mirrors / microsoft--ai-agents-for-beginners

项目文件夹

microsoft--ai-agents-for-beginners
文件
main
T
wehub-resource-sync c79da9cdf9 chore: import upstream snapshot with attribution
2026-07-13 12:59:43 +08:00

36 KiB
原始文件 永久链接 Blame 文件历史

Agentic Protocols (MCP, A2A နှင့် NLWeb) ကို အသုံးပြုခြင်း

Agentic Protocols

(အပေါ်၌ရှိ ဓာတ်ပုံကို နှိပ်၍ ဤသင်ခန်းစာ၏ ဗီဒီယိုကို ကြည့်ပါ)

AI အေဂျင့်များ အသုံးပြုမှု များလာသည့်အခါ သတ်မှတ်စံနှုန်း၊ လုံခြုံရေးနှင့် ဖွင့်လှစ်ဆန်းသစ်မှုကို ထိန်းသိမ်းပေးနိုင်သည့် ပရိုတိုကောများ လိုအပ်လာသည်။ ဤသင်ခန်းစာတွင် ကျွန်တော်တို့ မေ့မနေ ကြည့်မည့် ပရိုတိုကော ၃ ခုမှာ Model Context Protocol (MCP), Agent to Agent (A2A) နှင့် Natural Language Web (NLWeb) ဖြစ်သည်။

နိဒါန်း

ဤသင်ခန်းစာတွင် ကျွန်တော်တို့ ကုဘယ်တွေကို ဖတ်ရှုလေ့လာမလဲ ဆိုတာကတော့ -

• MCP အားဖြင့် AI အေဂျင့်များသည် အသုံးပြုသူရဲ့ တာဝန်များကို ပြီးမြောက်စေရန် ပြင်ပကိရိယာများ (tools) နှင့် ဒေတာများကို မည်သို့ ချိတ်ဆက် အသုံးပြုနိုင်သည်ကို။

• A2A သည် အမျိုးမျိုးသော AI အေဂျင့်များအကြား ဆက်သွယ်ပေးခြင်းနှင့် ပူးပေါင်းလုပ်ဆောင်နိုင်စေခြင်းကို။

• NLWeb သည် မည်သည့် ဝဘ်ဆိုက်မဆို သဘာဝဘာသာစကား အင်တာဖေ့စ်များကို မျှဝေကာ AI အေဂျင့်များအား အကြောင်းအရာရှာဖွေနိုင်ခြင်းနှင့် ထိတွေ့ဆက်သွယ်နိုင်ရန် ဖော်ဆောင်ပေးသည့်နည်းလမ်းဖြစ်သည်။

သင်ယူရန်ရည်ရွယ်ချက်များ

• သိရှိရန် MCP, A2A နှင့် NLWeb တို့၏ အဓိက ရည်ရွယ်ချက်နှင့် အကျိုးကျေးဇူးများကို AI အေဂျင့်ပတ်ဝန်းကျင်တွင်။

• ရှင်းပြရန် တစ်ခုချင်းစီသော ပရိုတိုကောများသည် LLMs, ကိရိယာများနှင့် အခြားေအဂျင့်များအကြား ဆက်သွယ်မှုနှင့် ပြုလုပ်ဆောင်ရွက်မှုကို မည်သို့ လှုံ့ဆော်ပေးသည်ကို။

• အသိအမှတ်ပြုရန် ဖွဲ့စည်းပုံရှုပ်ထွေးသော အေဂျင့်စနစ်များ တည်ဆောက်ရာတွင် ပရိုတိုကောတစ်ခုချင်းစီ၏ မတူကွဲပြားသော အခန်းကဏ္ဍများကို။

Model Context Protocol

Model Context Protocol (MCP) သည် LLMs များအား context နှင့် ကိရိယာများကို တစ်စတင်တည်း ပေးနိုင်ရန် စံသတ်မှတ်ချက် စနစ်တစ်ခုဖြစ်သည်။ ၎င်းသည် AI အေဂျင့်များအတွက် မတူညီသော ဒေတာရင်းမြစ်များနှင့် ကိရိယာများဆီသို့ တစ်နေရာတည်းမှ ချိတ်ဆက်နိုင်သော "ယေဘုယျ အက်ဒပ်တာ" အဖြစ် လုပ်ဆောင်ပေးနိုင်သည်။

