پاسخگویی دقیق به پرسشهای کاربران در دستیارهای هوشمند سازمانی، تنها با اتکا به مدلهای زبانی پایه امکانپذیر نیست، بلکه مستلزم درک عمیق بافت گفتگو و انتخاب صحیح ابزارهای بازیابی اطلاعات است. اکثر سیستمهای گفتگومحور ساده در مکالمات چندمرحلهای (Multi-turn) با چالش گم کردن موضوع اصلی و عدم درک ارجاعات متنی مواجه میشوند. مخزن knowledge-retrieval-agent با ارائهی معماری یک عامل گفتگومحورِ مجهز به حافظه و ابزارمحور، راهحلی منسجم برای این مسئله ارائه میدهد.
این پروژه بر سه رکن اصلی ساختار یافته است: مسیریابی هوشمند پرسوجو، بازیابی دقیق اسناد و رفع ابهام ارجاع ضمایر (Pronoun Coreference Resolution). در اولین لایه، سیستم از متدولوژی TF-IDF برای مسیریابی درخواستها بهره میبرد تا بهسرعت مشخص کند چه ابزار یا پایگاه دانشی برای پاسخ به درخواست فعلی کاربر مناسبتر است. استفاده از این روش سبک محاسباتی، هزینههای فراخوانی مدلهای سنگینتر را کاهش داده و سرعت تصمیمگیری عامل را به شکل قابل توجهی افزایش میدهد.
چالش دیگری که اغلب سیستمهای RAG با آن دستوپنجه نرم میکنند، درک ضمایر در طول گفتگو است. کاربران در ترنهای بعدی مکالمه معمولاً از کلماتی مانند «آن»، «این محصول» یا «ویژگیهایش» استفاده میکنند بدون اینکه نام موضوع را تکرار کنند. این عامل هوشمند با حفظ بافت و تحلیل تاریخچه گفتگو، مرجع دقیق ضمایر را شناسایی کرده و پرسوجوی کاربر را پیش از ارسال به بخش بازیابی اسناد (Doc Retrieval)، بازنویسی و شفاف میسازد.
یکی از جنبههای ارزشمند این پروژه، رویکرد سنجیده آن در ارزیابی عملکرد است. معمار این پروژه سیستم را روی دادههای ارزیابی مجزا (Held-out datasets) تست کرده و دو سنجه کلیدی را به دقت اندازهگیری نموده است: دقت مسیریابی ابزارها (Routing Accuracy) و دقت رفع ابهام ضمایر در مکالمات چندمرحلهای. این سنجش کمی، امکان مقایسه دقیقتر روشهای مختلف بازیابی و حافظه را برای پژوهشگران و مهندسان هوش مصنوعی فراهم میآورد.
برای تیمهای فنی و کسبوکارهایی که به دنبال توسعه سیستمهای پشتیبانی مشتریان، چتباتهای تخصصی یا سامانههای مدیریت دانش هستند، بررسی الگوی پیادهسازیشده در این مخزن میتواند بسیار آموزنده باشد. ترکیب ابزارهای سنتز متن با حافظه ساختاریافته و روشهای کلاسیک پردازش زبان طبیعی، راهکاری عملیاتی برای کاهش خطاهای رایج در دستیارهای متنی ارائه میدهد.