उपकरण समीक्षाएँ

कैसे NEMORI AI एजेंटों को याद रखने में सक्षम बनाता है कि क्या मायने रखता है।

NEMORI 20 चैट संदेशों को एपिसोडिक और सिमेंटिक मेमोरी में डिस्टिल करता है, जिससे LLM एजेंट बातचीत के दौरान तथ्यों और संदर्भ को बनाए रखने में मदद करते हैं।

कैसे NEMORI AI एजेंटों को याद रखने में सक्षम बनाता है कि क्या मायने रखता है।

मुख्य जानकारी

  • NEMORI AI सहायकों के लिए एक संगठित दीर्घकालिक मेमोरी में 20 संदेश चैट बफर को परिवर्तित करता है, जो वार्तालापों में तथ्यों, संदर्भ और अपडेट को संरक्षित करता है।
  • यह संदेशों को सुसंगत एपिसोड में समूहीकृत करता है, embeddings के साथ संकेत और कथाएं बनाता है, और मौलिक संदेशाओं को एपीसोडिक मेमोरी के लिए संलग्न रखता है।
  • यह पूर्वानुमान-त्रुटि तुलना के माध्यम से एपिसोड को स्टैंडअलोन सिमेंटिक तथ्यों में परिष्कृत करता है, अस्थायी या शैलीगत विवरणों की अनदेखी करते हुए टिकाऊ जानकारी निकालता है।
  • नए तथ्यों को संग्रहीत ज्ञान के साथ मिलाया जाता है, जो विरोधाभास या अद्यतन होने पर जोड़ों, विलय या प्रतिस्थापन की अनुमति देता है।
  • पुनर्प्राप्ति पूर्ण चैट इतिहास पर भरोसा करने के बजाय सहायक को एक छोटा, अधिक उपयोगी संदर्भ देने के लिए प्रासंगिक एपिसोड और तथ्यों का संयोजन करता है।

NEMORI 20 AI चैट संदेशों को दीर्घकालिक स्मृति में परिवर्तित करता है

How NEMORI Enables AI agents to Remember What Matters.

Meta Description: NEMORI 20 संदेश चैट बफर को एपिसोडिक और सिमेंटिक मेमोरी में संसाधित करता है, जिससे AI सहायक वार्तालापों के बीच तथ्यों, संदर्भ और अपडेट को बनाए रखने में मदद करते हैं।
टैगः NEMORI, AI स्मृति, LLM एजेंटों, एपिसोडिक मेमोरी, शब्दार्थ स्मृति
विशेष रुप से प्रदर्शित छवि: मेमोरी कार्ड बनाने वाले क्रमांकित चैट संदेशों का अमूर्त, मैत्रीपूर्ण चित्रण, जिसमें कोई वास्तविक व्यक्ति, लोगो या पाठ नहीं है।

अकेले चैट इतिहास क्यों पर्याप्त नहीं है

NEMORI भाषा-मॉडल सहायकों के लिए एक स्मृति ढांचा है। यह चैट संदेशों की धारा लेता है और मॉडल के चारों ओर संगठित मेमोरी की दूसरी परत बनाता है। फ्रेमवर्क 20 संदेशों का बफर संसाधित करता है, उन्हें घटनाओं में समूहीकृत करता है और जो कुछ हुआ उसे टिकाऊ तथ्य बनने से अलग करता है। LLM एजेंट बनाने वाले लोगों के लिए, और उन उपयोगकर्ताओं के लिए जो निर्णय, वरीयताओं और परिवर्तनों को याद रखने के लिए सहायक की उम्मीद करते हैं, NEMURI निरंतरता को पूरे इतिहास को फिर से पढ़ने पर कम निर्भर करने की कोशिश करती है। विधि WhatDeserves Memory: Adaptive Memory Distillation for LLM Agents में पेश की गई है।

मानव वार्तालाप छोटे अनुवर्ती कार्यों के माध्यम से काम करता है। एक मित्र ने एक नई नौकरी का उल्लेख किया, और एक सप्ताह बाद एक अन्य प्रश्न पूर्ण सारांश के बिना इसे वापस संदर्भित कर सकता है। सहायक को कुछ ऐसा ही करना चाहिएः भूमिका परिवर्तन, उपकरण विकल्प या पहले की चैट में किए गए निर्णय को आगे बढ़ाना। लेकिन कच्चे लॉग स्मृति नहीं हैं। बातचीत में पुनरावृत्ति, अस्थायी चिंताएं, पिछले बयानों के अपडेट और विवरण हो सकते हैं जो केवल संदर्भ के साथ समझ में आते हैं। कुछ को सीधे पुनर्प्राप्त किया जाना चाहिए; दूसरों को उनके आसपास के अनुभव के साथ संग्रहीत किया जाना ਚਾਹੀਦਾ ਹੈ। NEMORI भाषा मॉडल को अपरिवर्तित रखता है और इसके चारों ओर संग्रहित जानकारी विकसित करता है

कैसे NEMORI संदेशों से एपिसोड बनाता है

सिस्टम पहले आने वाले संदेशों को एक अस्थायी बफर में डालता है। प्रत्येक उपयोगकर्ता संदेश और प्रत्येक सहायक संदेश प्रेषक, सामग्री और टाइमस्टैम्प के साथ एक अलग तत्व होता है। पेपर की मुख्य सेटअप में, प्रोसेसिंग तब शुरू होती है जब बफ़र में 20 संदेश होते हैं। मैसेज को m1 से m20 तक स्थिति द्वारा क्रमांकित किया जाता है।

How NEMORI Enables AI agents to Remember What Matters.