အခု MCP ၏ အစိတ်အပိုင်းများ၊ တိုက်ရိုက် API အသုံးပြုမှုနှင့် နှိုင်းယှဉ်၍ ရရှိသည့် အကျိုးကျေးဇူးများကို ဖော်ပြပြီး AI အေဂျင့်များက MCP ဆာဗာကို မည်သို့ အသုံးပြုနိုင်သည်ဆိုသည်ကို ဥပမာဖြင့် ကြည့်ပါမည်။

MCP ၏ အဓိက အစိတ်အပိုင်းများ

MCP သည် client-server architecture ပေါ်တွင် လည်ပတ်ပြီး အဓိကအစိတ်အပိုင်းများမှာ -

• Hosts သည် MCP Server များသို့ ချိတ်ဆက်ချင်သော LLM အပလီကေးရှင်းများ (ဥပမာ - VSCode ကဲ့သို့သော ကုဒ်တည်းဖြတ်ရေးအရာ) ဖြစ်သည်။

• Clients သည် host application အတွင်းရှိ တွဲဖက်အစိတ်အပိုင်းများဖြစ်ပြီး server တစ်ခုနှင့် တစ်ခု ချိတ်ဆက်မှုကို ထိန်းသိမ်းထားသည်။

• Servers သည် သတ်မှတ်ထားသော လုပ်ဆောင်ချက်များကို ပေးဆောင်သည့် အလေးလျော့ ပရိုဂရမ်းများ ဖြစ်သည်။

ပရိုတိုကောတွင် ပါဝင်သော အခြေခံ primitive ၃ မျိုးမှာ MCP Server ၏ စွမ်းရည်များ ဖြစ်သည်။

• Tools: AI အေဂျင့်တစ်ခုက ခေါ်ယူ၍ လုပ်ဆောင်နိုင်သည့် သီးသန့် တည်းဖြတ်ထားသော လုပ်ဆောင်ချက်များ သို့မဟုတ် function များဖြစ်သည်။ ဥပမာ - ရာသီဥတာဝန်ဆောင်မှုက "get weather" tool ကို ဖော်ပြနိုင်ပြီး၊ e-commerce ဆာဗာတစ်ခုက "purchase product" tool ကို ထုတ်ပြနိုင်သည်။ MCP servers များသည် သူတို့၏ capabilities စာရင်းတွင် tool တစ်ခုချင်းစီ၏ အမည်၊ ဖော်ပြချက်နှင့် input/output schema ကို ကြော်ငြာပေးသည်။

• Resources: MCP server တစ်ခုမှ ပေးဆောင်နိုင်သည့် ဖတ်-only ဒေတာအချက်များ သို့မဟုတ် စာရွက်စာတမ်းများဖြစ်ပြီး clients များသည် လိုအပ်သလို ရယူနိုင်သည်။ ဥပမာ - ဖိုင်အကြောင်းအရာများ၊ ဒေတာဘေ့စ် မှတ်တမ်းများ သို့မဟုတ် log ဖိုင်များ။ Resources များသည် စာသား (code သို့မဟုတ် JSON ကဲ့သို့) သို့မဟုတ် binary (ပုံများ သို့မဟုတ် PDF များကဲ့သို့) ဖြစ်နိုင်သည်။

• Prompts: ကြိုတင် သတ်မှတ်ထားသော သားစဉ်များဖြစ်ပြီး စီမံကိန်းများကို ပိုမိုရှုပ်ထွေးစေရန် အကြံပြု prompt များကို ပေးသည်။

