आज अधिकांश एजेंट कौशल स्थैतिक हैं। कोई एक बार सत्य पढ़ता है, इसे मार्कडाउन फ़ाइल में लिखता है, और इसे शिप करता है। प्रक्रिया और तथ्य एक ही पैराग्राफ में एक साथ जम जाते हैं। फिर तालिका अप्रचलित हो जाती है, और कौशल को पता नहीं चलता। एक रजिस्ट्री, मालिक फ़ील्ड, संस्करण योजना, त्रैमासिक समीक्षा, और लिंटर केवल उस ज्ञान में अधिक व्यवस्थित मेटाडेटा जोड़ते हैं जो अभी भी गलत है।

हमने अंततः जो स्वीकार किया वह यह है कि एक स्थैतिक कौशल बिना अमान्यीकरण प्रोटोकॉल के एक कैश है। यह एक प्राकृतिक-भाषा कार्य विवरण के पीछे एक पुनर्प्राप्ति परिणाम को कैश करता है, बिना निर्भरता ट्रैकिंग, बिना TTL, और बिना किसी तरीके के यह नोटिस करने के लिए कि एक स्रोत चला गया है। यही कारण है कि कौशल बासी हो जाते हैं, गुणा करते हैं, एक-दूसरे का विरोध करते हैं, और फूल जाते हैं।

विकल्प एक लिखित फ़ाइल में इरादे, प्रक्रिया, आउटपुट अनुबंध, गार्डरेल्स और दायरे को रखता है। हर तथ्य उस क्षण एक लाइव संदर्भ परत के विरुद्ध हल हो जाता है जब एजेंट पूछता है। मार्कडाउन जिसे मॉडल पढ़ता है वह अभी भी मौजूद है — यह सिर्फ एक बिल्ड आर्टिफैक्ट है जिसका जीवनकाल एक कॉल का है।

मेटाडेटा फिल्टर के साथ RAG एक कदम कम रुकता है: फिल्टर एक प्रति-क्वेरी तर्क है जिसे कॉल साइट पर असेंबल किया जाता है, और पुनर्प्राप्ति की इकाई समानता द्वारा रैंक किया गया एक चंक है। इस मॉडल में, एक दायरा लिखित कॉन्फ़िगरेशन है जो प्रति कॉल एक बार एक फिल्टर क्लॉज में संकलित होता है जिसे हर पुनर्प्राप्ति पथ द्वारा साझा किया जाता है और परिणामों पर बाहर जाते समय फिर से लागू किया जाता है।

MCP संसाधन फ़ेच को कॉल समय पर ले जाते हैं, लेकिन चयन क्लाइंट मॉडल के साथ रहता है, जिसे पहले से ही पता होना चाहिए कि लिखित गणना से किस संसाधन के लिए पूछना है। बासीपन सामग्री से उस सूचकांक में चला जाता है जो मौजूद है, और मॉडल अपने स्वयं के अन्वेषण में राउंड ट्रिप के लिए भुगतान करता है।

गहरा विभाजन यह है कि क्या रैंक किया जाता है। चंक समानता को इस बात पर कोई राय नहीं है कि एक कॉलम एक टेबल से संबंधित है जो एक स्कीमा से संबंधित है, इसलिए जब बजट तंग हो जाता है तो यह एक टेबल के पूर्ण विवरण के लिए तीन टेबल की पहचान लाइनों का व्यापार नहीं कर सकता। वह व्यापार वही है जो संगीतकार का अधिकांश काम करता है।

यह एजेंट ज्ञान के लिए एक अलग मॉडल है: गतिशील, लाइव, और वर्तमान संदर्भ के आसपास निर्मित बजाय जमे हुए कौशल स्नैपशॉट के।

मुख्य संस्थाएं: कंपनियां: modus, Towards Data Science