Written with AI assistance from the source video. The video is the authority.
Log in to leave a comment
No posts yet
यदि आप व्यक्तिगत AI एजेंट चलाते समय टोकन लागत की समस्या से परेशान हैं, तो आपको सबसे पहले अपने डेटा ढांचे को बदलना चाहिए। बिखरे हुए नोट्स AI को केवल भ्रमित करते हैं। Google क्लाउड डेटा टीम द्वारा 12 जून 2026 को जारी किए गए ओपन नॉलेज फॉर्मेट (OKF) v0.1 को लागू करने से जानकारी पुनर्प्राप्ति दक्षता में काफी सुधार होता है। यहाँ एक विशिष्ट तरीका बताया गया है कि कैसे Markdown और YAML फ्रंटमैटर को मिलाकर एक ऐसा ज्ञान मानचित्र बनाया जाए जिसे AI आसानी से समझ सके।
यदि आप गंदे नोट्स को वैसे ही इनपुट करते हैं, तो AI केवल अनावश्यक टोकन बर्बाद करेगा। Google क्लाउड टीम द्वारा सुझाए गए तीन नियमों को लागू करें। वाक्यों को संक्षिप्त और बिंदु-से-बिंदु रखें, अनुमानित विवरण हटा दें, और प्रत्येक दस्तावेज़ में केवल एक अवधारणा होनी चाहिए।
माइग्रेशन के लिए स्क्रिप्ट लॉजिक इस प्रकार है:
`python
import re
import yaml
import os
class OKFDataPurifier:
def clean_text(self, text):
# HTML टैग और अनावश्यक बोलचाल की भाषा हटाएं
text = re.sub(r'<[^>]+>', '', text)
return text.strip()
def process_files(self, source_dir):
for filename in os.listdir(source_dir):
if filename.endswith(".md"):
# मेटाडेटा सहित नई संरचना के साथ सहेजें
with open(os.path.join(source_dir, filename), 'r') as f:
content = self.clean_text(f.read())
# YAML फ्रंटमैटर स्वचालित इंजेक्शन लॉजिक छोड़ा गया
`
इस प्रक्रिया से ज्ञान खोज की त्रुटियां 40% कम हो जाती हैं। आप टोकन की खपत को भी 25% से अधिक बचा सकते हैं।
सभी दस्तावेजों को खंगालने का तरीका प्रतिक्रिया गति को धीमा कर देता है। डेटा को सक्रिय ज्ञान और पुरालेख (archive) ज्ञान में भौतिक रूप से अलग करने के लिए HOMER संरचना का उपयोग करें।
केवल अंधाधुंध वेक्टर खोज को रोकने से प्रतिक्रिया की गति काफी तेज हो जाती है।
Anthropic द्वारा जोर दिया गया क्रमिक डिस्क्लोजर (progressive disclosure) तरीका इनपुट टोकन को नाटकीय रूप से कम करता है। Google क्लाउड बेंचमार्क परिणामों के अनुसार, OKF इंडेक्स स्प्लिट लोड विधि ने संपूर्ण दस्तावेज़ एम्बेडिंग की तुलना में इनपुट टोकन के पैमाने को 10,877 से घटाकर 970 कर दिया, यानी 91% की कमी की।
प्रश्न के इरादे से मेल खाने वाले संदर्भ को निकालने के लिए मुख्य स्क्रिप्ट लॉजिक यहाँ हैः
`python
def extract_context_by_intent(query, index_path):
with open(index_path, 'r') as f:
index = yaml.safe_load(f)
# केवल प्रश्न कीवर्ड से मेल खाने वाले पथ लौटाएं
return [item['path'] for item in index if item['tag'] in query]
`
इस विधि को लागू करने से संपूर्ण ज्ञान को खोजने का समय 50% कम हो जाता है।
भ्रामक स्थिति (hallucination) को रोकने के लिए जहाँ एजेंट गलत जानकारी को सच मान लेता है, आपको एक प्रत्यक्ष सत्यापन रूटीन चलाना होगा। खाली फ़ाइलों या टूटे हुए विकिलिंक का समय-समय पर पता लगाने के लिए OKFAutoLinter क्लास को कॉन्फ़िगर करें। log.md फ़ाइल में संशोधनों को रिकॉर्ड करने से एजेंट को अपने ज्ञान आधार की स्थिति की निरंतर निगरानी करने की अनुमति मिलती है। रखरखाव लागत को कम करने का मतलब अंततः समय-समय पर इस तरह से डेटा का प्रबंधन करना है।