Exam Intelligence හි AI‑එජෙන්ට් පද්ධතියේ ගැටළු නිරාකරණය කිරීමේදී, ලේඛන පරිගණකය (LangGraph) භාවිතා කරමින් මුල් වරට agents.md ආකෘතියෙන් agents.db වෙත මාරු කරමින් හාලුසිනාෂන් (hallucinations) ගැටලුව සාර්ථකව සලකුණා.
ආරම්භයේදී, කාර්ය මාර්ගය සම්පූර්ණයෙන්ම එකම ව්යාපෘතියක් ලෙස සැලසුම් කර තිබුණද, PDFs අස්ථානගත වීම, ලේඛන සොයා ගැනීමේ අසමත් වීම, 503 දෝෂ සහ JSON ආකාරයේ වැරදි වැනි බාහිර ගැටළු නිසා වැඩිදුර අඩුපාඩු පැන නැගීය. ඒ නිසා, එජෙන්ට් එකට සියලුම අසම්පූර්ණ අවස්ථා සලසන කේත එජෙන්ට් එකක් නිර්මාණය කළ යුතු බව පෙනුණි.
ඇත්තේ, මූලික ව්යාපෘතිය වෙනුවට CLI (Command Line Interface) මෙවලම් නිර්මාණය කර, Docker sandbox තුළ Ollama මත qwen3.6:35b මොඩලය ධාවනය කිරීමේ පදනමක් ගොඩනැගිණි. මෙහිදී, සෑම ගොනුවක්ම නෝඩ් (node) එකක් ලෙස සලකා එජෙන්ට් එක ඒවා අනුක්රමයෙන් ක්රියාත්මක කරයි. ගැටළුවක් ඇති වූ විට, මට්ටම් තුනක නිරාකරණය ක්රියාත්මක වේ: මට්ටම 1 – එජෙන්ට් අතින් ක්රියාවලිය සම්පූර්ණ කිරීම; මට්ටම 2 – නිතර සිදුවන රටා අනාවරණය කර ස්ක්රිප්ට් එකක් ලිවීම; මට්ටම 3 – මනුෂ්ය අතුරුදන්වීම (Human‑in‑the‑loop) මඟින් එජෙන්ට් ගැටළුව වාර්තා කර, නිවැරදි කිරීම සඳහා අපේ අනුමැතියේ පසු පරිවර්තනය.
මුලින් instructions.md සහ memory.md යන ගොනු භාවිතා කර තිබුණද, ඒවාට සම්මත AGENTS.md නාමකරණය නොතිබීම නිසා අස්ථිරතාවයක් පවතිනවා. එමනිසා, මම agents.db නමින් SQLite3 දත්තගබඩාවක් හඳුන්වා දී, instructions සහ memories වගුවලට මාරු කළෙමි.
දත්ත ගබඩාවේ instructions වගුව, ක්රියා පියවර, ඉලක්ක, ක්රියා, මෙවලම්, සාර්ථකතා මාර්ගය යනාදියන් සමඟ පූර්ණයෙන්ම instructions.md වෙනුවට භාවිතා කරන අතර, memories වගුව පසුගිය ක්රියාකාරකම් වල ගැටළු හා නිරාකරණය ලියයි. මූලිකවම, පසුගිය ගැටළු සියල්ල අනුකරණ (synthetic) මතකයන් ලෙස ඇතුළත් කර, එජෙන්ට් එකට ඉදිරි ක්රියා මාර්ගය තේරුම් ගැනීමට හැකියාව ලැබේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
මෙම නව පද්ධතිය ශ්රී ලංකාවේ තාක්ෂණික සංවර්ධනයට පලපුරුදු පරිශීලකයින්, විශ්වවිද්යාල සිසුන්, සහ කුඩා‑බඩ ව්යාපාරිකයන් සඳහා විශාල වාසියක් ගෙන එයි:
- AI පද්ධතිවල විශ්වාසනීයත්වය වැඩිවීමෙන්, දත්ත විශ්ලේෂණ හා වාර්තා සැකසීමේදී වැරදි අවස්ථා අඩුවේ.
- CLI මෙවලම් සහ Docker භාවිතය මඟින්, ප්රාදේශීය සංවර්ධකයන්ට පරිසර සැකසීම පහසු කරයි.
- SQLite → PostgreSQL මාරු කිරීමේ ස්වයංක්රීය ක්රියාවලිය, දත්ත මාරු කිරීමේ වැරදි අවම කරයි.
- Human‑in‑the‑loop ආකෘතිය, දැනටමත් පවතින කේත පදනමට අඩංගු ගැටළු වේගයෙන් හඳුනා ගැනීමට සහ නිවැරදි කිරීමට උපකාරී වේ.
ඉදිරියේදී, ශ්රී ලංකාවේ AI‑චලිත ව්යාපාරික ප්රතිපත්ති, අධ්යාපන පද්ධති, සහ තොරතුරු තාක්ෂණ සේවා වැනි ක්ෂේත්රවල මෙම පරිසරය භාවිතා කර, තාක්ෂණික සාර්ථකත්වය සහ තරඟකාරීත්වය වැඩිදියුණු කර ගැනීමට හැකි වේ.
අවසන් වශයෙන්, agents.db මඟින් ගොඩනැගූ මතකය සහ නියමිත ක්රියා පියවර, එජෙන්ට් හාලුසිනාෂන් ගැටළු අවසන් කර, AI‑ආධාරිත වැඩ ප්රවාහයන් අධික පාරිභෝගික අවශ්යතා සපුරාලීමට තරමක් අඩු කරයි. මෙය ශ්රී ලංකාවේ තාක්ෂණික නවෝත්පාදන සඳහා නව මාවතක් ලෙස සැලකිය හැක.
