คู่มือแอปพลิเคชัน

ระบบหน่วยความจำตัวแทน

ระบบหน่วยความจำของเจ้าหน้าที่ทำให้เจ้าหน้าที่ AI สามารถจดจำข้อมูลนอกเหนือจากหน้าต่างบริบทเดียว ข้ามรอบ เซสชัน และงานต่างๆ

ภาพรวม

ระบบหน่วยความจำของเจ้าหน้าที่ทำให้เจ้าหน้าที่ AI สามารถจดจำข้อมูลนอกเหนือจากหน้าต่างบริบทเดียว ข้ามรอบ เซสชัน และงานต่างๆ สิ่งเหล่านี้มีความสำคัญเนื่องจากหน่วยความจำที่คงทนคือสิ่งที่เปลี่ยนแชทบอทไร้สัญชาติให้กลายเป็นผู้ช่วยที่เรียนรู้ความต้องการของคุณและสร้างต่อยอดจากงานที่ผ่านมา

Agent Memory Systems มุ่งเน้นไปที่การใช้งานจริง: เปลี่ยนความสามารถของโมเดลให้เป็นเวิร์กโฟลว์รายวันที่เชื่อถือได้ซึ่งส่งมอบมูลค่าที่วัดได้

เจาะลึก

โมเดลภาษาขนาดใหญ่นั้นไม่มีสถานะโดยเนื้อแท้: เมื่อการสนทนาเกินหน้าต่างบริบท รายละเอียดก่อนหน้านี้จะหายไป ระบบหน่วยความจำจะแก้ไขปัญหานี้ด้วยการจัดเก็บข้อมูลไว้ภายนอกและเรียกข้อมูลส่วนที่เกี่ยวข้องเมื่อจำเป็น โดยทั่วไป ผู้ปฏิบัติงานจะแยกแยะความจำระยะสั้น (การทำงาน) หน้าต่างบริบทปัจจุบัน จากความจำระยะยาว ซึ่งมักจะแบ่งออกเป็นความจำตอน (บันทึกของการโต้ตอบและเหตุการณ์ในอดีต) หน่วยความจำความหมาย (ข้อเท็จจริงและความชอบที่เรียนรู้เกี่ยวกับผู้ใช้หรือโลก) และความจำขั้นตอน (ทักษะที่เรียนรู้หรือกิจวัตร) การใช้งานโดยทั่วไปจะใช้ฐานข้อมูลเวกเตอร์ที่ฝังข้อความและดึงข้อมูลมาด้วยความคล้ายคลึงกัน ซึ่งบางครั้งก็จับคู่กับกราฟความรู้สำหรับความสัมพันธ์ที่มีโครงสร้าง ส่วนที่ยากไม่ใช่พื้นที่จัดเก็บแต่เป็นการดูแลจัดการ: การตัดสินใจว่าอะไรควรค่าแก่การจดจำ การสรุปหรือรวมเข้าด้วยกันเมื่อเวลาผ่านไป การเรียกคืนหน่วยความจำที่ถูกต้องในเวลาที่เหมาะสม และการลืมข้อมูลที่เก่าหรือขัดแย้งกัน

ข้อมูลเชิงลึกทางเทคนิค

ไปป์ไลน์ทั่วไปจะฝังชิ้นส่วนของข้อความลงในเวกเตอร์ จัดเก็บพร้อมกับข้อมูลเมตา (การประทับเวลา แหล่งที่มา ประเภท) และเมื่อถึงเวลาสืบค้นจะฝังคำขอเพื่อดึงความทรงจำที่คล้ายกันมากที่สุดผ่านการค้นหาเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณ ตัวอย่างข้อมูลที่ดึงมาเหล่านั้นจะถูกแทรกลงในพรอมต์ เพื่อควบคุมการเติบโต ระบบจะสรุปรายการเก่า กรองข้อมูลที่ซ้ำกัน และจัดอันดับตามความใหม่และความเกี่ยวข้อง การออกแบบบางอย่างเพิ่มขั้นตอนการสะท้อนที่จะกลั่นบันทึกดิบเป็นระยะ ๆ ให้เป็นข้อเท็จจริงเชิงความหมายระดับสูงกว่า

การเรียนรู้ระบบหน่วยความจำเอเจนต์

หากต้องการสร้างความเข้าใจเชิงลึก ให้ถือว่า Agent Memory Systems เป็นโมเดลการทำงาน ไม่ใช่คุณลักษณะเดียว กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ

ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ระบบหน่วยความจำเอเจนต์มุ่งเน้นไปที่ผลลัพธ์ของเวิร์กโฟลว์ ไม่ใช่จำลองการสาธิต และกำหนดจุดตรวจสอบของมนุษย์ตั้งแต่เนิ่นๆ โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน

การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่ ในขณะเดียวกัน การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง

ผลกระทบเชิงกลยุทธ์

การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่

การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้

การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ

กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

อนาคตของระบบหน่วยความจำเอเจนต์

หน่วยความจำกำลังเปลี่ยนจากเคล็ดลับการดึงข้อมูลแบบ bolt-on ไปสู่องค์ประกอบที่มีโครงสร้างระดับเฟิร์สคลาสของการออกแบบเอเจนต์ โดยมีการแยกประเภทหน่วยความจำและนโยบายวงจรการใช้งานที่ชัดเจนยิ่งขึ้นสำหรับการอัปเดตและข้อเท็จจริงที่หมดอายุ คาดหวัง API หน่วยความจำที่ได้มาตรฐาน การจัดการข้อมูลที่ขัดแย้งหรือพัฒนาได้ดีขึ้น และการควบคุมความเป็นส่วนตัวที่ให้ผู้ใช้ตรวจสอบและลบสิ่งที่ตัวแทนรู้เกี่ยวกับพวกเขาได้ หัวข้อการวิจัยที่สำคัญจะสำรวจว่าแบบจำลองสามารถรวมประสบการณ์เข้ากับน้ำหนักเมื่อเวลาผ่านไปหรือไม่ ซึ่งทำให้เส้นแบ่งระหว่างหน่วยความจำภายนอกและการเรียนรู้ไม่ชัดเจน

การใช้งานจริงในโลกแห่งความเป็นจริง

ผู้ช่วยส่วนตัวที่จดจำข้อจำกัดด้านอาหารและเขตเวลาของคุณในแต่ละเซสชัน ดังนั้นคุณจึงไม่ต้องระบุซ้ำอีก

เอเจนต์การเขียนโค้ดที่จำการตัดสินใจทางสถาปัตยกรรมของโปรเจ็กต์และแบบแผนการเขียนโค้ดตั้งแต่ต้นสัปดาห์

บอทสนับสนุนลูกค้าที่ดึงตั๋วและวิธีแก้ปัญหาก่อนหน้าของผู้ใช้เพื่อหลีกเลี่ยงขั้นตอนการแก้ไขปัญหาซ้ำ

ตัวแทนการวิจัย (ในรูปแบบของการจำลองแบบ generative-agent) ซึ่งสะท้อนให้เห็นในบันทึกกิจกรรมทุกคืน โดยกลั่นกรองเหตุการณ์ดิบให้เป็นบทสรุปในระดับที่สูงขึ้นซึ่งจะนำกลับมาใช้ใหม่ในภายหลัง

รูปแบบการดำเนินงาน

ระบบหน่วยความจำเอเจนต์ในทางปฏิบัติ

ผู้ช่วยส่วนตัวที่จดจำข้อจำกัดด้านอาหารและเขตเวลาของคุณในแต่ละเซสชัน ดังนั้นคุณจึงไม่ต้องระบุซ้ำอีก

โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ระบบหน่วยความจำเอเจนต์ในทางปฏิบัติ

เอเจนต์การเขียนโค้ดที่จำการตัดสินใจทางสถาปัตยกรรมของโปรเจ็กต์และแบบแผนการเขียนโค้ดตั้งแต่ต้นสัปดาห์

โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ระบบหน่วยความจำเอเจนต์ในทางปฏิบัติ

บอทสนับสนุนลูกค้าที่ดึงตั๋วและวิธีแก้ปัญหาก่อนหน้าของผู้ใช้เพื่อหลีกเลี่ยงขั้นตอนการแก้ไขปัญหาซ้ำ

โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ระบบหน่วยความจำเอเจนต์ในทางปฏิบัติ

ตัวแทนการวิจัย (ในรูปแบบของการจำลองแบบ generative-agent) ซึ่งสะท้อนให้เห็นในบันทึกกิจกรรมทุกคืน โดยกลั่นกรองเหตุการณ์ดิบให้เป็นบทสรุปในระดับที่สูงขึ้นซึ่งจะนำกลับมาใช้ใหม่ในภายหลัง

โดยปกติทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ความเสี่ยงและรั้ว

!

การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้

!

ทีมอาจดำเนินการอัตโนมัติมากเกินไปและลบวิจารณญาณของมนุษย์ที่จำเป็นออก

!

คุณภาพอาจคลาดเคลื่อนได้หากไม่ได้รับการประเมินผลลัพธ์อย่างต่อเนื่อง

แผนงานการดำเนินงาน

1

แมปขั้นตอนการทำงานปัจจุบันและระบุขั้นตอนที่มีแรงเสียดทานสูงสุด

ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

2

กำหนดจุดตรวจของมนุษย์ก่อนระบบอัตโนมัติเต็มรูปแบบ

ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

3

ฝึกอบรมผู้ใช้เกี่ยวกับการแจ้งเตือน เส้นทางการยกระดับ และมาตรฐานคุณภาพ

ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

4

ติดตามผลลัพธ์ระดับงานเพื่อยืนยันคุณค่าที่ยั่งยืน

ถือว่านี่เป็นประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

สำรวจต่อไป

Check your understanding

Test yourself: take the Agent Memory Systems quiz

Start quiz