ரோப்லாக்ஸ் பொறியாளர்களைப் போல மாடல்களைச் சிந்திக்கக் கற்றுக்கொடுத்து, AI குறியீடு ஏற்கப்படுவதை நாங்கள் எவ்வாறு இரட்டிப்பாக்கினோம்

அடுத்த புரட்சிகரமான AI மாடல் பற்றி அனைவரும் உற்சாகமாக இருக்கிறார்கள், ஆனால் ராப்லாக்ஸில் உள்ளக AI கருவிகளின் செயல்திறனை இரட்டிப்பாக்குவதற்கான ரகசியம் ஒரு புதிய மாடல் அல்ல. அது எங்கள் குறியீட்டுத் தளத்தின் வரலாற்றில் பதிக்கப்பட்டிருந்தது. எங்கள் துறை வல்லுநர்களின் பல வருட குறியீடுகள் மற்றும் மதிப்புரைகளைப் பயன்படுத்தி, 10,000 இழுப்புக் கோரிக்கை (PR) தொகுப்பின் முழுவதும், AI-யால் உருவாக்கப்பட்ட இழுப்புக் கோரிக்கை (PR) பரிந்துரை ஏற்றுக்கொள்ளும் விகிதத்தை தோராயமாக 30%-லிருந்து 60%-க்கு மேல் உயர்த்தினோம், மேலும் அதே காலகட்டத்தில் ஒரு முனைப்பான குறியீடு சுத்தம் செய்யும் திட்டத்தின் மதிப்பீட்டுத் துல்லியத்தை 90%-க்கு மேல் அதிகரித்தோம்.

AI தர இடைவெளியை மூடுதல்

தொழில் முழுவதும், 50% முதல் 60% வரையிலான குறியீட்டு நேரம் மென்பொருள் பராமரிப்பில் செலவிடப்படுகிறது.¹ ராப்ளக்ஸும் இதற்கு விதிவிலக்கல்ல. 

கோட்பாட்டளவில், நன்கு வரையறுக்கப்பட்ட தேவைகள் மற்றும் ஒரு கட்டுப்படுத்தப்பட்ட சிக்கல் பகுதியுடன் கூடிய, மீண்டும் மீண்டும் செய்யப்படும் பராமரிப்புப் பணிகள் AI தானியக்கப்படுத்துதலுக்கு ஏற்ற சிறந்த தேர்வுகளாகும். நடைமுறையில், எங்கள் AI உதவியாளர்கள் மதிப்பீட்டுத் துல்லியம் மற்றும் பொறியியல் ஏற்பு ஆகியவற்றில் சிரமப்பட்டன.

ராப்ளக்ஸில், சிக்கல் திறனில் இல்லை; அது சூழலில் உள்ளது. ஒரு பொதுவான மாதிரி, ராப்ளக்ஸ் பொறியியலின் இருபது ஆண்டுகால அனுபவத்தை கடந்து வரவில்லை. கடந்த மூன்று ஆண்டுகளில் நாங்கள் இணைத்த 700,000 புல் ரிக்குவஸ்டுகளை அது காணவில்லை, அல்லது எங்கள் மிகவும் அனுபவம் வாய்ந்த பொறியாளர்கள் எங்கள் குறியீட்டுத் தரங்களை வரையறுத்து பாதுகாக்கும் 1.7 மில்லியன் குறியீடு மதிப்பாய்வு கருத்துக்களிலிருந்து கற்றுக்கொள்ளவில்லை.

இந்த வரலாற்றைப் புறக்கணிக்கும் AI உதவியாளர்கள், உலகத் தரம் வாய்ந்த பொறியாளர்களின் நம்பிக்கையைப் பெறுவதில் தோல்வியடைகிறார்கள். Roblox பொறியாளர்களில் பாதி பேர் AI-ஆல் இயக்கப்படும் உதவியாளர்களைப் பயன்படுத்தினாலும், மனித மறுஆய்வுக்குப் பிறகு AI-யால் உருவாக்கப்பட்ட பரிந்துரைகளில் சுமார் 20% மட்டுமே ஏற்றுக்கொள்ளப்படுகின்றன. எங்களின் காலாண்டு பொறியியல் உற்பத்தித்திறன் கணக்கெடுப்பு இந்த யதார்த்தத்தை எதிரொலிக்கிறது. பொறியாளர்கள் உற்பத்தித்திறனில் AI-யின் தாக்கத்திற்கு 5-க்கு 4.02 மதிப்பெண் அளிக்கின்றனர், ஆனால் AI குறியீட்டின் தரத்தில் உள்ள நம்பிக்கைக்கு 5-க்கு 3.09 மதிப்பெண் மட்டுமே அளிக்கின்றனர். சுருக்கமாக, AI உதவுகிறது, ஆனால் நம்பிக்கை வரம்புக்குட்பட்டதாகவே உள்ளது, குறிப்பாக பாரம்பரிய C++ மற்றும் மிகவும் சிக்கலான குறியீட்டுத் துறைகளில்.