MCP ၏ အကျိုးကျေးဇူးများ

MCP သည် AI အေဂျင့်များအတွက် အထူးသဖြင့် အောက်ပါ အားသာချက်များကို ပေးသည်။

• Dynamic Tool Discovery: အေဂျင့်များသည် ဆာဗာမှ ရနိုင်သော tool များ၏ စာရင်းကို သက်ဆိုင်ရာ ဖော်ပြချက်များနှင့်အတူ dynamic အတိုင်း လက်ခံရရှိနိုင်သည်။ ၎င်းသည် ဆက်သွယ်မှုများအတွက် မကြာခဏ static coding လိုအပ်သည့် ရိုးရိုး API များနှင့် ကွာခြားသည်၊ API ပြောင်းလဲမှုတစ်ခုတည်းဖြစ်လျှင် ကုဒ်ပြင်ဆင်ရခြင်းလိုအပ်မည်။ MCP သည် "တစ်ကြိမ်ပေါင်းစည်းခြင်း" နည်းလမ်းကို ပံ့ပိုးပေးကာ များပြားသော လိုအပ်ချက်များအတွက် ဝင်ရိုးတန်းလှုပ်ရှားနိုင်စေသည်။

• Interoperability Across LLMs: MCP သည် မတူညီသော LLM များနှင့် လျှောက်လွှာတခုထဲအတွင်း စပ်ဆက်နိုင်ရန် အထောက်အပံ့ ပေး၍ စွမ်းဆောင်ရည်ကောင်းမွန်သော အတိုင်းအတာများအတွက် မူလ မော်ဒယ်များကို အလွယ်တကူ ပြောင်းလဲစစ်ဆေးနိုင်သည်။

• Standardized Security: MCP တွင် စံသတ်မှတ်ထားသည့် authentication နည်းသစ်ပါဝင်ပြီး MCP server များထပ်ထည့်သွင်းသောအခါ စက်ရုပ်မာသည့် ပမာဏအတိုင်းတိုးပေါ်နိုင်စေသည်။ ၎င်းသည် ရိုးရိုး API များအတွက် ကွဲပြားသည့် key များနှင့် authentication မှုများကို ကိုင်တွယ်ရသည့် အခက်အခဲထက် ပိုမိုလွယ်ကူသည်။

MCP ဥပမာ

MCP ဇယား

အသုံးပြုသူတစ်ဦးသည် MCP ဖြင့် စွမ်းအားပြည့်သော AI အကူအညီတစ်ခုကို အသုံးပြု၍ လေကြောင်းလက်မှတ် ရောင်းယူချင်သည်ဟု သင်ယူလိုက်ပါ။

  1. ချိတ်ဆက်မှု: AI အကူအညီ (MCP client) သည် လေကြောင်းကုမ္ပဏီမှ ပံ့ပိုးထားသော MCP server သို့ ချိတ်ဆက်သည်။

  2. Tool ပြပွဲ: client သည် လေကြောင်း၏ MCP server ကို "သင်တို့မှာ ဘယ် tool များ ရှိပါသလဲ?" ဟု မေးသည်။ ဆာဗာသည် "search flights" နှင့် "book flights" ကဲ့သို့သော tool များကိုဖြေကြားပေးသည်။

  3. Tool ခေါ်ယူမှု: သင့်အား AI အကူအညီအား "Portland မှ Honolulu သို့ ထွက်သည့် လေယာဉ်ကို ရှာပေးပါ" ဟု မေးလျှင်၊ AI အကူအညီ၏ LLM သည် "search flights" tool ကို ခေါ်ရန် လိုအပ်ကြောင်း သိရှိပြီး ပက်ရာမီတာများ (origin, destination) ကို MCP server သို့ ပေးပို့သည်။

  4. လုပ်ဆောင်မှုနှင့် ဖြေချေမှု: MCP server သည် wrapper အဖြစ် လေကြောင်းကုမ္ပဏီ၏ အတွင်းရေးရာ booking API ကို လက်တွေ့ခေါ်ဆိုသည်။ ထို့နောက် လေယာဉ်အချက်အလက်များ (ဥပမာ JSON ဒေတာ) ကို လက်ခံပြီး AI အကူအညီဆီသို့ ပြန်ပို့ပေးသည်။

  5. နောက်ထပ် ဆက်ဆံမှု: AI အကူအညီသည် လေယာဉ်ရွေးချယ်မှုများကို ဖော်ပြပေးသည်။ သင်သည် လေယာဉ်တစ်စီးကို ရွေးချယ်လျှင် အဆိုပါ assistant သည် "book flight" tool ကို အလားတူ MCP server ပေါ်တွင် ခေါ်ယူ၍ booking ကို ပြီးမြောက်စေမည်။

