wehub-resource-sync
26 KiB
🚀 മോഡ്യൂള് 1: മൈക്രോസോഫ്റ്റ് ഫൗണ്ട്രി ടൂൾകിറ്റ് അടിസ്ഥാനങ്ങൾ
📋 പഠന ലക്ഷ്യങ്ങൾ
ഈ മോഡ്യൂള് അവസാനിക്കുമ്പോൾ, നിങ്ങൾക്ക് അറിവുണ്ടാകും:
- ✅ VS Code-നു വേണ്ടി മൈക്രോസോഫ്റ്റ് ഫൗണ്ട്രി ടൂൾകിറ്റ് വിപുലീകരണം ഇൻസ്റ്റാൾ ചെയ്ത് കോൺഫിഗർ ചെയ്യുക
- ✅ മോഡൽ കാറ്റലോഗ് നാവിഗേറ്റ് ചെയ്തു, വ്യത്യസ്ത മോഡൽ സ്രോതസ്സുകൾ മനസ്സിലാക്കുക
- ✅ മോഡൽ ടെസ്റ്റിംഗിനും പരീക്ഷണത്തിനും പ്ലേഗ്രൗണ്ട് ഉപയോഗിക്കുക
- ✅ ഏജന്റ് ബിൽഡർ ഉപയോഗിച്ച് സ്വന്തം AI ഏജന്റുകൾ സൃഷ്ടിക്കുക
- ✅ വ്യത്യസ്ത നമ്മളുടെയാരുടെയും മോഡലുകളുടെ പ്രകടനം താരതമ്യം ചെയ്യുക
- ✅ പ്രോംപ്റ്റ് എഞ്ചിനീയറിങ്ങിന് മികച്ച രീതികൾ പ്രയോഗിക്കുക
🧠 മൈക്രോസോഫ്റ്റ് ഫൗണ്ട്രി ടൂൾകിറ്റിന്റെ പരിചയം
മൈക്രോസോഫ്റ്റ് ഫൗണ്ട്രി ടൂൾകിറ്റ് വിപുലീകരണം VS Code-ക്കായി മൈക്രോസോഫ്റ്റിന്റെ പതിവ് വിപുലീകരണമാണിത്, ഇത് VS Code-നെ സമഗ്രമായ AI വികസന പരിസ്ഥിതിയായി മാറ്റുന്നു. ഇത് AI ഗവേഷണവും പ്രായോഗിക അപ്ലിക്കേഷൻ വികസനവും തമ്മിലുള്ള അകലം കുറയ്ക്കുന്നു, എല്ലാ തലത്തിലുള്ള ഡവലപ്പർമാർക്കും ജനറേറ്റീവ് AI ആക്സസ് ചെയ്യാൻ സാധ്യമാക്കുന്നു.
🌟 മുഖ്യ യോഗ്യതകൾ
| ഫീച്ചർ | വിവരണം | ഉപയോഗ കേസ് |
|---|---|---|
| 🗂️ മോഡൽ കാറ്റലോഗ് | GitHub, ONNX, OpenAI, Anthropic, Google എന്നിവിൽ നിന്ന് 100+ മോഡലുകൾ ആക്സസ് ചെയ്യുക | മോഡൽ കണ്ടെത്തലും തിരഞ്ഞെടുപ്പും |
| 🔌 BYOM പിന്തുണ | നിങ്ങളുടെ പ്രാദേശിക/ദൂര മോഡലുകൾ സമന്വയിപ്പിക്കുക | കസ്റ്റം മോഡൽ വിന്യാസം |
| 🎮 ഇന്ററാക്ടീവ് പ്ലേഗ്രൗണ്ട് | ചാറ്റ് ഇന്റർഫേസ് ഉപയോഗിച്ച് റിയൽ-ടൈം മോഡൽ പരീക്ഷണം | വേഗത്തിലുള്ള പ്രോട്ടോടൈപ്പിംഗ്, ടെസ്റ്റിംഗ് |
| 📎 ബഹുമാധ്യമ പിന്തുണ | ടെക്സ്റ്റ്, ചിത്രങ്ങൾ, അറ്റാച്ച്മെന്റുകൾ കൈകാര്യം ചെയ്യുക | സങ്കീർണ AI അപ്ലിക്കേഷനുകൾ |
