موضوع
۱۵ مقاله با این موضوع (به انگلیسی Retrieval & search). جستجو و فیلتر در همین موضوع
ایجنت کتابدار: پیش از رسیدن سؤال‌ها، اسناد را به یک فضای کاری مرتب از فایل‌ها تبدیل کن
استدلال روی اسناد طولانی برای مدل‌های زبانی هنوز سخت است. روش‌های بازیابی معمول واکنشی‌اند: فقط بعد از رسیدن سؤال دنبال تکه‌های مرتبط می‌گردند، پس سؤال‌هایی که به ترکیب چند سند نیاز دارند گیر می‌کنند. ساختارهای ازپیش‌ساخته مثل گراف دانش هم با قاعده‌های خشک ساخ
سنجیدن حافظه‌ی ایجنت با پرسش و پاسخ کافی نیست؛ باید خود حافظه را بازرسی کرد
بنچمارک‌های حافظه‌ی ایجنت معمولاً می‌پرسند آیا جواب ایجنت به سؤال درست است، و از روی آن درباره‌ی کیفیت حافظه قضاوت می‌کنند. اما این روش سه چیز را با هم قاطی می‌کند: درستی حافظه، کیفیت بازیابی و کیفیت تولید جواب. گاهی جواب درست است در حالی که حافظه خراب است (مد
پژوهش عمیق کنترل‌شده با یک فضای کاری معنایی مشترک و ایجنت تأییدکننده‌ی جدا
پژوهش عمیق نیاز دارد چند قدم جست‌وجو، استدلال و محاسبه به هم وصل شوند و یافته‌های میانی مسیر بررسی بعدی را تعیین کنند. با بزرگ شدن پژوهش، ایجنت باید وضعیت پژوهش را بین فراخوانی‌های مدل نگه دارد و یافته‌ها را پیش از این‌که خطا به کار بعدی منتقل شود بررسی کند. ه
بازیابی ایجنتی با یک اسکیل قابل حمل به جای خط لوله‌ی پیچیده: مطالعه‌ی موردی پشتیبانی مشتری Airbnb
خودکارسازی کار سازمانی معمولاً نیاز دارد مجموعه‌ی کامل و دقیقی از اطلاعات مرتبط از اسناد عملیاتی بزرگ بازیابی شود. در پشتیبانی مشتری، متخصص باید برای هر پرونده ترتیب درست قدم‌های حل را از روی اسناد سیاستی پیدا کند. رسیدن به این دقت در تولید معمولاً خط لوله‌ی پ
بازیابی ابزار آگاه از قابلیت اطمینان: کنار گذاشتن ابزارهایی که در لحظه از کار افتاده‌اند
ایجنت‌ها بیشتر به ابزارهای بیرونی تکیه می‌کنند و بازیابی درست ابزار برای رفتار قابل اعتماد لازم است. روش‌های موجود ارتباط معنایی را بهینه می‌کنند ولی در دسترس بودن ابزار در زمان اجرا را نادیده می‌گیرند؛ مثلاً API آب‌وهوایی که از نظر معنایی بهترین گزینه است ولی
فراتر از امبدینگ نهایی: بازیابی حافظه با تطبیق در سطح توکن، بدون آموزش اضافه
دستیارهای مجهز به حافظه شواهد را از گفت‌وگوها و اسناد ذخیره‌شده بازیابی می‌کنند. بیشتر بازیاب‌های مبتنی بر امبدینگ، پرسش و حافظه را با یک بردار مقایسه می‌کنند، حتی وقتی ارتباط به بخش کوچکی از محتوا بستگی دارد؛ مثلاً یک جمله‌ی کوتاه درباره‌ی حساسیت غذایی کاربر
هارنس استدلال روی مجموعه‌های ۱۰۰ میلیون توکنی با مدیریت صریح وضعیت شواهد و نتیجه‌ها
استدلال روی مجموعه‌های سند بزرگ‌تر از پنجره‌ی کانتکست نیاز دارد ایجنت شواهد را از اسناد زیادی جمع و ترکیب کند. هارنس‌های موجود دسترسی تدریجی می‌دهند، اما شواهد جمع‌شده و نتیجه‌های در حال تحول در تاریخچه‌ی رو به رشد تعامل در هم می‌پیچند. این مدیریت ضمنی وضعیت د
ایجنت جست‌وجو اول پیش‌نمایش نتیجه‌ها را ببیند و بعد تصمیم بگیرد کدام وارد استدلالش شود