இந்த சூழல் இடைவெளியை மூடுவதற்காக, ரோப்லாக்ஸின் சொந்த பொறியியல் வரலாறு, நிபுணர் முன்மாதிரிகளுடன் சீரமைப்பு, மற்றும் கடுமையான மதிப்பீட்டின் மூலம் சரிபார்க்கப்பட்ட ஒரு முனைப்பான குறியீடு நுண்ணறிவுத் தளத்தில் நாங்கள் முதலீடு செய்தோம். இந்த குறியீடு நுண்ணறிவுத் தளம், வெறுமனே குறியீடு பரிந்துரைகளை உருவாக்குவதற்காக மட்டுமல்லாமல், ஒரு ரோப்லாக்ஸ் பொறியாளரின் நிறுவன ஆழத்துடன் மீண்டும் மீண்டும் மேம்படுத்துவதற்காக வடிவமைக்கப்பட்டுள்ளது.

ராப்ளாக்ஸ் பொறியியல் அனுபவத்தின் சிறந்தவற்றிலிருந்து கற்றல்

Roblox-இன் பொறியியல் தொகுப்பு, கிட்டத்தட்ட 20 ஆண்டுகால கமிட்கள், வடிவமைப்பு ஆவணங்கள் மற்றும் உற்பத்தி டெலிமெட்ரி ஆகியவற்றை உள்ளடக்கியது. இது எங்கள் அமைப்புகள் எவ்வாறு பரிணமித்தன மற்றும் எங்கள் பொறியாளர்கள் கடினமான சிக்கல்களை எவ்வாறு தீர்த்தார்கள் என்பதைப் படம்பிடிக்கும் ஒரு தனித்துவமான, வளமான தரவுத்தொகுப்பாகும்.

அந்தத் தரவை ஒரு கட்டமைக்கப்பட்ட அறிவு வரைபடமாக மாற்றுவதை இந்தக் குறியீடு நுண்ணறிவுத் தளம் நோக்கமாகக் கொண்டுள்ளது, இது ஒரு குறிப்பிடத்தக்க பொறியியல் சவாலாகும். ஒரு பெரிய பலமொழிச் சூழலில், குறியீடு என்பது வெறும் உரைக் கோப்புகள் மட்டுமல்ல. இது உருவாக்கும் இலக்குகள், C++ வார்ப்புரு நிகழ்வுகளுக்கான, மற்றும் டைனமிக் லூவா சார்புநிலைகளின் ஒரு சிக்கலான வலையாகும். வெறுமனே உரையைப் பகுப்பது போதுமானதல்ல; எங்கள் தனித்துவமான கட்டமைப்புக்குரிய, குறியீட்டுத் தளத்திற்குள் புதைந்துள்ள ஆழமான சொற்பொருள் உறவுகளை இந்த அமைப்பு புரிந்து கொள்ள வேண்டும். 

மற்றொரு சவால் தடமறிதல் மற்றும் காலவரிசைப் பொருத்துதல் ஆகும். ஒன்றோடொன்று இணைக்கப்பட்ட அமைப்புகளில் பகுத்தறிய, ஒரு முனைப்பான அமைப்பு நிலையான குறியீடு களஞ்சியங்களை இரைச்சலான இயங்குநேரத் தொலைநிலைத் தரவுகளுடன் இணைக்க வேண்டும், மேலும் குறியீட்டுத் தொகுப்பு தொடர்ந்து உருவாகிக்கொண்டிருக்கும்போதும் கூட, மில்லியன் கணக்கான உற்பத்தி சமிக்ஞைகளை அவற்றை உருவாக்கிய குறியீட்டின் சரியான பதிப்புடன் மீண்டும் பொருத்த வேண்டும்.

இதைத் தீர்க்க, சொற்றொடர் அமைப்பு, சொற்பொருள், மற்றும் உறவுகளைப் பாதுகாத்து, பதிப்பு கட்டுப்பாடு, வரைபடங்கள் உருவாக்கம், மற்றும் இயங்குநேரத் தொலைநிலை அளவீடு ஆகியவற்றை ஒரு கலப்பின குறியீட்டு-வector பிரதிநிதித்துவத்தில் ஒருங்கிணைப்பதே எங்கள் உத்தியாகும். இது, மூத்த பொறியாளர்கள் புரிந்துகொள்வது போல, அதாவது வடிவமைப்புக் காரணம், சமரசங்கள், மற்றும் செயல்திறன் தரவுகளால் வடிவமைக்கப்பட்ட ஒன்றோடொன்று இணைக்கப்பட்ட அமைப்புகளாக, தனிமைப்படுத்தப்பட்ட உரைக் கோப்புகளாக அல்லாமல், குறியீட்டைப் புரிந்துகொள்ள குறியீடு நுண்ணறிவுத் தளத்தை அனுமதிக்கிறது.

