ai-agent-book/chapter3/README.ta.md

அத்தியாயம் 3 · பயனர் நினைவகம் மற்றும் அறிவுத் தளம்

ஏஜென்ட் அமர்வுகளுக்குக் குறுக்கே பயனரை நினைவில் வைத்திருக்கவும், வெளிப்புற அறிவை அணுகவும் செய்கிறது. பயனர் நினைவக அமைப்புகள், RAG அடிப்படைக் குழாய்கள், மற்றும் தட்டையான உரையைத் தாண்டிய அறிவு ஒழுங்கமைப்பு மற்றும் மீட்டெடுப்பு (கட்டமைக்கப்பட்ட குறியீடுகள், அறிவு வரைபடங்கள் போன்றவை) ஆகியவற்றை உள்ளடக்கியது.

← முக்கிய README க்குத் திரும்பு · 📖 அத்தியாய உரையைப் படி

சோதனைகளை எப்படிப் படிப்பது

முதன்மை உரை குறுகிய mechanism skeleton-களால் control flow-ஐ விளக்குகிறது; முழு SDK adapters, logs, tests, acceptance evidence ஆகியவை experiment கோப்பகத்தில் உள்ளன. ஒவ்வொரு கோப்பையும் வரி வரியாகப் படிக்க வேண்டியதில்லை.

• Starter: இலக்கு, குறைந்தபட்ச கட்டளை, ஏற்றுக்கொள்ளும் நிபந்தனைகளில் தொடங்குங்கள்; முதலில் user-memory / retrieval-pipeline;
• Builder: நுழைவுப் புள்ளி, மையச் சுழற்சி, state/message schema, கருவிகள், verifier ஆகியவற்றைப் பின்தொடருங்கள்.
• Maintainer: பின்னர் tests, evidence manifest, தோல்வி கையாளல், rollback பாதை, provider adapter ஆகியவற்றைப் படியுங்கள்.

முதல் வாசிப்பில் credentials, UI, provider-compatibility அடுக்குகளைத் தவிர்க்கலாம்; முடிவுகளை மீண்டும் உருவாக்கும்போது திரும்பிப் பாருங்கள்.