Agent-to-Agent Protocol (A2A)

MCP သည် LLM များအား ကိရိယာများနှင့် ချိတ်ဆက်ရန် အာရုံစိုက်သော်လည်း Agent-to-Agent (A2A) ပရိုတိုကောသည် အဆင့်တိုး၍ အမျိုးမျိုးသော AI အေဂျင့်များအကြား ဆက်သွယ်ပေးခြင်းနှင့် ပူးပေါင်းဆောင်ရွက်နိုင်စေရန် ဖန်တီးထားသည်။ A2A သည် မတူညီသော အဖွဲ့အစည်းများ၊ ပတ်ဝန်းကျင်များနှင့် နည်းပညာဖြန့်ချိမှုများအကြား AI အေဂျင့်များကို ချိတ်ဆက်ကာ ပူးပေါင်းပြီး အသေးစားတာဝန်များကို ပြီးမြောက်စေသည်။

ကျွန်တော်တို့ travel application ကို အသုံးပြု၍ A2A ၏ အစိတ်အပိုင်းများနှင့် အကျိုးကျေးဇူးများ၊ နမူနာကို လေ့လာကြမည်။

A2A ၏ အဓိက အစိတ်အပိုင်းများ

A2A သည် အေဂျင့်များအကြား ဆက်သွယ်မှုကို ချိတ်ဆက်ပေးခြင်းနှင့် ၎င်းတို့ကို ပူးပေါင်းလုပ်ဆောင်စေခြင်းအပေါ် ဦးတည်သည်။ ပရိုတိုကော၏ အစိတ်အပိုင်း တစ်ခုချင်းစီသည် ၎င်းအတွက် အောက်ပါအတိုင်း သက်ရောက်မှုရှိသည်။

Agent Card

MCP server သည့် tool စာရင်းမျိုးမျိုးကို မျှဝေသည့်နည်းဖြင့် Agent Card တွင် အောက်ပါများ ပါဝင်သည်။

  • အေဂျင့်၏ အမည်။
  • ၎င်း အဓိက ပြီးမြောက်နိုင်သည့် လုပ်ငန်းများအကြောင်း သုတေသနဖော်ပြချက်။
  • အခြား အေဂျင့်များ (သို့မဟုတ် လူ့အသုံးပြုသူများ) သေချာနားလည်ရန် အကြောင်းပြချက်နှင့်အတူ သတ်မှတ်ထားသော specific skill များ၏ စာရင်း။
  • အေဂျင့်၏ လက်ရှိ Endpoint URL။
  • အေဂျင့်၏ ဗားရှင်းနှင့် သတ်မှတ်ထားသော စွမ်းရည်များ (ဥပမာ streaming responses နှင့် push notifications ကဲ့သို့)။

Agent Executor

Agent Executor သည် အသုံးပြုသူ ချတ်၏ context ကို remote agent သို့ ပေးပို့ရန် တာဝန်ယူသည်။ remote agent သည် တာဝန်ကို နားလည်ရန် ဤ context ကို လိုအပ်သည်။ A2A server တွင် agent တစ်ခုသည် သူ၏ မိမိ LLM ကို အသုံးပြု၍ မကြာခဏ တောင်းဆိုချက်များကို အနက်ပြတ်စွာ ထုတ်ဖော်၍ ၎င်း၏ အတွင်းရေးရာ ကိရိယာများဖြင့် အလုပ်များကို ဆောင်ရွက်သည်။

Artifact

Remote agent အဆိုပါ တောင်းဆိုချက်အတွက် တာဝန် ကို ပြီးစီးပါက ၎င်း၏ အလုပ်ရလဒ်သည် artifact အဖြစ် ဖန်တီးသည်။ artifact သည် အေဂျင့်၏ အလုပ်ရလဒ်ကို မျှသွားပြီး၊ ပြီးမြောက်ခဲ့သည့် အရာ၏ ဖော်ပြချက် နှင့် ပရိုတိုကောဖြင့် ပေးပို့သည့် စာသား context ကို ပါဝင်သည်။ artifact ကို ပို့ပြီးနောက် remote agent နှင့် ချိတ်ဆက်မှုကို ထပ်မံလိုအပ်သည်အထိ ပိတ်သည်။