| ⚡ ബാച്ച് പ്രോസസ്സിംഗ് | ഒന്നിച്ച് പല പ്രോംപ്റ്റുകളും പ്രവർത്തിക്കുക | കാര്യക്ഷമമായ ടെസ്റ്റിംങ് പ്രവാഹങ്ങൾ |
| 📊 മോഡൽ മൂല്യനിർണ്ണയം | ഉൾക്കൊള്ളുന്ന മെട്രിക്കുകൾ (F1, പ്രസക്തി, സാമ്യ, ഏകോപനം) | പ്രകടന വിലയിരുത്തൽ |
🎯 എന്ത് കൊണ്ട് മൈക്രോസോഫ്റ്റ് ഫൗണ്ട്രി ടൂൾകിറ്റ് പ്രധാനമാണ്
- 🚀 വേഗതയുള്ള വികസനം: ആശയത്തിൽ നിന്ന് പ്രോട്ടോട്ടൈപ്പിലേക്ക് മിനിറ്റുകൾക്കുള്ളിൽ
- 🔄 ഏകീകൃത പ്രവൃത്തി പ്രക്രിയ: ബഹുമുഖ AI സേവന ദാതാക്കൾക്കായി ഒറ്റ ഇന്റർഫേസ്
- 🧪 എളുപ്പമുള്ള പരീക്ഷണം: സങ്കീർണ്ണ ക്രമീകരണമില്ലാതെ മോഡലുകൾ താരതമ്യം ചെയ്യുക
- 📈 ഉൽപ്പാദനത്തിന് സജ്ജം: പ്രോട്ടോട്ടൈപ്പിൽ നിന്നും വിന്യാസത്തിലേക്ക് സിലകലം
🛠️ പൂർവ്വാവശ്യങ്ങൾ & ക്രമീകരണം
📦 മൈക്രോസോഫ്റ്റ് ഫൗണ്ട്രി ടൂൾകിറ്റ് വിപുലീകരണം ഇൻസ്റ്റാൾ ചെയ്യുക
പടി 1: വിപുലീകരണ മാർക്കറ്റ്പ്ലേസ് ആക്സസ് ചെയ്യുക
- Visual Studio Code തുറക്കുക
- വിപുലീകരണ ദൃശ്യത്തിലേക്ക് പോകുക (
Ctrl+Shift+Xഅല്ലെങ്കിൽCmd+Shift+X) - "Microsoft Foundry Toolkit" എന്ന് തിരയുക
പടി 2: നിങ്ങളുടെ പതിപ്പ് തിരഞ്ഞെടുക്കുക
- 🟢 റിലീസ്: ഉൽപ്പാദന ഉപയോഗത്തിന് നിർദ്ദേശിച്ചിരിക്കുന്നു
- 🔶 പ്രീ-റിലീസ്: പുതിയ ഫീച്ചറുകളിലേക്കുള്ള നേരത്തെ ആക്സസ്
പടി 3: ഇൻസ്റ്റാൾ ചെയ്തു സജീവമാക്കുക
✅ പരിശോധിക്കൽ പട്ടിക
- VS Code സൈഡ്ബാറിൽ Microsoft Foundry Toolkit ഐക്കൺ കാണപ്പെടുന്നു
- വിപുലീകരണം സജീവവും പ്രവർത്തനക്ഷമവുമാണ്
- ഔട്ട്പുട്ട് പാനലിൽ ഇൻസ്റ്റലേഷൻ പിശകുകൾ ഇല്ല
🧪 പ്രായോഗിക പരിശീലനം 1: GitHub മോഡലുകൾ പരീക്ഷിക്കൽ
🎯 ലക്ഷ്യം: മോഡൽ കാറ്റലോഗ് ആസ്വദിച്ച് നിങ്ങളുടെ ആദ്യ AI മോഡൽ പരീക്ഷിക്കുക
📊 പടി 1: മോഡൽ കാറ്റലോഗ് നാവിഗേറ്റ് ചെയ്യുക
മോഡൽ കാറ്റലോഗ് AI ഇക്കോസിസ്റ്റത്തിലേക്കുള്ള നിങ്ങളുടെ പ്രവേശവാതിലാണ്. ഇത് വ്യത്യസ്ത സേവന ദാതാക്കൾ നിന്നും മോഡലുകൾ കൂട്ടിച്ചേർക്കുന്നു, കണ്ടെത്തലും താരതമ്യവും എളുപ്പമാക്കുന്നു.
