RAG は最終目標ではありません。将来の方向性は AI エージェントのメモリにあります。 この進化のプロセスをできるだけ簡単に説明してみましょう。 RAG（2020-2023）： - 一度情報を取得して応答を生成する - 意思決定はなく、抽出と応答のみです。 問題: 無関係な情報が頻繁に抽出されます。 エージェンティックRAG: - エージェントは取得が必要かどうかを決定します。 - エージェントはどのデータ ソースをクエリすることを選択しますか? - エージェントの検証結果は役に立ちますか? - 問題: 読み取り専用のままであり、インタラクションから学習できません。 AIメモリ: - 外部知識の読み書き - 過去の会話から学ぶ - ユーザーの好みと歴史的背景を記憶する - 真のパーソナライゼーションを実現する このメンタルモデルは非常にシンプルです。 ↳ RAG: 読み取り専用、1回限りの使用 ↳ エージェントRAG: ユーティリティ呼び出しによる読み取り専用 ↳ エージェントメモリ: ユーティリティ呼び出しによる読み取り/書き込み エージェント メモリの強みは、エージェントがユーザーの好み、過去の会話、重要な日付などを「記憶」できるようになったことにあります。これらはすべて、将来のやり取りのために保存できます。 これにより、継続的な学習というさらに大きな可能性が開かれます。 エージェントはトレーニング時に固定されることはなく、各インタラクションから知識を蓄積し、再トレーニングなしで時間の経過とともに改善することができます。 メモリは、静的モデルと真に適応的な AI システムの間の橋渡しとして機能します。 もちろん、すべてが順調だったわけではありません。 メモリは、RAG がこれまで直面したことのない課題をもたらします。メモリの損傷、何を忘れるかの決定、複数のメモリ タイプ (手順、コンテキスト、および意味) の管理などです。 これらの問題を根本から解決するのは困難です。 エージェントに人間のような記憶を与えたい場合は、リアルタイムの知識グラフを構築するためのオープンソース フレームワークである Graphiti を調べてみてください。 リンクは次のツイートにあります！
@akshay_pachaar の素晴らしい共有から翻訳されたコンテンツです。
@akshay_pachaar 読み始める前に、人間と機械の共同コンテンツ エンジンによって公開されているこの xaicreator.com、またはブックマークすることを忘れないでください。 https://t.co/Gxsobg3hEN
@akshay_pachaar Graphiti GitHub リポジトリ (スターを付けるのを忘github.com/getzep/graphiti.co/qZEucYuoHg
@akshay_pachaar 最後に、このツイートを読んでいただきありがとうございます! AI情報、ビジネスインサイト、成長戦略については、@Yangyixxxxをフォローしてください。このコンテンツが気に入ったら、最初のツイートに「いいね！」とシェアをして、より多くの人に有益な情報を広めてください。