एजंट मेमरी ही एक समस्या आहे जी संस्थांना सोडवायची आहे, कारण एजंट काही सूचना किंवा संभाषणे जितके जास्त काळ चालतात तितके विसरतात.
मानववंशीय तिला वाटते की तिने तिच्यासाठी ही समस्या सोडवली आहे क्लाउड प्रॉक्सी SDK,एक द्वि-पक्षीय उपाय विकसित करणे जे एजंटला वेगवेगळ्या संदर्भीय विंडोमध्ये कार्य करण्यास अनुमती देते.
“दीर्घकालीन क्लायंटसाठी प्राथमिक आव्हान हे आहे की त्यांनी प्रत्येक नवीन सत्राची सुरुवात करून त्यापूर्वी काय आले याची आठवण न करता स्वतंत्र सत्रांमध्ये काम केले पाहिजे,” अँथ्रोपिकने त्याच्या लेखात लिहिले. ब्लॉग पोस्ट. “कारण संदर्भ विंडो मर्यादित आहेत आणि बहुतेक जटिल प्रकल्प एकाच विंडोमध्ये पूर्ण होऊ शकत नाहीत म्हणून, एजंटना प्रोग्रामिंग सत्रांमधील अंतर कमी करण्याचा मार्ग आवश्यक आहे.”
मानववंशीय अभियंत्यांनी त्याच्या SDK एजंटसाठी दुहेरी दृष्टीकोन प्रस्तावित केला: वातावरण सेट करण्यासाठी कॉन्फिगरेशन एजंट आणि प्रत्येक सत्रात वाढीव प्रगती करण्यासाठी आणि पुढील सत्रासाठी कलाकृती सोडण्यासाठी कोडिंग एजंट.
प्रॉक्सी मेमरी समस्या
कारण एजंट मूलभूत मॉडेल्सवर तयार केले जातात, त्यांची सतत वाढ होत असतानाही ते मर्यादित संदर्भ विंडोंद्वारे मर्यादित राहतात. जे एजंट दीर्घकाळ काम करतात त्यांच्यासाठी, यामुळे एक मोठी समस्या निर्माण होऊ शकते, ज्यामुळे एजंट सूचना विसरतो आणि कार्य करत असताना असामान्यपणे वागतो. एजंटची स्मरणशक्ती वाढवा सातत्यपूर्ण आणि सुरक्षित व्यवसाय कामगिरीसाठी हे आवश्यक बनते.
गेल्या वर्षभरात अनेक दृष्टिकोन उदयास आले आहेत, जे सर्व संदर्भ विंडो आणि एजंट मेमरी यांच्यातील अंतर कमी करण्याचा प्रयत्न करतात. langshenLangMem SDK, मेमोपास आणि OpenAIझुंड हे मेमरी सोल्यूशन्स प्रदान करणाऱ्या कंपनीचे उदाहरण आहे. ऑपरंट मेमरीवरील संशोधन अलीकडेच स्फोट झाले आहे, सूचनांसह… Memp सारखे फ्रेमवर्क आणि इंटरलीव्हड लर्निंग मॉडेल पासून Google स्मरणशक्ती वाढवण्यासाठी नवीन पर्याय सादर करत आहोत.
अनेक विद्यमान मेमरी फ्रेमवर्क हे ओपन सोर्स आहेत आणि ते वेगवेगळ्या लार्ज लँग्वेज मॉडेल (LLM) ऑपरेटरशी उत्तम प्रकारे जुळवून घेऊ शकतात. एन्थ्रोपिकचा दृष्टिकोन क्लॉड एजंट एसडीके सुधारतो.
ते कसे कार्य करते
अँथ्रोपिकने ठरवले की क्लॉड एजंट SDK कडे संदर्भ व्यवस्थापन क्षमता असूनही आणि “एजंटला अनियंत्रितपणे दीर्घ कालावधीसाठी उपयुक्त कार्य करणे शक्य असले पाहिजे,” ते पुरेसे नव्हते. कंपनीने आपल्या ब्लॉग पोस्टमध्ये म्हटले आहे की, मॉडेल Opus 4.5 प्रमाणे क्लॉड एजंट SDK चालवणे “केवळ उच्च-स्तरीय प्रॉम्प्ट दिल्यास उच्च-गुणवत्तेचे वेब अनुप्रयोग तयार करू शकत नाही, जसे की ‘claude.ai ची प्रत तयार करा’.”