Event Queue

ဤအစိတ်အပိုင်းသည် အပ်ဒိတ်များကို ကိုင်တွယ်ခြင်းနှင့် မက်ဆေ့ခ်ျ ပေးပို့ခြင်း အတွက် အသုံးပြုသည်။ အထူးသဖြင့် agentic system များတွင် တာဝန်ပြီးမြောက်မှုကြာမြင့်နိုင်သည့်အခါ သင့်တော်စွာ ချိတ်ဆက်မှုကို ပိတ်မထားပဲ ထိန်းသိမ်းရန် အရေးကြီးသည်။

A2A ၏ အကျိုးကျေးဇူးများ

• ပူးပေါင်းဆောင်ရွက်မှု မြှင့်တင်ခြင်း: ကုမ္ပဏီနှင့် ပလက်ဖောင်းအမျိုးမျိုးမှ အေဂျင့်များကို ဆက်သွယ်အောင်၊ context များကို မျှဝေထား၍ ပူးပေါင်းလုပ်ဆောင်နိုင်စေသည်။ ဤကာလအတွင်း ရိုးရာအားဖြင့် ခွဲထွက်ထားသော စနစ်များအကြား အလိုအလျောက် လုပ်ငန်းစဉ်များကို စတင်အကောင်အထည်ဖော်နိုင်အောင် ကူညီပေးသည်။

• မော်ဒယ် ရွေးချယ်မှု အလွယ်ကူမှု: A2A agent တစ်ခုချင်းစီသည် သူတို့၏ တောင်းဆိုချက်များကြောင်း တာဝန်စီမံရန် မည်သည့် LLM ကို အသုံးပြုမည်ကို ဆုံးဖြတ်နိုင်သည်။ ၎င်းသည် agent တစ်ခုချင်းစီအတွက် စိတ်တိုင်းမကျ သို့မဟုတ် fine-tuned မော်ဒယ်များကို အသုံးပြုရန် အခွင့်အလမ်း ပေးသည်၊ MCP အချို့ရိုးရာတွင်ရှိသည့် single LLM ချိတ်ဆက်မှုနှင့် မတူကွဲပြားသည်။

• Authentication များ ထည့်သွင်းထားခြင်း: A2A ပရိုတိုကောထဲတွင် authentication ကို တိုက်ရိုက် ထည့်သွင်းထားသဖြင့် agent များအကြား ဆက်သွယ်မှုများအတွက် ပြင်းပြမှုရှိသည့် လုံခြုံရေး ဘေ့စ်ကို ပေးသည်။

A2A ဥပမာ

A2A ဇယား

travel booking အခြေအနေကို A2A ကို အသုံးပြု၍ ပိုမိုထပ်မံ ချဲ့ထွင်ကြည့်ကြပါစို့။

  1. အသုံးပြုသူ၏ တောင်းဆိုချက်ကို Multi-Agent သို့: အသုံးပြုသူတစ်ဦးသည် "Travel Agent" A2A client/agent နှင့် ဆက်သွယ်ပြီး "လာမယ့် အပတ် Honolulu သို့ အပြည့်အစုံ ခရီးစဉ်တစ်ခု ဘုတ်ချရန်, တိုက်ပျို၊ ဟိုတယ်နှင့် ငှားမောင်းကတ်ပါဝင်သည်" ဟု တောင်းဆိုနိုင်သည်။

  2. Travel Agent မှ စီမံခန့်ခွဲမှု: Travel Agent သည် ဤရှုပ်ထွေးသော တောင်းဆိုချက်ကို လက်ခံသည်။ ၎င်း၏ LLM ကို အသုံးပြု၍ တာဝန်အား ကြောင့်ခွဲရှင်း၍ အထူးပြု agent အချို့နှင့် ဆက်သွယ်ရမည်ဖြစ်ကြောင်း ဆုံးဖြတ်သည်။

  3. Agent များအကြား ဆက်သွယ်မှု: Travel Agent သည် A2A ပရိုတိုကောကို အသုံးပြု၍ တို့၏ downstream agent များဖြစ်သည့် "Airline Agent," "Hotel Agent," နှင့် "Car Rental Agent" များနှင့် ချိတ်ဆက်သည်။ ၎င်းတို့သည် ကုမ္ပဏီများကတစ်ဆင့် ဖန်တီးထားသည်။