कागज से एक उदाहरण 10 मई, 2026 का उपयोग करता है। ऐलिस सहायक को बताती है कि वह अब नोवा में काम करती है और कल शुरू हुई थी। उसने अगले महीने संभावित अवकाश का भी उल्लेख किया। सहायक ने अपनी भूमिका के बारे में पूछा। एलिस जवाब देती है कि वे बैकएंड इंजीनियर हैं और उनकी टीम गो का उपयोग करती है क्योंकि तैनाती सरल है। बाकी बफर किए गए एक्सचेंज छुट्टी की योजना के माध्यम से आगे बढ़ते हैं और फिर SQL क्वेरी को डिबग करते हैं।

NEMORI तब एक भाषा मॉडल को क्रमांकित संदेशों को सुसंगत एपिसोड में समूहीकृत करने के लिए कहता है। एक समूह एक ही घटना या चर्चा के बारे में संदेशों का एक सेट होता है। मॉडल उन सूचकांकों को लौटाता है जो संदेशों की पहचान करते हैं। नौकरी चर्चा [1, 3, 4], जबकि अवकाश संदेश [2, 5, 6, 7] और SQL डिबगिंग वार्तालाप [8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20] का उपयोग कर सकते हैं। इंडेक्स गैर-अनुक्रमिक हो सकते हैं क्योंकि विषयों को इंटरलेव किया जा सकता है।

प्रत्येक समूह के लिए, प्रोग्राम उन सूचकांकों का उपयोग करके मूल संदेशों को पुनर्प्राप्त करता है। चूंकि संदेश लेबल 1 से शुरू होते हैं और कोड में स्थिति 0 पर सूचीबद्ध करते हैं, इसलिए सिस्टम प्रत्येक चयनित संदेश प्राप्त करने के लिए एक घटाता है। फिर यह एक संक्षिप्त विवरण बनाता है जिसे क्यू और कथन कहा जाता है जो कथनों को जोड़ते हैं। एलिस के नौकरी एपिसोड में, कथा 9 मई को हल करती है और रिकॉर्ड करती है कि वह नोवा में बैकएंड इंजीनियर के रूप में शामिल हुई थी और उसकी टीम तैनाती को सरल बनाने के लिए गो का उपयोग करती है। कच्चे संदेश संलग्न रहते थे। क्यू और कथा embedding में बदल जाती है, बाद में संबंधित अर्थों की खोज के लिए इस्तेमाल किया जाने वाला संख्यात्मक प्रतिनिधित्व।

यदि कोई संबंधित एपिसोड पहले से मौजूद है, तो NEMORI यह जांच सकता है कि क्या नई चर्चा इसे जारी रखती है, कथाओं को जोड़ सकती है, स्रोत संदेशों को रख सकती है और embedding को अपडेट कर सकती है। परिणाम एपिसोडिक मेमोरी में संग्रहीत किया जाता है।

कैसे एपिसोड स्टैंडअलोन फैक्ट्स बन जाते हैं

अगले चरण में पूछा जाता है कि अनुभव क्या नया ज्ञान जोड़ता है। NEMORI एपिसोड embedding का उपयोग करके सिमेंटिक मेमोरी की खोज करता है। उदाहरण में, सहायक पहले से ही दो तथ्यों को जानता हैः ऐलिस वर्तमान में Acme पर काम करती है, और ऐलिस Python पसंद करती है। फिर यह पूर्ण कथा और कच्चे संदेशों को रोकते हुए एक भाषा मॉडल को क्यू और उन ज्ञात तथ्यों देता है। मॉडल सीमित सुरागों के आधार पर प्रकरण की भविष्यवाणी कर सकता है। यह कह सकता है कि एलिस ने कार्यस्थल में परिवर्तन और उसके अनुभव का उपयोग करते हुए चर्चा की थी। वह भविष्यवाणी नोवा, ज्वाइनिंग डेट और टीम द्वारा गो के उपयोग को याद करती है