ایجنت‌های جست‌وجو معمولاً بازیابی شاهد را با مصرف آن یکی می‌گیرند و سندهای بازیابی‌شده را با قاعده‌ی ثابت یا بر اساس رتبه وارد کانتکست می‌کنند. اما ارزش یک سند به وضعیت فعلی استدلال بستگی دارد: سندی با رتبه‌ی پایین ممکن است برای قدم فعلی حیاتی باشد و سندی با ر
کرونوس: استدلال ایجنت‌های کد روی تاریخچه‌ی تکامل نرم‌افزار با گراف درخواست‌های ادغام گذشته
درخواست‌های ادغام تاریخی تصمیم‌های طراحی، قیدهای سازگاری و الگوهای پیاده‌سازی پشت وضعیت فعلی کد را ثبت می‌کنند. تجربه‌ی مرتبط با یک تسک تازه ممکن است در چند تغییر مرتبط پخش باشد که توضیحاتشان روی نگرانی‌های متفاوتی تأکید دارند، پس جست‌وجوی معنایی ساده آن‌ها را
پژوهش عمیق باز افزایشی با هارنس ساختاریافته: به‌روزرسانی گزارش به جای نوشتن از صفر
سیستم‌های پژوهش عمیق باز عمدتاً گزارش را از صفر تولید می‌کنند، که برای گزارش‌هایی که باید با رسیدن اطلاعات تازه پیوسته نگهداری شوند ناکارآمد است. مثلاً گزارشی درباره‌ی بازار خودروهای برقی هر ماه باید به‌روز شود، اما بازنویسی کامل هر بار هزینه دارد و بخش‌های م
مرتبط بودن کافی نیست: چه چیزی واقعاً شکاف شواهد را در پرسش و پاسخ با حافظه‌ی بلندمدت می‌بندد
ایجنت‌هایی که در جلسه‌های زیاد با کاربر تعامل دارند، تاریخچه‌ای بزرگ‌تر از پنجره‌ی کانتکست جمع می‌کنند و از یک مجموعه‌ی کوچک رکورد بازیابی‌شده پاسخ می‌دهند. سیستم‌های حافظه رکوردها را با ربط واژگانی یا معنایی رتبه می‌دهند، اما رکوردهای برتر ممکن است هرکدام مرت
بنچمارک یادگیری از سرویس‌دهی: ایجنت‌ها چقدر می‌توانند از تجربه‌ی استقرار خودشان بهتر شوند؟
دانش لازم برای رفتار درست ایجنت در محیط‌های واقعی اغلب ضمنی، اعلام‌نشده و در حال تغییر است؛ مثلاً یک فروشگاه سیاست بازگشت کالا را بی‌اعلام عوض می‌کند. هارنس‌های یادگیری پیوسته می‌خواهند ایجنت از تجربه‌ی سرویس‌دهی بهتر شود، اما اثربخشی و محدودیت‌هایشان مشخص نیس
ایجنت‌های جست‌وجوی برنامه‌ای: گسترش جست‌وجوی ایجنتی فراتر از بازنویسی پرسش
ایجنت‌های جست‌وجو پرسش‌هایشان را تطبیق می‌دهند، اما رابط‌های ثابت جست‌وجو پردازش نامزدها و ارائه‌ی شواهد را از کنترل مستقیم ایجنت بیرون نگه می‌دارند. تحلیل مسیرها نشان داد متن‌های پشتیبان ممکن است بازیابی شوند ولی هرگز به ایجنت نرسند، و یک مداخله‌ی مرجع در هما
ایجنت چه چیزی را باید به خاطر بسپارد؟ جدا کردن نگهداری از بازیابی در ارزیابی حافظه‌ی محدود
یک ایجنت پایدار باید هم تصمیم بگیرد با رسیدن اطلاعات چه چیزی را نگه دارد و هم وقتی پرسشی آمد چه چیزی را بیرون بکشد. اما ارزیابی‌های حافظه با مقایسه‌ی روش‌هایی که هم در نگهداری و هم در انتخاب فرق دارند، این دو تصمیم را با هم قاطی می‌کنند؛ پس معلوم نیست بهبود گز
ای‌پی‌جی‌ام: منشأ اجرا برای بازیابی حافظه‌ی ایجنت با بودجه‌ی محدود توکن
تاریخچه‌ی اجرای ایجنت می‌تواند از پنجره‌ی کانتکست بیشتر شود و سیستم حافظه باید شواهد پشتیبان کامل را زیر یک بودجه‌ی توکن سخت بازیابی کند. شواهد ممکن است در چند رویداد اجرا پخش باشند، اما بازیاب‌های معمول پنجره‌های توکن ثابت و معیارهای k ثابت دارند که به تکه‌ها