কনটেক্সট ইঞ্জিনিয়ারিং দ্রুত প্রকৌশলকে হত্যা করে — কারণটা এখানে

আপনার প্রথম কনটেক্সট ইঞ্জিনিয়ারিং সিস্টেম তৈরি করা

একটি প্রেক্ষাপট প্রকৌশল কর্মপ্রবাহ তৈরি করা কেবল তত্ত্ব নয় - এটি's একটি পুনরাবৃত্তিযোগ্য প্রক্রিয়া যা কার্যকরী এবং এমনকি স্বয়ংক্রিয়ও হতে পারে। আপনি এটি কীভাবে বাস্তবে প্রয়োগ করতে পারেন তা এখানে দেওয়া হল:

ধাপ 1: আপনার প্রসঙ্গ সূত্রগুলি ম্যাপ করুন

আপনার এজেন্টকে কোথা থেকে তথ্য সংগ্রহ করতে হবে তা চিহ্নিত করুন (ডকুমেন্ট, ডাটাবেস, API, পূর্ববর্তী চ্যাট ইত্যাদি)।

পাইথন

# Example: Fetching relevant documents using embeddings
from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer("all-MiniLM-L6-v2")
query = "project status update"
corpus = ["spec doc", "requirements", "last week's meeting notes"]

query_embedding = model.encode(query, convert_to_tensor=True)
corpus_embeddings = model.encode(corpus, convert_to_tensor=True)
hits = util.semantic_search(query_embedding, corpus_embeddings, top_k=2)[0]
relevant_docs = [corpus[hit['corpus_id']] for hit in hits]

ধাপ 2: মেমোরি এবং লেখার প্রসঙ্গ বাস্তবায়ন করুন

গুরুত্বপূর্ণ তথ্য সংরক্ষণ করুন যাতে ভবিষ্যতের কাজের জন্য এটি সর্বদা থাকে।

পাইথন

import json

def save_to_memory(memory_path, user_id, data):
    with open(memory_path, "r+") as file:
        memory = json.load(file)
        memory[user_id] = data
        file.seek(0)
        json.dump(memory, file)
        file.truncate()

ধাপ 3: বিল্ড কনটেক্সট সিলেকশন এবং কম্প্রেশন লজিক

এমন নিয়ম বা মডেল তৈরি করুন যা কেবলমাত্র কাজের জন্য সবচেয়ে প্রাসঙ্গিক তা বেছে নেয়। দীর্ঘ ইতিহাসকে সংক্ষিপ্ত আকারে সংকুচিত করুন।

পাইথন

def summarize_conversation(history):
    # Placeholder for use with an LLM summarizer or custom rules
    return history[-5:]  # Only the last 5 messages

ধাপ 4: এজেন্ট সমন্বয়ের জন্য প্রসঙ্গ বিচ্ছিন্ন করুন

তথ্য বিভক্ত করুন যাতে প্রতিটি এজেন্ট বা উপাদান কেবল যা করা উচিত তা পরিচালনা করে।

পাইথন

user_profile_ctx = {"user_goals": "..."}
task_specific_ctx = {"current_task": "..."}
external_data_ctx = {"live_data": "..."}
full_context = {**user_profile_ctx, **task_specific_ctx, **external_data_ctx}

ধাপ 5: আউটপুট স্ট্রাকচারিং এবং API প্রস্তুতি

আউটপুট প্রসঙ্গটি ধারাবাহিকভাবে ফর্ম্যাট করুন যাতে এটি's ডাউনস্ট্রিম LLM কল বা API এন্ডপয়েন্টের জন্য পূর্বাভাসযোগ্য।

পাইথন

schema = {
    "user": {"age": 35, "goal": "muscle gain"},
    "plan": "high protein, 3x/week weight training"
}

ধাপ 6: মনিটর, পুনরাবৃত্তি এবং সুরক্ষিত করুন

ব্যর্থতা ট্র্যাক করুন, প্রসঙ্গ মান নিরীক্ষণ করুন এবং প্রসঙ্গ অন্তর্ভুক্তি, স্মৃতি এবং পুনরুদ্ধারের জন্য যুক্তি উন্নত করুন। তাৎক্ষণিক ইনজেকশন এবং ডেটা ফাঁস এড়াতে সর্বদা ইনপুটগুলি স্যানিটাইজ করুন।