भविष्यवाणी और वास्तविकता के बीच का अंतर संकेत है। एक दूसरी भाषा-मॉडल कॉल मूल वार्तालाप के साथ पूर्वानुमान की तुलना करती है और उपयोगी मतभेदों को निकालती है। परिणाम में तीन नए तथ्य शामिल हो सकते हैंः ऐलिस वर्तमान में नोवा में बैकएंड इंजीनियर के रूप में काम करता है, एलिस 9 मई 2026 को नोवा से जुड़ गया था, और ऐलिस की टीम गो का उपयोग करती है क्योंकि यह तैनाती को सरल बनाता है। पेपर इस प्रक्रिया को भविष्यवाणी त्रुटि आसवन कहता है। निष्कर्षण प्रॉम्प्ट भविष्य की बातचीत के लिए उपयोगी विशिष्ट जानकारी का पक्ष लेता है, जबकि सुखद बातें, संवादात्मक शैली और अस्थायी प्रतिक्रियाएं आम तौर पर अलग प्रविष्टियां नहीं बनती हैं।

How NEMORI Enables AI agents to Remember What Matters.

सहेजने से पहले, NEMORI प्रत्येक उम्मीदवार को संबंधित संग्रहीत तथ्यों के साथ सुलझाता है। यह एक नई प्रविष्टि जोड़ सकता है, ओवरलैपिंग ज्ञान का संयोजन कर सकता है या विरोधाभास द्वारा अमान्य जानकारी की जगह ले सकता है। एलिस का वर्तमान नियोक्ता Acme से नोवा में स्थानांतरित हो सकता है. Python के लिए उसकी प्राथमिकता बनी रह सकती है, क्योंकि Go का उपयोग करने वाली टीम और व्यक्ति की पसंद अलग-अलग चीजों का वर्णन करती है।

अद्यतन के बाद, सहायक को एक ही अनुभव के दो दृश्य होते हैं। एपिसोडिक मेमोरी नौकरी चर्चा, इसकी कथा और मूल संदेशों को रखती है। सिमेंटिक स्मृति एलिस के नियोक्ता, भूमिका, जुड़ने की तारीख और टीम टूल के बारे में स्टैंडअलोन तथ्यों को रखता है। जब कोई बाद का प्रश्न आता है, तो सिस्टम दोनों स्टोर खोजता है। ऐलिस ने नोवा से कब जुड़ा था, इस पर एक सवाल दिनांक प्राप्त कर सकता है। कार्य सेवा के साथ मदद के लिए अनुरोध गो विकल्प और इसके पीछे कारण प्राप्त कर सकते हैं। उत्तर मॉडल को एक छोटा सा संदर्भ मिलता हैः प्रासंगिक प्रकरण, संबंधित तथ्य और आवश्यक होने पर चयनित मूल संदेश।

वास्तुकला से पाठकों को क्या सीखना चाहिए

मुख्य व्यावहारिक मूल्य तैयारी है। अगले प्रश्न के आने से पहले कुछ काम होता हैः संदेशों को समूहीकृत किया जाता है, घटनाओं की स्पष्टता दी जाती है, और संभावित ज्ञान अंतराल की जांच की जाती है। इससे प्रत्येक उत्तर को एक लंबी प्रतिलेख के साथ भरने की आवश्यकता कम हो सकती है। यह विवरण के विभिन्न स्तरों को भी संरक्षित करता है। एक साधारण क्वेरी में एक सिमेंटिक तथ्य की आवश्यकता हो सकती हैं। अधिक शामिल क्वेરી में आसपास के एपिसोड या मूल वार्तालाप की आवश्यकता पड़ सकती है.

प्रक्रिया अभी भी मॉडल निर्णय पर निर्भर करती है। एक भविष्यवाणी जानकारी को याद कर सकती है जो सिस्टम पहले से जानता है, या यह एक नया विवरण सही ढंग से अनुमान लगा सकता है। इसका मतलब है कि पूर्वानुमान त्रुटि एक उपयोगी संकेत है, न कि बाद में क्या मायने रखेगा का एक आदर्श उपाय। स्रोत वार्तालाप बनाए रखना प्रणाली के साक्ष्य देता है जिसे वह फिर से देख सकता है.

कागज GPT-4o -मिनी के साथ LoCoMo पर बेंचमार्क साक्ष्य प्रस्तुत करता है, जो उत्साहजनक परिणामों और एक औसत परिणाम का वर्णन करते हैं, लेकिन उपलब्ध पाठ पूर्ण संख्या नहीं देता है। पाठकों के लिए, सुरक्षित टेकवे प्रदर्शन दावा नहीं बल्कि डिजाइन पैटर्न हैः LLM एजेंटों के लिए दीर्घकालिक स्मृति को ऐसी संरचना की आवश्यकता होती है जो अनुभव को तथ्यों से अलग कर सके, विरोधाभास प्रकट होने पर तथ्यों को अपडेट करे, और जब तथ्य पर्याप्त न हों तो संदर्भ बनाए रखें।

Comments (0)

  1. No comments yet. Be the first to share what worked for you.

Leave a comment

Comments are reviewed before they appear. Your email address is not published.