🔍 നാവിഗേഷൻ ഗൈഡ്:
Microsoft Foundry Toolkit സൈഡ്ബാറിൽ MODELS - Catalog ക്ലിക്ക് ചെയ്യുക
💡 പ്രൊ ടിപ്പ്: നിങ്ങളുടെ പ്രയോഗത്തിന് അനുയോജ്യമായ പ്രത്യേക കഴിവുകൾ ഉള്ള മോഡലുകൾ അന്വേഷിക്കുക (ഉദാഹരണം, കോഡ് ജനറേഷൻ, സൃഷ്ടിപരമായ എഴുത്ത്, വിശകലനം).
⚠️ കുറിപ്പ്: GitHub-ഹോസ്റ്റ് ചെയ്ത മോഡലുകൾ (GitHub Models)ใช้ฟรีആണ്, പക്ഷേ അഭ്യർത്ഥനകളും ടോക്കണുകളുടെയും നിരക്ക് പരിധികള് ബാധകമാണ്. GitHub അല്ലാത്ത മോഡലുകൾ (ഉദാ., Azure AI അല്ലെങ്കിൽ മറ്റ് എൻഡ്പോയിന്റുകൾ വഴി ഹോസ്റ്റ് ചെയ്ത മോഡലുകൾ) ആക്സസ് ചെയ്യാൻ അനുയോജ്യമായ API കിയോ അവകാശപത്രം നിങ്ങൾ നൽകണം.
🚀 പടി 2: നിങ്ങളുടെ ആദ്യ മോഡൽ ചേർക്കുകയും ക്രമീകരിക്കുകയും ചെയ്യുക
മോഡൽ തിരഞ്ഞെടുപ്പ് തന്ത്രം:
- GPT-4.1: സങ്കീർണ വിശകലനത്തിനും കാരണദർശനത്തിനും മികച്ചത്
- Phi-4-mini: ലഘുവും വേഗമുള്ള പ്രതികരണങ്ങൾ ആവശ്യമായ ലളിതമായ ജോലി
🔧 ക്രമീകരണ പ്രക്രിയ:
- കാറ്റലോഗിൽ നിന്ന് OpenAI GPT-4.1 തിരഞ്ഞെടുക്കുക
- Add to My Models ക്ലിക്ക് ചെയ്ത് മോഡൽ ഉപയോഗത്തിനായി രജിസ്റ്റർ ചെയ്യുക
- Try in Playground തിരഞ്ഞെടുത്ത് പരീക്ഷണ പരിസ്ഥിതിക്ക് പ്രവേശിക്കുക
- മോഡൽ തുടങ്ങിയ്കിനു വരെ കാത്തിരിക്കുക (ആദ്യ സജ്ജീകരണം കുറച്ച് സമയം എടുക്കും)
⚙️ മോഡൽ പാരാമീറ്ററുകൾ മനസിലാക്കൽ:
- Temperature: സൃഷ്ടിപരമായ നില നിയന്ത്രിക്കുന്നു (0 = നിർണ്ണായക, 1 = സൃഷ്ടിപരമായ)
- Max Tokens: പരമാവധി പ്രതികരണ ദൈർഘ്യം
- Top-p: വൈവിധ്യമാർന്ന പ്രതികരണത്തിനായുള്ള ന്യൂക്ലിയസ് സാമ്പ്ലിംഗ്
🎯 പടി 3: പ്ലേഗ്രൗണ്ട് ഇന്റർഫേസ് മാസ്റ് ചെയ്യുക
പ്ലേഗ്രൗണ്ട് നിങ്ങളുടെ AI പരീക്ഷണശാലയാണ്. അതിന്റെ സാധ്യത പരമാവധി പ്രയോജീവിക്കാൻ ഇവയെ ശ്രദ്ധിക്കുക:
🎨 പ്രോംപ്റ്റ് എഞ്ചിനീയറിങ്ങ് മികച്ച രീതികൾ:
- വ്യക്തമായിരിക്കൂ: വ്യക്തവും വിശദവുമായ നിർദ്ദേശങ്ങൾ കൂടുതൽ നല്ല ഫലങ്ങൾ നൽകും
- സന്ദർഭം നൽകുക: അനുയോജ്യമായ പശ്ചാത്തല വിവരങ്ങൾ ഉൾപ്പെടുത്തുക
- ഉദാഹരണങ്ങൾ ഉപയോഗിക്കുക: മോഡലിന് എന്ത് വേണമെന്ന് ഉദാഹരണത്തിലൂടെ കാണിക്കുക
- തിരുത്തുക: പ്രാരംഭ ഫലങ്ങൾ അനുസരിച്ച് പ്രോംപ്റ്റ് മെച്ചപ്പെടുത്തുക
🧪 പരീക്ഷണ സീനാറികൾ:
# Example 1: Code Generation
"Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings."
