Letta पर इंजीनियरिंग सहायक: स्वयं-अद्यतनशील स्मृति, अभिलेखीय खोज और पोर्टेबल कार्यप्रवाह
इसमें ऐसे एजेंट का निर्माण समझाया गया है, जो मुख्य मेमोरी के ब्लॉकों को स्वतंत्र रूप से संभालता है, वेक्टर संग्रह तक पहुँचता है और नियतात्मक टूल चलाता है; साथ ही, कई एजेंटों की साझा स्थिति, स्ट्रीमिंग आउटपुट और वर्कफ़्लो को पोर्टेबल फ़ाइल में एक्सपोर्ट करने पर भी चर्चा की गई है।

उपयोगकर्ता सहायक
यह ट्यूटोरियल Letta पर स्थिति बनाए रखने वाला इंजीनियरिंग सहायक बनाता है। एजेंट को “निरीक्षण योग्य दीर्घकालिक स्मृति वाला इंजीनियरिंग सह-पायलट” के रूप में वर्णित किया गया है। इसकी संरचना में स्मृति, खोज, उपकरण, कई एजेंटों के बीच सहयोग और निष्पादन ट्रेस शामिल हैं।
मानदंड: सहायक स्थिति बनाए रखने वाले इंजीनियरिंग कार्यों और सत्यापन योग्य दीर्घकालिक स्मृति के लिए उपयुक्त है।
मुख्य स्मृति ब्लॉक और स्वयं अपडेट
मुख्य स्मृति में चार सत्यापन योग्य ब्लॉक होते हैं। एजेंट उन्हें स्वयं अपडेट कर सकता है।

कोड अलग-अलग डिफ़ॉल्ट मानों और सीमाओं वाले चार ब्लॉक निर्धारित करता है।
| ब्लॉक | सामग्री | डिफ़ॉल्ट मान | सीमा |
|---|---|---|---|
persona | “मैं Mnemo हूँ, एक इंजीनियरिंग सह-पायलट। मैं संक्षिप्त और स्पष्ट रहता हूँ, और कभी भी तथ्य नहीं गढ़ता—अगर मुझे कुछ पता नहीं होता, तो मैं यह कहता हूँ और फिर उसे खोजता हूँ।” | — | 3000 |
human | इंजीनियर के बारे में स्थायी जानकारी: नाम, भूमिका, टेक स्टैक, प्राथमिकताएँ और काम करने की शैली। | अब तक अज्ञात। | 3000 |
project_state | परियोजना की वर्तमान स्थिति: चरण, अवरोधक, निर्णय और उनके कारण। | (खाली) | 5000 |
lessons | सीखे गए सबक और ऐसी गलतियाँ जिन्हें दोहराना नहीं चाहिए; प्रारूप—हर सबक के लिए एक पंक्ति। | (खाली) | 2000 |
मानदंड: ब्लॉक एजेंट की भूमिका, इंजीनियर की प्रोफ़ाइल, परियोजना की स्थिति और सीखे गए सबकों को अलग-अलग रखते हैं। सीमाएँ हर ब्लॉक की हद तय करती हैं।
एम्बेडिंग, टैग और मॉडल का कॉन्फ़िगरेशन
कोड एजेंट के लिए embedding openai/text-embedding-3-small निर्धारित करता है। कोड ["tutorial", "copilot"] टैग देता है। कोड पसंदीदा मॉडल सूचीबद्ध करता है: openai/gpt-4.1, openai/gpt-4o-mini, anthropic/claude-sonnet-4-20250514। सिस्टम सूची में से पहला उपलब्ध मॉडल चुनता है। अगर कोई मॉडल नहीं मिलता, तो सिस्टम प्राप्त मॉडलों में से पहला मॉडल लेता है।
मानदंड: सूची का क्रम प्राथमिकता तय करता है। बैकअप विकल्प प्राप्त मॉडलों में से पहला मॉडल है।
प्रोग्रामेटिक पहुँच और एजेंटों के बीच सहयोग
ब्लॉक तक प्रोग्रामेटिक पहुँच दो काम करती है।
- स्थिति का सिंक्रनाइज़ेशन;
- कई एजेंटों के बीच साझाकरण।