மாதிரி சீரமைப்பு மூலம் நிபுணர் சமிக்ஞைகளைப் பிரித்தெடுத்தல்

உண்மையான நிபுணத்துவம், வடிவங்கள், மதிப்பாய்வுக் கருத்துகள், சமர்ப்பிப்பு வரலாறுகள் மற்றும் நுட்பமான குறியீட்டு நடைமுறைகளில் மறைந்திருக்கும். குறியீட்டு நுண்ணறிவு, ஒரு முன்மாதிரி சீரமைப்பு இயந்திரம் மூலம் இந்த மறைமுகமான ஞானத்தை வெளிக்கொணர்கிறது. இது, சிறந்த செயலாக்கங்களின் "தங்க" எடுத்துக்காட்டுகளை அல்லது மதிப்பாய்வுக்கான காரணங்களைப் பராமரிக்க பொறியாளர்களை அனுமதிக்கிறது.

முன்பு, ஒரு அனுபவமிக்க பொறியாளர் ஒவ்வொரு வாரமும் PR-களை மதிப்பாய்வு செய்வதில் பல மணிநேரம் செலவிடக்கூடும், அதிக அதிர்வெண் சுற்றுகளுக்குள் ஒரு தடுக்கும் FetchData அழைப்பைப் பயன்படுத்துவதைத் திரும்பத் திரும்பக் குறிப்பிடுவார். இந்த முறைமை சொற்பொருள் ரீதியாகச் சரியானதாகத் தோன்றினாலும், Roblox அளவிலான பயன்பாட்டில் கடுமையான தாமதத்தை ஏற்படுத்துகிறது. நிபுணர் ஊரில் இல்லாத பட்சத்தில் அல்லது ஒரு பிழையைக் கவனிக்கத் தவறினால், அவரது அறிவு பயன்படுத்தப்படாமல் போகலாம், மேலும் ஒரு தவறான நடைமுறை உற்பத்திக்குச் சென்று, எங்கள் சமூகத்திற்கு ஒரு சேவைத் தடைக்கு வழிவகுக்கலாம்.

அலைன்மென்ட் இன்ஜின் (alignment engine) மூலம், அந்தப் பொறியாளர் தனது தீர்ப்பை ஒரு இயற்கை மொழி முன்மாதிரியாகக் குறியிட முடியும். இது, குறியீட்டுப் பாணியை ("என்ன") பகுத்தறிவுடன் ("ஏன்") இணைக்கும் ஒரு கட்டமைக்கப்பட்ட வரையறையாகும். இப்போது, இந்த அமைப்பு தானாகவே தடுக்கும் அழைப்பைக் கண்டறிந்து, அதைக் குறிப்பிட்டு, தாமத அபாயத்தை விளக்கி, ஒத்திசைவற்ற சிறந்த நடைமுறைகள் குறித்த உள் ஆவணங்களுடன் நேரடியாக இணைக்கிறது:

இது, ஒரு பொறியாளரின் பல வருட அனுபவத்தின் மூலம் கடினமாகப் பெற்ற அறிவை திறம்பட உள்ளடக்குகிறது. இந்த அமைப்பு, ஒரு முறைக்கான மதிப்பாய்வுக் கருத்தை ஒரு நிரந்தரமான, தானியங்கி பாதுகாப்பு வழிகாட்டியாக மாற்றுகிறது.

ஆனால் எங்கள் வல்லுநர்களிடமும் நிறைய வேலைகள் உள்ளன, மேலும் அவர்களின் அனைத்து முக்கிய நுண்ணறிவுகளையும் நினைவு கூர்ந்து எழுதுமாறு அவர்களிடம் கேட்பது, சிறந்த நிலையில் கூட, அதிக நேரம் எடுக்கக்கூடிய மற்றும் இழப்புக்குரிய ஒரு செயல்முறையாகும். எனவே, அவர்கள் ராப்லாக்ஸில் பணியாற்றும் காலம் முழுவதும் தங்களின் சிறந்த ஆலோசனைகளைப் பதிவு செய்ய நாம் அவர்களுக்கு எப்படி உதவுவது?