  4. တာဝန်များကို အပ်နှင်း ပေးပို့ခြင်း: Travel Agent သည် ဤအထူးပြု agent များသို့ သတ်မှတ်ထားသော တာဝန်များ (ဥပမာ - "Find flights to Honolulu," "Book a hotel," "Rent a car") ကို ပို့သည်။ ဤအထူးပြု agent များသည် မိမိတို့၏ LLM များကို လှုံ့ဆော်ကာ မိမိတို့၏ ကိရိယာများ (MCP servers များဖြစ်နိုင်သည်) ကို အသုံးပြု၍ မိမိပိုင် အပိုင်းကို ဆောင်ရွက်ပေးသည်။

  5. စုစည်းပြီး တုံ့ပြန်မှုပေးခြင်း: downstream agent များ၏ အလုပ်များ ပြီးဆုံးသည်နှင့်အမျှ Travel Agent သည် ရလဒ်များ (လေယာဉ် အသေးစိတ်, ဟိုတယ် အတည်ပြုချက်, ကားငှားမှု booking) ကို စုပေါင်း ပြန်လည် တင်ပြကာ အသုံးပြုသူထံ chat အကောင်အထည်ဖြင့် ပြန်ပေးပို့သည်။

Natural Language Web (NLWeb)

ဝဘ်ဆိုက်များသည် အင်တာနက်ပေါ်တွင် အသုံးပြုသူများအား အချက်အလက်နှင့် ဒေတာ ဆက်လက်ဝင်ရောက်သုံးစွဲရန် အဓိကနည်းလမ်း ဖြစ်ခဲ့သည်။

NLWeb ၏ အစိတ်အပိုင်းများ၊ NLWeb ၏ အကျိုးကျေးဇူးများနှင့် travel application ကို အသုံးပြု၍ NLWeb ပုံစံ အလုပ်လုပ်ပုံ ဥပမာကို ကြည့်ကြမည်။

NLWeb ၏ အစိတ်အပိုင်းများ

  • NLWeb Application (Core Service Code): သဘာဝဘာသာစကား မေးခွန်းများကို ကိုင်တွယ်ဖြေရှင်းပေးသော စနစ်။ ၎င်းသည် ပလက်ဖောင်း၏ အစိတ်အပိုင်းများကို ချိတ်ဆက်ပြီး တုံ့ပြန်ချက်များကို ဖန်တီးပေးသည်။ သင်သည် ၎င်းကို ဝဘ်ဆိုက်၏ သဘာဝဘာသာစကား လက္ခဏာများကို အားဖြည့်ပေးသည့် အင်ဂျင်ဟု ခံစားနိုင်သည်။

  • NLWeb Protocol: ၎င်းသည် ဝဘ်ဆိုက်နှင့် သဘာဝဘာသာစကားအပြန်အလှန် ဆက်သွယ်ရာအတွက် ချိန်ညှိထားသည့် အခြေခံ စည်းမျဉ်းများဖြစ်သည်။ ၎င်းသည် အကြောင်းအရာများအား JSON ပုံစံဖြင့် ပြန်ပို့ပြီး (ဆက်စပ် Schema.org ကို အသုံးပြုလေ့ရှိသည်) “AI Web” အတွက် ရိုးရှင်းသော အခြေခံအလုံအခြုံကို ဖန်တီးပေးရန် ရည်ရွယ်သည်၊ HTML ကွန်ရက်ပေါ်တွင် စာရွက်စာတမ်းများကို မျှဝေခြင်းဖြစ်ခဲ့သည့် အတိုင်း။

  • MCP Server (Model Context Protocol Endpoint): တစ်ခုချင်း NLWeb set up များသည် MCP server အနေနှင့်လည်း လည်ပတ်နိုင်သည်။ ဤသည်အားဖြင့် ဝဘ်ဆိုက်သည် အခြား AI စနစ်များနှင့် tools (ဥပမာ “ask” method) နှင့် ဒေတာများကို မျှဝေပေးနိုင်သည်။ လက်တွေ့တွင် ၎င်းလည်း ဝဘ်ဆိုက်၏ အကြောင်းအရာများနှင့် အနားယူနိုင်သော စွမ်းရည်များကို AI အေဂျင့်များအနေဖြင့် အသုံးပြုနိုင်စေရန် လမ်းပေးသည်။