पहुँच मुख्य स्मृति के ब्लॉकों तक होती है।
मानदंड: एजेंटों के बीच स्थिति को सिंक्रनाइज़ करने के लिए ब्लॉकों तक साझा पहुँच आवश्यक है।
आर्काइव स्मृति और सिमेंटिक खोज
आर्काइव वेक्टर स्मृति सिमेंटिक खोज के लिए काम आती है। यह सहायक की संरचना का हिस्सा है।
मानदंड: संचित डेटा के अर्थ-आधारित प्रश्नों के लिए आर्काइव खोज आवश्यक है।
जोखिम मूल्यांकन के लिए सर्वर टूल और स्ट्रीमिंग निष्पादन
उपयोगकर्ता-निर्मित सर्वर टूल नियतात्मक जोखिम मूल्यांकन करता है। निष्पादन की स्ट्रीमिंग सहायक की संरचना का हिस्सा है।
मानदंड: जोखिम मूल्यांकन के लिए नियतात्मक तर्क वाला सर्वर टूल आवश्यक है। निष्पादन के लिए स्ट्रीमिंग आवश्यक है।
सर्वर-साइड इतिहास और पोर्टेबल परिदृश्य
सर्वर-साइड संदेश इतिहास लगातार चलने वाली बातचीत को बनाए रखता है। .af एक्सपोर्ट पोर्टेबिलिटी सुनिश्चित करता है।
मानदंड: लगातार चलने वाले संवाद के लिए सर्वर-साइड इतिहास आवश्यक है। परिदृश्य को स्थानांतरित करने के लिए .af एक्सपोर्ट आवश्यक है।
अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
हाइब्रिड इमेज एनोटेशन: ऑटोमेशन कंप्यूटर विज़न मॉडल्स के प्रशिक्षण को तेज़ करता है
यह लेख बताता है कि एल्गोरिदम द्वारा पूर्व-लेबलिंग मैन्युअल काम को कैसे कम करती है और प्रशिक्षण डेटासेट की गुणवत्ता कैसे बढ़ाती है, साथ ही यह भी कि इंसानों द्वारा नमूना-आधारित सत्यापन अब भी क्यों ज़रूरी है। इसमें कठिन शूटिंग परिस्थितियों और दुर्लभ प्रकार की वस्तुओं के मामले में इस विधि की सीमाओं पर चर्चा की गई है।
5 नवम्बर 2026
डिफ्यूज़न भाषा मॉडल्स को फ़ाइन-ट्यून करने की GoldiMask विधि: संदर्भ चयन और लक्ष्य भारांकन
इस कार्य में GoldiMask प्रस्तुत किया गया है—डिस्क्रीट डिफ्यूज़न वाले भाषा मॉडलों के लिए supervised fine-tuning का एक तरीका, जो सबमॉड्यूलर फ़ंक्शन के लगभग अधिकतमीकरण के ज़रिए दिखाई देने वाले टोकन चुनता है और शेष लक्ष्यों को उनकी प्रशिक्षण उपयोगिता के अनुसार वज़न देता है। कई मॉडलों और डेटासेट पर किए गए प्रयोग औसत सटीकता में वृद्धि, तर्क और प्रोग्रामिंग कार्यों में बेहतर प्रदर्शन, और लगभग समान गुणवत्ता के साथ GSM8K तथा MATH-500 पर समानांतर डिकोडिंग के कम पुनरावृत्ति चरण दर्शाते हैं।
30 अक्टूबर 2026
Transformers ने Apple Silicon पर क्वांटाइज़्ड GGUF मॉडल चलाने की सुविधा जोड़ी
लेख में llama.cpp के GGUF फ़ॉर्मेट को Transformers के साथ एकीकृत करने का वर्णन है: Mac पर स्थानीय इन्फ़रेंस, लाइब्रेरी API के माध्यम से मॉडल लोड करना और OpenAI-संगत सर्वर चलाना। Qwen3.5-4B के उदाहरण से दिखाया गया है कि क्वांटाइज़ेशन स्तर का चुनाव वेट्स के आकार और मेमोरी की आवश्यकताओं को कैसे प्रभावित करता है।
18 अक्टूबर 2026