AI ක්ෂේත්රයේ තොරතුරු කළමනාකරණය සරල කිරීමේ අරමුණින්, ලේඛකයෙක් Markdown සහ Git භාවිතයෙන් දෘඩාංග Knowledge Base එකක් ගොඩනැගීය. මෙය සරල සෙවුම් පද්ධතියකට වඩා, තොරතුරු ගබඩා කිරීම, පරීක්ෂණය සහ නවීකරණය සඳහා තාරුණ්යමය ගොඩනැගීමක් වශයෙන් සැලකේ.
මෙම පද්ධතියේ මුලික සැලැස්ම වන්නේ වගුවකින් පිරුණු ෆෝල්ඩර ව්යාපෘතියක්. 10‑Inbox, 20‑Sources, 30‑Knowledge, 40‑Projects, 50‑Research, 60‑Writing, 70‑Investing, 80‑Logs, 90‑Archive යන අංශවලින් ගොඩනැගී ඇත. එක් එක් ෆෝල්ඩරය තනි වෙනස්කම් ගිවිසුමක් ලෙස ක්රියා කරයි – අසම්පූර්ණ සංවාද, සත්ය සොයාගැනීම්, නව සාක්ෂි අනුව වෙනස් වන සාරාංශ, ව්යාපෘති තීරණ, ලොග් රෙකෝඩ් වැනි දේවල් සියල්ල මෙහි සුරැකේ.
මෙහි වැදගත්කම නම්, සෙවුම් පද්ධතිය තොරතුරු ලබා දුන්නත්, ඒ තොරතුරු දිගුකාලීනව සුරකින්නේ නැත. බොහෝ AI ලේඛන මෙවලම් Retrieval‑Augmented Generation (RAG) ආකාරයට ක්රියා කරයි – ගොනු උඩුගත කර, අවශ්ය කොටස් ලබාගෙන, මොඩලයට පිළිතුරක් සකස් කරනවා. ඒත් එම පිළිතුර තාවකාලික සංවාද ඉතිහාසයේ පමණක් රැඳේ. නව සාක්ෂි හමු වුවත්, පරණ පිළිතුර යාවත්කාලීන නොවෙයි.
අන්ද්රේ කාර්පති 2026 අප්රේල් මාසයේ ප්රකාශ කළ LLM Wiki යෝජනාව, Markdown wiki එකක් මූලික සාක්ෂි අතර තබා, නව සාක්ෂි ඇතුළත් කරන විට ඒ පිටු යාවත්කාලීන කරන පද්ධතියක් ලෙසයි. මෙය RAG සමඟ එකට භාවිතා කළ විට, තොරතුරු සෙවීම (retrieval) සහ Knowledge Base නවීකරණය (maintenance) දෙකම වැඩි දියුණු වේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ සිසුන්, සංවර්ධකයන් සහ ව්යාපාරිකයන්ට මෙම පද්ධතියේ ප්රධාන වාසි පහත පරිදි වේ:
- ඉගෙනුම් පද්ධතියේ ස්ථාවරතාව: Markdown සහ Git භාවිතයෙන් ලියන ලද දත්ත සුරක්ෂිත, අනුවර්තන සහිතව පවත්වා ගත හැක.
- විකාශකයන්ගේ කාර්ය සාධනය: කේත, API, AI මොඩල සම්බන්ධ ලිපි සොයාගැනීම හා ඒවා සංස්කරණය කිරීම ඉතා පහසු වේ.
- ව්යාපාරික තීරණ ගැනීම: ලොග්, නීතිමය සාක්ෂි, ආයෝජන තීරණ වැනි වැදගත් තොරතුරු සරලව සොයාගත හැකි බැවින් ව්යාපාරික ප්රවණතා වේගයෙන් ගත හැක.
අවසන් වශයෙන්, AI Knowledge Base එකක් නිර්මාණය කිරීමේදී සෙවුම් පද්ධතිය පමණක් නොව, තොරතුරු ගබඩා, නවීකරණ, පරීක්ෂණ සහ අනුගමනය කිරීමේ ක්රමවේදයක් සමඟ එකතු කරගැනීම අත්යවශ්යය. මෙය ශ්රී ලංකාවේ තාක්ෂණික ප්රගතියට නව පදනමක් සපයයි.