# Example 2: Creative Writing
"Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges."
# Example 3: Data Analysis
"Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations."
🏆 ചലഞ്ച് വ്യായാമം: മോഡൽ പ്രകടനം താരതമ്യം
🎯 ലക്ഷ്യം: സമാന പ്രോംപ്റ്റുകൾ ഉപയോഗിച്ച് വ്യത്യസ്ത മോഡലുകൾ താരതമ്യം ചെയ്ത് അവരുടെ ശക്തികൾ മനസ്സിലാക്കുക
📋 നിർദ്ദേശങ്ങൾ:
- Phi-4-mini നിങ്ങളുടെ വർക്ക്സ്പേസിലേക്ക് ചേർക്കുക
- GPT-4.1നും Phi-4-mini-ക്കും ഒരേ പ്രോംപ്റ്റ് ഉപയോഗിക്കുക
- പ്രതികരണ ഗുണമേന്മ, വേഗം, കൃത്യത എന്നിവ താരതമ്യം ചെയ്യുക
- ഫലം വിഭാഗത്തിൽ കണ്ടെത്തലുകൾ രേഖപ്പെടുത്തുക
💡 കണ്ടെത്തേണ്ട പ്രധാന കാര്യങ്ങൾ:
- LLM vs SLM എപ്പോൾ ഉപയോഗിക്കണമെന്ന്
- ചിലവുകൾ vs പ്രകടനം വ്യത്യാസങ്ങൾ
- വ്യത്യസ്ത മോഡലുകളുടെ പ്രത്യേക കഴിവുകൾ
🤖 പ്രായോഗിക പരിശീലനം 2: ഏജന്റ് ബിൽഡറോടെ കസ്റ്റം ഏജന്റുകൾ നിർമ്മിക്കൽ
🎯 ലക്ഷ്യം: നിർദ്ദിഷ്ട ജോലികൾക്കും പ്രവൃത്തിബദ്ധമായ പ്രവാഹങ്ങൾക്കുമായി പ്രത്യേക അനുയോജ്യമായ AI ഏജന്റുകൾ സൃഷ്ടിക്കുക
🏗️ പടി 1: ഏജന്റ് ബിൽഡർ മനസിലാക്കൽ
എജന്റ് ബിൽഡർ മൈക്രോസോഫ്റ്റ് ഫൗണ്ട്രി ടൂൾകിറ്റിന്റെ മുഖ്യ ശാക്തീകരണ സ്ഥാനമാണ്. ഇത് വലിയ ഭാഷാ മോഡലുകളുടെ ശക്തി കസ്റ്റം നിർദ്ദേശങ്ങളുമായി, പ്രത്യേക പാരാമീറ്ററുകളും വിജ്ഞానവും ചേർത്ത് ലക്ഷ്യനിർദ്ദിഷ്ട AI സഹായി സൃഷ്ടിക്കാൻ അനുവദിക്കുന്നു.
🧠 ഏജന്റ് ആർക്കിടെക്ചർ ഘടകങ്ങൾ:
- കോർ മോഡൽ: അടിസ്ഥാന LLM (GPT-4, Groks, Phi, തുടങ്ങിയവ)
- സിസ്റ്റം പ്രോംപ്റ്റ്: ഏജന്റിന്റെ വ്യക്തിത്വവും പെരുമാറ്റവും നിർവചിക്കുന്നു
- പാരാമീറ്ററുകൾ: മികച്ച പ്രകടനത്തിനുള്ള ഫൈൻ-ട്യൂൺ ചെയ്ത സെറ്റിംഗ്സ്
- ടൂളുകൾ സംയോജനം: ബാഹ്യ APIകൾക്കും MCP സേവനങ്ങൾക്കും കണക്റ്റ് ചെയ്യുക
- മെമ്മറി: സംഭാഷണ പശ്ചാത്തലവും സെഷൻ സ്ഥിരതയും
⚙️ പടി 2: ഏജന്റ് ക്രമീകരണ വിശദ പരിശോദനം
🎨 ഫലപ്രദമായ സിസ്റ്റം പ്രോംപ്റ്റുകൾ സൃഷ്ടിക്കൽ:
# Template Structure:
## Role Definition
You are a [specific role] with expertise in [domain].
