Kas ir aģenta ilgtermiņa atmiņa un kā to veidot (kopsavilkums, vektoru atmiņa)?

Ilgtermiņa aģenta atmiņa — tas ir informācijas glabāšanas un izmantošanas mehānisms, ko aģents uzkrāj ilgā laika posmā, lai uzlabotu mijiedarbības kvalitāti un lēmumu pieņemšanas spējas:

Saskaitīšana (saskaitīšana) — liela apjoma informācijas saspiešanas process, kas palīdz aģentam ātri atcerēties galvenos punktus bez nepieciešamības saglabāt visas detaļas:

Vektoru atmiņa (vektoru atmiņa) — informācijas glabāšana vektoru formā (piemēram, iekļaušanas), kas ļauj efektīvi meklēt un salīdzināt līdzīgus datus, izmantojot tuvāko kaimiņu metodes:

Kā veidot ilgtermiņa atmiņu:

1. Datu vākšana — aģents saglabā svarīgus notikumus, dialogus, faktus.
2. Apstrāde un saspiešana — tiek izmantoti saskaitīšanas algoritmi datu apjoma samazināšanai.
3. Vektorizācija — teksta vai citu datu pārvēršana vektoros, izmantojot iekļaušanas modeļus (piemēram, BERT, OpenAI embeddings).
4. Glabāšana — tiek izmantotas specializētas datu bāzes (piemēram, Pinecone, FAISS) efektīvai meklēšanai ar vektoru reprezentācijām.
5. Meklēšana — nepieciešamības gadījumā aģents meklē atbilstošus ierakstus atmiņā, izmantojot līdzības meklēšanu, un izmanto tos atbildes vai lēmuma pieņemšanai.

Python piemērs — ar iekļaušanas bibliotēku un FAISS:

from sentence_transformers import SentenceTransformer
import faiss

# iekļaušanas modeļa inicializācija
model = SentenceTransformer('all-MiniLM-L6-v2')

# piemēra dati
texts = ["Šodien saulaina", "Rīt līs", "Laiks ir labs"]

# vektorizācija
vectors = model.encode(texts)

# FAISS indeksa izveide
index = faiss.IndexFlatL2(vectors.shape[1])
index.add(vectors)

# meklēšana atmiņā
query = "Kāds būs laiks rīt?"
query_vec = model.encode([query])
D, I = index.search(query_vec, k=1)
print(f"Līdzīgs teksts: {texts[I[0][0]]}")

Tādējādi, aģenta ilgtermiņa atmiņa apvieno saskaitīšanu efektivitātes nodrošināšanai un vektoru atmiņu ātrai meklēšanai.