AI agentlərin yaddaşı çox vaxt sadə bir üsulla qurulur: hər bir fakt vektor halında saxlanır, sonra hər sorğudan əvvəl ən oxşar 20 qeyd seçilərək kontekstə əlavə edilir. Bu yanaşma "Berlin miqrasiyası haqqında nə deyilib?" kimi suallara yaxşı cavab versə də, "Bu ay neçə istifadəçi qiymət barədə soruşub?" və ya "Ən çox qeydə alınan 10 mövzu hansılardır?" kimi suallarda uğursuz olur.
Səbəb sadədir: vektor mağazaları yalnız oxşarlıq axtarışı üçün optimallaşdırılıb — sorğunu vektora çevirir, saxlanan qeydləri məsafəyə görə sıralayır və ən yaxın nəticələri qaytarır. Heç bir COUNT, GROUP BY, JOIN əməliyyatı yerinə yetirə bilmir. Agent 4000 qeyd saxlayıbsa və siz də ən yaxşı 20-ni götürürsünüzsə, LLM məlumatın yalnız 0,5%-nə baxır — və bu rəqəmlər üzərində arifmetika etmək xəyali nəticələrə gətirib çıxarır.
Məsələnin təhlilini aparan mütəxəssis Omer Hochman qeyd edir ki, bu iki tip sual fərqli "maşınlar" tələb edir. "Bu nəyə bənzəyir?" sualı üçün vektor mağazası doğru seçimdir. "Say, qruplaşdır və ya sırala" sualı üçün isə əsl sorğu planlayıcısı olan relasiyalı verilənlər bazası (məsələn, Postgres) lazımdır. O, bunun üçün hazırladığı nlqdb alətini nümunə göstərir — agent özü MCP vasitəsilə Postgres cədvəli yaradır və sualları təbii dildə verir, arxa planda isə SQL sorğusu icra olunur.
Hibrid yanaşma daha etibarlıdır
Nəticə odur ki, vektor mağazası ilə relasiyalı mağaza bir-birini tamamlayır. "Xatırlama" təbəqəsi üçün Pinecone kimi həllər ideal olsa da, "analitika" təbəqəsi üçün əsl sorğu mühərriki tələb olunur. Hochman vurğulayır ki, daha böyük bir LLM əlavə etmək bu problemi həll etmir — hər sual forması üçün doğru maşını seçmək lazımdır.
Azerbaycanlı tərtibatçılar üçün dərs aydındır: agent yaddaşı qurarkən hansı suallara cavab verəcəyini əvvəlcədən müəyyənləşdirmək, lazım gəldikdə həm vektor, həm də relasiyalı mağazanı birləşdirmək daha sağlam yanaşmadır. Əks halda agentin verdiyi rəqəmlər inandırıcı, lakin səhv ola bilər.
