एजेंटिक RAG में मेमोरी और स्थिति
अपने RAG एजेंट को अल्पकालिक और दीर्घकालिक मेमोरी दीजिए, ताकि वह बातचीत बनाए रख सके और अलग-अलग चरणों में तथ्यों को याद कर सके।
एजेंटिक RAG में मेमोरी और स्थिति, CoddyKit पर LangChain / RAG / वेक्टर डेटाबेस का एक निःशुल्क पाठ है। यह 4 में से 4वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह LangChain / RAG / वेक्टर डेटाबेस सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। LangChain / RAG / वेक्टर डेटाबेस पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
एजेंट को स्मृति की आवश्यकता क्यों होती है
एक स्टेटलेस एजेंट हर कॉल के बाद सब कुछ भूल जाता है। स्मृति एजेंट को बातचीत पर नज़र रखने, उपयोगकर्ता की प्राथमिकताएँ याद रखने और बार-बार होने वाली प्राप्तियों से बचने देती है।
अल्पकालिक बनाम दीर्घकालिक
अल्पकालिक स्मृति वर्तमान बातचीत को संदर्भ विंडो में रखती है। दीर्घकालिक स्मृति सत्रों के बीच तथ्यों को सुरक्षित रखती है, अक्सर वेक्टर स्टोर या डेटाबेस में।
बातचीत बफ़र
सबसे सरल स्मृति पूरे संदेश इतिहास को रखती है और हर चरण में उसे फिर चलाती है, ताकि मॉडल के पास पूरा संदर्भ हो।
history = []
def chat(user_msg):
history.append({"role": "user", "content": user_msg})
reply = llm.invoke(history)
history.append({"role": "assistant", "content": reply})
return replyसंदर्भ विंडो की सीमा
पूरा इतिहास फिर चलाने से अंततः मॉडल का संदर्भ भर जाता है। टोकन बजट के भीतर रहने के लिए आपको पुराने चरणों का सारांश बनाना या उन्हें हटाना होगा।
सारांश स्मृति
समय-समय पर पुराने चरणों को एक निरंतर सारांश में संक्षिप्त करें और हाल के चरणों को यथावत रखें। इससे मुख्य बात सुरक्षित रहती है और टोकन मुक्त होते हैं।
if len(history) > 20:
summary = llm.invoke("Summarize: " + str(history[:-6]))
history[:] = [{"role": "system", "content": summary}] + history[-6:]वेक्टर के माध्यम से दीर्घकालिक स्मृति
स्थायी तथ्यों को एम्बेडिंग के रूप में संग्रहीत करें। हर चरण में समानता के आधार पर प्रासंगिक स्मृतियाँ प्राप्त करके उन्हें जोड़ें, ठीक वैसे ही जैसे ज्ञान-आधार पर RAG किया जाता है।
memory_store.add_texts(["User prefers metric units"])
relevant = memory_store.similarity_search(user_msg, k=3)क्या याद रखना है, यह चुनना
सब कुछ संग्रहीत न करें। स्थायी और दोबारा उपयोग किए जा सकने वाले तथ्यों, जैसे प्राथमिकताओं, निर्णयों और इकाइयों को निकालें; दीर्घकालिक स्मृति को साफ़ रखने के लिए क्षणिक बातचीत छोड़ दें।
चैट से आगे की स्थिति
एजेंट गैर-बातचीत संबंधी स्थिति भी दर्ज करते हैं: कौन-से टूल चले, मध्यवर्ती परिणाम और अगले कार्य की योजना बनाने में उपयोग किए गए तर्क-चरणों का स्क्रैचपैड।
थ्रेड और सत्र कुंजियाँ
बहु-उपयोगकर्ता प्रणालियों में, thread_id या user_id के आधार पर स्मृति का दायरा तय करें, ताकि बातचीत कभी भी अलग-अलग लोगों के बीच न मिले।
def get_history(thread_id):
return store.get(thread_id, [])
def save(thread_id, messages):
store[thread_id] = messagesस्थायित्व
पुनः आरंभ के बाद भी स्मृति बनाए रखने के लिए उसे प्रक्रिया के भीतर के शब्दकोश के बजाय डेटाबेस या चेकपॉइंटर से जोड़ें। LangGraph इसी कार्य के लिए चेकपॉइंटर उपलब्ध कराता है।
सब कुछ एक साथ जोड़ना
हाल की बातों के लिए छोटा किया हुआ बातचीत बफ़र, बीच की बातों के लिए सारांश स्मृति और स्थायी तथ्यों के लिए वेक्टर दीर्घकालिक स्मृति मिलाएँ; इन सबकी कुंजी सत्र हो।
त्वरित जाँच
एजेंट की स्मृति की अपनी समझ जाँचें।
पुनरावलोकन
आपने एजेंट में स्मृति जोड़ना सीखा:
- वर्तमान चैट के लिए अल्पकालिक बफ़र
- संदर्भ विंडो में समाने के लिए सारांश स्मृति
- स्थायी तथ्यों के लिए दीर्घकालिक वेक्टर स्मृति
- सत्र के आधार पर दायरा तय करें और स्थायित्व के लिए सुरक्षित रखें
एआई शिक्षक के साथ LangChain / RAG / वेक्टर डेटाबेस सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 12
- पाठ
- 48
अक्सर पूछे जाने वाले प्रश्न
क्या “एजेंटिक RAG में मेमोरी और स्थिति” पाठ निःशुल्क है?
हाँ—“एजेंटिक RAG में मेमोरी और स्थिति” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और LangChain / RAG / वेक्टर डेटाबेस पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। LangChain / RAG / वेक्टर डेटाबेस पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
“एजेंटिक RAG में मेमोरी और स्थिति” में मैं क्या सीखूँगा?
अपने RAG एजेंट को अल्पकालिक और दीर्घकालिक मेमोरी दीजिए, ताकि वह बातचीत बनाए रख सके और अलग-अलग चरणों में तथ्यों को याद कर सके। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ LangChain / RAG / वेक्टर डेटाबेस का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या LangChain / RAG / वेक्टर डेटाबेस शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर LangChain / RAG / वेक्टर डेटाबेस शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 4वाँ पाठ है।
“एजेंटिक RAG में मेमोरी और स्थिति” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस LangChain / RAG / वेक्टर डेटाबेस पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर LangChain / RAG / वेक्टर डेटाबेस पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।
इस पाठ्यक्रम के सभी पाठ
- LangChain एजेंट और उपकरणों की अवधारणाएँ
- बहु-एजेंट RAG कार्यप्रवाह बनाना
- बाहरी API को उपकरणों के रूप में एकीकृत करना
- एजेंटिक RAG में मेमोरी और स्थिति