## Capabilities
- List specific abilities
- Define scope of knowledge
- Clarify limitations
## Behavior Guidelines
- Response style (formal, casual, technical)
- Output format preferences
- Error handling approach
## Examples
Provide 2-3 examples of ideal interactions
നിങ്ങൾക്ക് AI ഉപയോഗിച്ച് പ്രോംപ്റ്റുകൾ നിർമ്മിക്കുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യാൻ Generate System Prompt സൗകര്യം ഉപയോഗിക്കാം
🔧 പാരാമീറ്റർ ഒപ്ടിമൈസേഷൻ:
| പാരാമീറ്റർ | ശുപാർശ ചെയ്ത പരിധി | ഉപയോഗ കേസ് |
|---|---|---|
| Temperature | 0.1-0.3 | സാങ്കേതിക/വസ്തുനിഷ്ഠ പ്രതികരണങ്ങൾ |
| Temperature | 0.7-0.9 | സൃഷ്ടിപരമായ/ബ്രെയിൻസ്റ്റോർമിംഗ് ജോലികൾ |
| Max Tokens | 500-1000 | സംക്ഷിപ്ത മറുപടികൾ |
| Max Tokens | 2000-4000 | വിശദമായ വിശദീകരണങ്ങൾ |
🐍 പടി 3: പ്രായോഗിക വ്യായാമം - പython പ്രോഗ്രാമിംഗ് ഏജന്റ്
🎯 ദൗത്യം: പ്രത്യേക Python കോഡിങ് അസിസ്റ്റൻറ് സൃഷ്ടിക്കുക
📋 ക്രമീകരണ ഘട്ടങ്ങൾ:
-
മോഡൽ തിരഞ്ഞെടുപ്പ്: Claude 3.5 Sonnet തിരഞ്ഞെടുക്കുക (കോഡിന് ഏറ്റവും ഉത്തമം)
-
സിസ്റ്റം പ്രോംപ്റ്റ് ഡിസൈൻ:
# Python Programming Expert Agent
## Role
You are a senior Python developer with 10+ years of experience. You excel at writing clean, efficient, and well-documented Python code.
## Capabilities
- Write production-ready Python code
- Debug complex issues
- Explain code concepts clearly
- Suggest best practices and optimizations
- Provide complete working examples
## Response Format
- Always include docstrings
- Add inline comments for complex logic
- Suggest testing approaches
- Mention relevant libraries when applicable
## Code Quality Standards
- Follow PEP 8 style guidelines
- Use type hints where appropriate
- Handle exceptions gracefully
- Write readable, maintainable code
- പാരാമീറ്റർ ക്രമീകരണം:
- Temperature: 0.2 (സ്ഥിരമായ, വിശ്വസനീയമായ കോഡ്)
- Max Tokens: 2000 (വിവരിച്ചുള്ള വിശദീകരണങ്ങൾ)
- Top-p: 0.9 (സമതുല്യമായ സൃഷ്ടിപരാനം)