  • Embedding Models: ဤ မော်ဒယ်များသည် ဝဘ်ဆိုက်အကြောင်းအရာများကို စက်ကိရိယာများ သဘောထား၍ နှိုင်းယှဉ်ရှာဖွေဖို့ အသုံးပြုနိုင်သည့် ဂဏာဏ် အမျိုးအစား vector (embeddings) များသို့ ပြောင်းလဲပေးသည်။ ဤ vectors များသည် အဓိပ္ပါယ်ကို ဖမ်းယူထားပြီး ကွန်ပျူတာများ ကာယအတူ တချို့နှိုင်းယှဉ်နိုင်ရန် အလွယ်ကူစေသည်။ ၎င်းတို့ကို အထူးဒေတာဘေ့စ်ထဲသို့ သိမ်းဆည်းထားပြီး အသုံးပြုသူများသည် သုံးချင်သည့် embedding model ကို ရွေးချယ်နိုင်သည်။

  • Vector Database (Retrieval Mechanism): ဤဒေတာဘေ့စ်သည် ဝဘ်ဆိုက်အကြောင်းအရာ၏ embeddings များကို သိမ်းဆည်းထားသည်။ မေးခွန်းတစ်ခုလာပါက NLWeb သည် vector database ကို စစ်ဆေးကာ အထက်ဆုံး သက်ဆိုင်ရာ အချက်အလက်ကို အလျင်အမြန် ရှာဖွေသည်။ ၎င်းသည် ဆင်တူမှု အဆင့်ဖြင့် အဖြေများကို အဆင့်သတ်မှတ် ပေးတင်ပို့သည်။ NLWeb သည် Qdrant, Snowflake, Milvus, Azure AI Search, နှင့် Elasticsearch ကဲ့သို့သော မတူညီသော vector 저장 စနစ်များနှင့် အလိုက်ဖက်စွာ လုပ်ဆောင်နိုင်သည်။

NLWeb ဥပမာဖြင့်

NLWeb ဇယား

ပြီးတော့ travel booking ဝဘ်ဆိုက်ကို ထပ်မံစဉ်းစားပါ၊ ဒီတစ်ခါမှာ အဲဒါကို NLWeb က အားဖြည့်ပေးထားသည်။

  1. ဒေတာ အသီးသီး တင်သွင်းမှု: travel ဝဘ်ဆိုက်၏ ရှိပြီးသား product catalog များ (ဥပမာ - လေယာဉ်စာရင်းများ၊ ဟိုတယ် ဖော်ပြချက်များ၊ ခရီးစဉ် အစုအဖွဲ့များ) ကို Schema.org ဖြင့် ဖော်စပ်ထားသို့မဟုတ် RSS feeds များမှ တင်သွင်းထားသည်။ NLWeb ၏ tools များသည် ဤ ဖွဲ့စည်းထားသည့် ဒေတာများကို ရယူ၍ embeddings များ ဖန်တီးကာ ဒေသဆိုင်ရာ ဒေတာဘေ့စ်သို့ သိမ်းဆည်းသည်။

  2. လူ့ဘာသာစကား မေးခွန်း (လူ): အသုံးပြုသူတစ်ဦးသည် ဝဘ်ဆိုက်သို့ ဝင်လာပြီး မီနူးများကို ခေါက်ရှာရန် မဟုတ်ဘဲ chat အင်တာဖေ့စ်တွင် "လာမယ့် အပတ် Honolulu အတွက် ကလေးတို့နှင့် သင့်လျော်သော ဟိုတယ် တစ်ခု၊ ကန်ပူပါရှိတဲ့နေရာ ရှာပါ" ဟု ရိုက်ထည့်သည်။