துணை திட்டங்கள்

சோதனை	Project	Type	Description
3-1, 3-2	user-memory	✅	நீண்டகால பயனர் நினைவக அமைப்பை உருவாக்குதல், ஏஜென்ட் பயனர் விருப்பங்களையும் கடந்தகால தொடர்புகளையும் நினைவில் வைத்து தனிப்பயனாக்கப்பட்ட சேவையை வழங்க உதவுகிறது.
3-1	user-memory-evaluation	✅	பயனர் நினைவக அமைப்புகளின் துல்லியம், தொடர்பு மற்றும் செயல்திறன் ஆகியவற்றை முறையாக மதிப்பீடு செய்கிறது; பல சோதனைச் சூழல்களையும் மதிப்பீட்டு அளவுகோல்களையும் உள்ளடக்கியது.
3-2	mem0 · memobase	✅	mem0 மற்றும் Memobase ஆகிய இரண்டு திறந்த மூல நினைவகக் கட்டமைப்புகளில் ஒவ்வொன்றிலும் பயனர் நினைவகத்தின் ஒரு பதிப்பைச் செயல்படுத்துகிறது; இது சோதனை 3-2 "நினைவக உத்திகளின் ஒப்பீடு" இன் ஒப்பீட்டுச் செயலாக்கமாகச் செயல்பட்டு, வெவ்வேறு நினைவகத் தீர்வுகளின் பிரித்தெடுப்பு வடிவங்களையும் பதில் தரத்தையும் குறுக்காக ஒப்பிடுவதை எளிதாக்குகிறது.
3-3	log-sanitization	✅	பிழைத்திருத்த மதிப்பைப் பாதுகாக்கும் அதேவேளையில் ரகசியங்கள் மற்றும் PII ஐக் கண்டறிந்து மறைக்க உள்ளூர் Ollama மாதிரியைப் பயன்படுத்தும் புத்திசாலித்தனமான பதிவு சுத்திகரிப்பு.
3-4	dense-embedding	✅	திசையன் ஒற்றுமை தேடல் சேவையை உருவாக்கி, ANNOY (மர அடிப்படையிலான) மற்றும் HNSW (வரைபட அடிப்படையிலான) ஆகிய இரண்டு ANN குறியீட்டு வழிமுறைகளை ஒப்பீட்டு ஆராய்கிறது. வெவ்வேறு குறியீட்டு உத்திகளின் செயல்திறன், நினைவக பயன்பாடு மற்றும் புதுப்பிப்புத் திறன் ஆகியவற்றிலுள்ள சமநிலைகளை (trade-offs) விளக்குகிறது.
3-5	sparse-embedding	✅	BM25 வழிமுறையை அடிப்படையாகக் கொண்ட அரிதான திசையன் தேடல் பொறியை அடிப்படையிலிருந்து செயல்படுத்துகிறது; வளமான பதிவுகள் மற்றும் காட்சிப்படுத்தல் இடைமுகங்கள் மூலம் தேடல் பொறியின் உள் செயல்பாட்டு வழிமுறையை விளக்கி, சொல் அதிர்வெண் எடை கணக்கீடு மற்றும் தலைகீழ் குறியீட்டு (inverted index) கொள்கைகளைப் புரிந்து கொள்ள உதவுகிறது.
3-6	retrieval-pipeline	✅	அடர்த்தியான மீட்டெடுப்பு, அரிதான மீட்டெடுப்பு மற்றும் நரம்பியல் மறு-தரவரிசைப்படுத்தல் ஆகியவற்றை இணைத்து ஒரு முழுமையான மீட்டெடுப்புக் குழாயை உருவாக்குகிறது. கவனமாக வடிவமைக்கப்பட்ட சோதனை வழக்குகள் மூலம், வெவ்வேறு சூழல்களில் கலப்பின மீட்டெடுப்பின் பரஸ்பர நிரப்பு நன்மைகளை முறையாக விளக்குகிறது.
3-7	structured-index	✅	RAPTOR (மீள்சுருக்க மரம்) மற்றும் GraphRAG (அறிவு வரைபடம்) ஆகிய இரண்டு மேம்பட்ட குறியீட்டு உத்திகளைச் செயல்படுத்தி ஒப்பிடுகிறது. ஒரு குறியீட்டு தொழில்நுட்பக் கையேட்டின் மூலம், அறிவின் உள்ளார்ந்த படிநிலை மற்றும் தொடர்புகளைப் பிரதிபலிக்கும் கட்டமைக்கப்பட்ட குறியீடுகளை எவ்வாறு உருவாக்குவது என்பதை விளக்குகிறது.
3-8	agentic-rag	✅	பாரம்பரிய Non-Agentic RAG மற்றும் Agentic RAG ஆகியவற்றின் செயல்திறன் வேறுபாடுகளை ஒப்பிடுகிறது. ReAct முறையின் மூலம் ஏஜென்ட் சுழற்சிமுறை தகவல் மீட்டெடுப்பை எவ்வாறு வழிநடத்துகிறது என்பதை விளக்கி, சிக்கலான நீதித்துறை கேள்வி-பதில்களைக் கையாளும்போது பதில் தரத்தை கணிசமாக மேம்படுத்துகிறது.
3-9	agentic-rag-for-user-memory	✅	Agentic RAG கட்டமைப்பை பயனர் உரையாடல் வரலாற்றை நிர்வகிப்பதற்குப் பயன்படுத்துகிறது; பல-திருப்ப மீள்தேடல் திறன் மூலம் குறுக்கு-அமர்வு நினைவக மீட்டெடுப்பைக் கையாண்டு, அடிப்படை நினைவுகூரல் மற்றும் பல-அமர்வு மீட்டெடுப்புத் திறன்களைச் செயல்படுத்துகிறது.
3-10	contextual-retrieval	✅	Anthropic முன்மொழிந்த சூழல்-உணர்வு மீட்டெடுப்பு (context-aware retrieval) நுட்பத்தைச் செயல்படுத்துகிறது; உரைத் துண்டுகளுக்கு முக்கிய சூழலைக் கொண்ட முன்னொட்டுச் சுருக்கங்களை உருவாக்குவதன் மூலம், பாரம்பரிய துண்டாக்கும் முறைகளின் சூழல் இழப்புச் சிக்கலைத் தீர்த்து, மீட்டெடுப்புத் தோல்வி விகிதத்தை 49-67% குறைக்கிறது.
3-11	contextual-retrieval-for-user-memory	✅	சூழல்-உணர்வு மீட்டெடுப்பு நுட்பத்தை பயனர் நினைவக உருவாக்கத்திற்குப் பயன்படுத்தி, Advanced JSON Cards ஐ சூழல்-உணர்வு RAG உடன் இணைத்து இரண்டு-அடுக்கு நினைவக கட்டமைப்பை உருவாக்கி, மேலும் உயர்ந்த மட்ட செயலூக்க சேவைத் திறனைச் செயல்படுத்துகிறது.
3-12	structured-knowledge-extraction	✅	நீதித்துறைத் தீர்ப்பு வழக்குகளை உதாரணமாகக் கொண்டு "கீழிருந்து மேல் காரணி கண்டுபிடிப்பு → வழக்கு முன்மாதிரிகளாக கிளஸ்டரிங் → உரையாடல் அறிவுரை ஏஜென்ட்" என்ற மூன்று-கட்டக் குழாயை முழுமையாக இயக்குகிறது: முன்கூட்டியே வரையறுக்கப்பட்ட கடினமான புலங்கள் இல்லாமல், LLM ஏராளமான வழக்குகளிலிருந்து தானாகவே காரணிகளைக் கண்டுபிடித்து அவற்றை ஒரு தொகுதி schema வாக (மையக் காரணிகள் + குற்றச்சாட்டு-சார்ந்த நீட்டிப்புக் காரணிகள்) தொகுக்கிறது; பின்னர் வழக்குகள் பல முன்மாதிரிகளாகக் கிளஸ்டர் செய்யப்பட்டு, ஒவ்வொரு முன்மாதிரியின் காரணி முக்கியத்துவமும் கணக்கிடப்படுகிறது; ஏஜென்ட் புதிய வழக்கின் விவரங்களுக்கு மிகவும் ஒத்த முன்மாதிரியைப் பொருத்தி, முக்கியத்துவத்தின் அடிப்படையில் விடுபட்ட தகவல்களைப் பின்தொடர்ந்து கேட்டு, ஆதாரமுள்ள அறிவுரையை வழங்குகிறது (சட்ட மறுப்புரை இணைக்கப்பட்டுள்ளது).

திட்ட வகைகள்

சின்னம்	வகை	பொருள்
✅	தனித்து இயங்கும்	முழு குறியீடு இந்த களஞ்சியத்தில், API Key உள்ளமைத்தவுடன் இயங்கும்
📖	மறு உருவாக்க வழிகாட்டி	வெளிப்புற களஞ்சியங்களை git clone செய்ய வேண்டிய விரிவான ஆவணம்
🚧	வடிவமைப்பு ஆவணம்	கட்டமைப்பு/செயலாக்கத் திட்டம் மட்டும், இயங்கும் குறியீடு இன்னும் WIP