🧪 പടി 4: നിങ്ങളുടെ Python ഏജന്റ് പരിശോധിക്കൽ
പരീക്ഷണ സീനാറികൾ:
- അടിസ്ഥാന പ്രവർത്തനം: "പ്രൈം നമ്പറുകൾ കണ്ടെത്താൻ ഒരു ഫംഗ്ഷൻ സൃഷ്ടിക്കുക"
- സങ്കീർണ ആൽഗോറിതം: "ഇൻസർട്ട്, ഡിലീറ്റ്, സെർച്ച് മേത്തഡുകളുള്ള ബൈനറി സെർച്ച് ട്രീ നടപ്പാക്കുക"
- വാസ്തവക്കാര്യങ്ങൾ: "റേറ്റ് ലിമിറ്റിംഗ്, റട്രൈസുകളുള്ള വെബ് സ്ക്രാപ്പർ നിർമ്മിക്കുക"
- ഡീബഗ്ഗിംഗ്: "ഈ കോഡ് പരിഹരിക്കുക [പേസ്റ്റ് ബگی കോഡ്]"
🏆 വിജയ മാനദണ്ഡങ്ങൾ:
- ✅ കോഡ് പിശകുകളില്ലാതെ പ്രവർത്തിക്കണം
- ✅ യഥാർത്ഥ ഡോക്യുമെന്റേഷൻ ഉൾക്കൊള്ളണം
- ✅ Python മികച്ച രീതികൾ അനുസരിക്കണം
- ✅ വ്യക്തമായ മനസിലാക്കലുകൾ നൽകണം
- ✅ മെച്ചപ്പെടുത്തലുകൾ നിർദ്ദേശിക്കണം
🎓 മോഡ്യൂള് 1 അവസാനവും അടുത്ത പടി
📊 അറിവ് പരിശോധന
താങ്കളുടെ മനസ്സിലാക്കൽ പരീക്ഷിക്കുക:
- കാറ്റലോഗിലുള്ള മോഡലുകൾ തമ്മിലുള്ള വ്യത്യാസം വിവരിക്കാമോ?
- നിങ്ങൾക്ക് വിജയകരമായി കസ്റ്റം ഏജന്റ് സൃഷ്ടിക്കുകയും പരീക്ഷിക്കുകയും ചെയ്തിട്ടുണ്ടോ?
- വിവിധ ഉപയോഗ സാഹചര്യങ്ങൾക്ക് പാരാമീറ്ററുകൾ എങ്ങനെ ഒപ്ടിമൈസ് ചെയ്യാമെന്ന് മനസ്സിലായിട്ടുണ്ടോ?
- ഫലപ്രദമായ സിസ്റ്റം പ്രോംപ്റ്റുകൾ രൂപകൽപ്പന ചെയ്യാൻ കഴിവുണ്ടോ?
📚 അധിക وسائلുകൾ
- Microsoft Foundry Toolkit ഡോകുമെന്റേഷൻ: ഓഫീഷ്യൽ മൈക്രോസോഫ്റ്റ് ഡോക്സ്
- പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് ഗൈഡ്: മികച്ച രീതികൾ
- Microsoft Foundry Toolkit-ലെ മോഡലുകൾ: വികസനത്തിലുള്ള മോഡലുകൾ
🎉 അഭിനന്ദനങ്ങൾ! മൈക്രോസോഫ്റ്റ് ഫൗണ്ട്രി ടൂൾകിറ്റ് അടിസ്ഥാനങ്ങൾ നിങ്ങൾക്ക് നന്നായി പഠിച്ചു, ഇനി കൂടുതൽ ആധുനിക AI അപ്ലിക്കേഷനുകൾ നിർമ്മിക്കാൻ തയാറാണ്!
🔜 അടുത്ത മോഡ്യൂള് തുടരു
കൂടുതൽ ആധുനിക കഴിവുകൾക്കായി തയ്യാറായോ? മോഡ്യൂള് 2: MCP മലയാളം അടിസ്ഥാനം എന്നിടത്തേക്ക് തുടരുക, അവിടെ നിങ്ങൾക്ക് പഠിക്കാം:
- മോഡൽ കോൺടെക്സ് പ്രോട്ടോക്കോൾ (MCP) ഉപയോഗിച്ച് ഏജന്റുകളെ ബാഹ്യ ടൂളുകളുമായി ബന്ധിപ്പിക്കുന്നത്
- Playwright ഉപയോഗിച്ച് ബ്രൗസർ ഓട്ടോമേഷൻ ഏജന്റുകൾ നിർമ്മിക്കൽ
- MCP സെർവറുകളുമായി Microsoft Foundry Toolkit ഏജന്റുകൾ സംയോജിപ്പിക്കൽ
- ബാഹ്യ ഡാറ്റയും കഴിവുകളും ചേർത്ത് ഏജന്റുകളെ ശക്തിപ്പെടുത്തൽ
അറിയിപ്പ്: ഈ രേഖ AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.