  3. NLWeb ကိုင်တွယ်မှု: NLWeb application သည် ဤ မေးခွန်းကို လက်ခံပြီး LLM သို့ မေးခွန်းကို ထုတ်ပို့ကာ နားလည်မှုအတွက် ပို့သည်၊ တချိန်တည်းမှာ vector database ကိုလည်း ရှာဖွေကာ သက်ဆိုင်ရာ ဟိုတယ်စာရင်းများကို ရှာဖွေသည်။

  4. တိကျသော ရလဒ်များ: LLM သည် ဒေတာဘေ့စ်မှ ရလာသည့် ရလဒ်များကို အဓိပ္ပာယ်ဖော်ညွှန်းကာ "ကလေးများနှင့် သင့်လျော်ခြင်း," "ကန်ပူ," "Honolulu" စသည့် စံချိန်များအရ အကောင်းဆုံး ကိုက်ညီသည့် ရွေးချယ်မှုများကို ရှာဖွေ၍ သဘာဝဘာသာစကား ဖြင့် တုံ့ပြန်ချက်ကို ဖော်စပ်ပေးသည်။ အရေးကြီးသည်မှာ တုံ့ပြန်ချက်တွင် ဝဘ်ဆိုက်၏ ကက်တလိုဂျ်မှ အမှန်တကယ် ရှိသော ဟိုတယ်များကို ကိုးကားပေးသဖြင့် သတင်းအချက်အလက် မဟုတ်မွန်သည့် စာရင်းများ မဖန်တီးပေးလေ့ မရှိပါ။

  5. AI အေဂျင့် ထိတွေ့မှု: NLWeb သည် MCP server အဖြစ်လည်း တည်ရှိသဖြင့် ပြင်ပ AI travel agent တစ်ခုက ဤ ဝဘ်ဆိုက်၏ NLWeb instance သို့ ချိတ်ဆက်နိုင်သည်။ AI agent သည် ask("Are there any vegan-friendly restaurants in the Honolulu area recommended by the hotel?") ဟူသော ask MCP method ကို အသုံးပြု၍ ဝဘ်ဆိုက်အား တိုက်ရိုက် မေးမြန်းနိုင်သည်။ NLWeb instance သည် ၎င်းကို ကိုင်တွယ်ကာ အစားအသောက်ဆိုင် အချက်အလက်ဒေတာဘေ့စ် (တင်ထားပါက) အောက်တွင် ရှာဖွေ၍ ဖော်ပြသည့် JSON ဖွဲ့စည်းထားသော တုံ့ပြန်ချက်ကို ပြန်ပေးပို့မည်။

MCP/A2A/NLWeb အကြောင်း ပိုမိုမေးစရာများ ရှိပါသလား?

အခြား သင်ယူလိုသူများနှင့် တွေ့ဆုံရန်၊ office hours တက်ရောက်ရန်နှင့် သင့် AI Agents ပတ်သက်သော မေးခွန်းများကို ဖြေရှင်းဖို့ Microsoft Foundry Discord တွင် ပူးပေါင်းပါ: Microsoft Foundry Discord

အရင်းအမြစ်များ

တာဝန်ကင်းရှင်းချက်: ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှုဖြစ်သော Co-op Translator (https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းပါသော်လည်း အလိုအလျောက် ဘာသာပြန်ချက်များတွင် အမှားများ သို့မဟုတ် မှန်ကန်မှုမပြည့်စုံသည့် အချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် မေတ္တာရပ်ခံပါသည်။ မူလစာတမ်းကို မူလဘာသာဖြင့်ရှိသည့် မူရင်းအရာကို အာဏာရှိသော ရင်းမြစ်အဖြစ် ထည့်သတ်ရမည်ဖြစ်သည်။ အရေးပါတဲ့ အချက်အလက်များအတွက် သက်ဆိုင်ရာ ပရော်ဖက်ရှင်နယ် လူဘာသာပြန်မှ ပြန်လည်ဘာသာပြန်ပေးရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းကြောင့် ဖြစ်ပေါ်နိုင်သည့် နားမလည်မှုများ သို့မဟုတ် မှားယွင်းစိတ်ဖြင့် သတ်မှတ်ချက်များအတွက် ကျွန်ုပ်တို့မှာ တာဝန်မရှိပါ။

在新工单中引用 查看 Git Blame 复制永久链接