har nudlet på et konsept jeg vil kalle en "kontekstontologi" - mest fordi jeg skulle ønske jeg hadde et enkelt sted hvor jeg kunne se hvor kontekst kommer fra, og hvilke spørsmål de brukes i. nyttig kontekst for en LLM for å generere et svar eller iverksette tiltak kan inkludere ting som (1) mål på høyt nivå, (2) gjeldende oppgave/fokusområde, (3) oppsummert informasjon fra relevante tidligere oppgaver, (4) læring fra tidligere forsøk, etc. ettersom vi forventer mer av agentene våre (lengre oppgaver, mer kompliserte prosjekter osv.), blir råminnet raskt symboltungt og støyende, noe som reduserer kvaliteten på LLM-utgangen. de fleste komplekse AI-apper har en slags oppsummert kontekst (vil jeg anta), og flere kontekstkilder. Ideen her er å definere en ontologi for hvilken kontekst du lagrer*, hvordan du strukturerer den, og hva du skal hente for hver forespørsel i systemet ditt. *Med butikk mener jeg ikke nødvendigvis i AIs DB. impo, føles det mer helhetlig å betrakte dataene som er lagret i en hvilken som helst app som en del av AI-minnet (f.eks. API/MCP-tilkobling). Kanskje denne ontologien burde spesifisere dette også. tar du det ett skritt videre, kan du gjøre dette til en dynamisk ontologi som en AI kan administrere og teste, og deretter feste den i et RL-miljø for agenter for å forbedre kontekststyring (hypotetisk) usikker på om oppsummeringsstrategi bør gå inn her, men gir mening på et høyt nivå. vanskeligere siden de fleste oppsummerer informasjon ved inntak, slik at du må oppsummere tidligere inntak på nytt hver gang du endrer det (for å teste endringer og selvforbedring) - men jeg antar at dette problemet vedvarer uansett. Jeg tror ikke noe her er spesielt nytt. Bare tenker høyt mens jeg prøver å lage et rammeverk internt for å kartlegge ulike strategier jeg har sett.