əla ilk addım ola bilər.
- Yaddaş təkmilləşdirmələrini sınaqdan keçirmək üçün e-poçt yazılması və ya müştəri dəstəyi kimi bir xüsusi iş axını seçin.
- Pinecone kimi vektor verilənlər bazasında pulsuz hesab qurun və ya ChromaDB-nin yerli instansiyasından istifadə edin.
- Tarixlər və kateqoriyalar üçün metadata daxil etdiyinizə əmin olaraq parçalama strategiyanızı sənədləşdirin.
- Agentin hər dəfə əsas detalı unutduğu zaman qeyd etdiyiniz bir rəy jurnalı yaradın.
- Agentin yeni mağazanızdan məlumatları nə qədər yaxşı əldə etdiyini görmək üçün sadə RAG boru kəmərini sınaqdan keçirin.
Bu kiçik, konkret addımlara diqqət yetirməklə, agentliyinizlə birlikdə böyüyən bir sistem qura bilərsiniz. Yaddaş idarəetməsi sadəcə texniki maneə deyil; bu, biznesinizi və müştərilərinizi həqiqətən anlayan AI yaratmağın təməlidir. Məlumatlarınızı bu gün təşkil etməyə başlayın və həftənin sonuna qədər AI agentlərinizin dəqiqliyində və etibarlılığında dərhal irəliləyişlər görəcəksiniz.
Oxumağa davam edin: AI Optimallaşdırılması · AI Optimallaşdırılması