अँथ्रोपिक म्हणाले की अपयश दोन नमुन्यांमध्ये प्रकट होते. प्रथम, एजंटने खूप काही करण्याचा प्रयत्न केला, ज्यामुळे मॉडेल मध्यभागी संदर्भाबाहेर गेले. त्यानंतर एजंटला काय झाले याचा अंदाज लावावा लागतो आणि तो पुढील एजंटला स्पष्ट सूचना देऊ शकत नाही. दुसरी अपयश नंतर येते, काही वैशिष्ट्ये आधीच स्थापित केल्यानंतर. एजंट पाहतो की प्रगती झाली आहे आणि फक्त घोषणा करतो की कार्य पूर्ण झाले आहे.
मानववंशशास्त्रीय संशोधकांनी समाधानाचे विश्लेषण केले: वैशिष्ट्यांसाठी पाया घालण्यासाठी प्रारंभिक वातावरण तयार केले आणि प्रत्येक एजंटला उद्दिष्टाच्या दिशेने वाढीव प्रगती करण्यास प्रवृत्त केले, तरीही शेवटी स्वच्छ स्लेट सोडले.
इथेच अँथ्रोपिक एजंटचे दोन भागांचे समाधान येते. कॉन्फिगरेशन एजंट वातावरण सेट करतो, एजंटांनी काय केले आणि कोणत्या फाइल्स जोडल्या गेल्या याची नोंद करतो. कोडिंग एजंट नंतर मॉडेल्सना वाढीव प्रगती करण्यास आणि संरचित अद्यतने सोडण्यास सांगेल.
“या पद्धतींसाठी प्रेरणा प्रभावी सॉफ्टवेअर अभियंते दररोज काय करतात हे शिकून आले,” अँथ्रोपिक म्हणाले.
संशोधकांनी सांगितले की त्यांनी कोडिंग एजंटमध्ये चाचणी साधने जोडली, एकट्या कोडमधून स्पष्ट नसलेल्या त्रुटी ओळखण्याची आणि त्यांचे निराकरण करण्याची क्षमता सुधारली.
भविष्यातील संशोधन
एन्थ्रोपिक नोट करते की त्याचा दृष्टीकोन “घटकांच्या दीर्घकालीन संचामध्ये संभाव्य उपायांचा एक संच आहे.” तथापि, आर्टिफिशियल इंटेलिजन्सच्या क्षेत्रातील अनेकांसाठी संशोधनाचे व्यापक क्षेत्र काय बनू शकते याची ही केवळ सुरुवातीची अवस्था आहे.
कंपनीने म्हटले आहे की एजंट्सची दीर्घकालीन स्मृती वाढवण्यासाठी केलेल्या प्रयोगांनी एकल सामान्य-उद्देशीय एन्कोडिंग एजंट संदर्भांमध्ये किंवा मल्टी-एजंट आर्किटेक्चरमध्ये चांगले काम केले की नाही हे दाखवले नाही.
प्रात्यक्षिकेने संपूर्ण वेब ॲप्लिकेशन्स विकसित करण्यावर देखील लक्ष केंद्रित केले आहे, त्यामुळे पुढील प्रयोगांनी विविध कार्यांमधील परिणामांचे सामान्यीकरण करण्यावर लक्ष केंद्रित केले पाहिजे.
“असे आहे की यापैकी काही किंवा सर्व धडे आवश्यक असलेल्या दीर्घकालीन कार्यांच्या प्रकारांवर लागू केले जाऊ शकतात, उदाहरणार्थ, वैज्ञानिक संशोधन किंवा आर्थिक मॉडेलिंगमध्ये,” अँथ्रोपिक म्हणाले.