அது ஏற்கனவே உள்ளது, அவர்களின் கவனமான குறியீடு மதிப்பாய்வுக் கருத்துக்களில் எழுதப்பட்டுள்ளது மற்றும் உற்பத்திக்குச் செல்லும் ஒவ்வொரு PR-லும் ஆவணப்படுத்தப்பட்டுள்ளது:

நாங்கள் வரலாற்று PR கருத்துக்களை ஒரு குழாய்வழி மூலம் செலுத்துகிறோம், அது ராப்ளாக்ஸ் அனுபவத்திலிருந்து மிக உயர்ந்த மதிப்புள்ள கருப்பொருள்களைச் சுத்தம் செய்து பிரித்தெடுக்கிறது. ஆரம்பத்தில், இரைச்சலான தரவுகள் பாராட்டு அல்லது எழுத்துப்பிழை திருத்தங்கள் போன்ற செயல்படுத்த முடியாத கருத்துக்களால் நிரம்பியுள்ளன, அதே நேரத்தில் மதிப்புமிக்க கருத்துகள் பெரும்பாலும் சூழலைப் பெரிதும் சார்ந்திருக்கும் சுருக்கமான வடிவில் எழுதப்படுகின்றன. உதாரணமாக, "புதிய பாணியை இங்கே பயன்படுத்தவும்" போன்ற ஒரு குறிப்பு, குறிப்பிட்ட கோப்பு மற்றும் வித்தியாசத்தைப் புரிந்து கொள்ளாமல் அர்த்தமற்றது. இந்த அமைப்பு இந்த குறிப்பிட்ட தொடர்புகளை மீண்டும் பயன்படுத்தக்கூடிய, பொதுமைப்படுத்தக்கூடிய விதிகளாக மொழிபெயர்க்க வேண்டும்.

இதைத் தீர்க்க, மனிதத் தலையீடு இல்லாமல் ஆயிரக்கணக்கான PR-களில் மீண்டும் மீண்டும் வரும் கருப்பொருள்களைக் கண்டறியும் ஒரு பல-கட்ட அல்காரிதத்தை நாங்கள் பயன்படுத்துகிறோம். இந்த அமைப்பு வரலாற்று ரீதியான கருத்துக்களை வெக்டர் இடத்தில் உட்பொதிக்கிறது, தொடர்புடைய பின்னூட்டங்களின் அண்டைப் பகுதிகளைக் கண்டறிய பேராசைக் கொத்துமதியைப் (greedy clustering) பயன்படுத்துகிறது, மேலும் அவற்றை உயர்-மதிப்புள்ள முறைகளாக இணைக்க LLM-வழிகாட்டப்பட்ட செம்மைப்படுத்தலைப் பயன்படுத்துகிறது.

இதன் விளைவாக, வேட்பாளர் முன்மாதிரிகளின் (அல்லது கற்றல்களின்) ஒரு தரவரிசைப் பட்டியல் கிடைக்கிறது. அவை எத்தனை முறை தோன்றுகின்றன மற்றும் வெவ்வேறு மதிப்பாய்வாளர்களால் எவ்வளவு பரவலாக மேற்கோள் காட்டப்படுகின்றன என்பதன் அடிப்படையில் முன்னுரிமைப்படுத்தப்பட்டு, அசல் கருத்துகளின் மேற்கோள்களுடன் முழுமையாகக் கிடைக்கின்றன. பின்னர் எங்கள் துறை வல்லுநர்கள் இந்த வேட்பாளர்களை மதிப்பாய்வு செய்து, தேவைப்பட்டால் திருத்தங்களைச் செய்து, அறிவார்ந்த நடைமுறைகளின் முக்கிய மையமாக அறிவார்ந்த தளத்திற்கு (knowledge base) எவற்றை மேம்படுத்துவது என்று முடிவு செய்கிறார்கள். இந்தப் பணிப்பாய்வு முறையின் முதல் முன்னோட்டங்களுக்குப் பிறகு, களஞ்சியத் தலைவர்கள் தங்களின் விருப்பமான தலைப்புகள் முக்கிய வழிகாட்டுதல்களாக வெளிவருவதைக் கண்டு உற்சாகமடைந்தனர், மேலும் உடனடியாகத் தங்கள் களஞ்சியங்களைப் பகுப்பாய்விற்காகப் பதிவு செய்ய விரும்பினர்.   

கடைசிப் படிநிலை இணக்கப் பணியாளர் ஆகும், இது முன்மாதிரியான அறிவுத் தளத்துடன் அனைத்து மாற்றங்களையும் சரிபார்ப்பதன் மூலம் மனிதப் பொறியாளர்கள் மற்றும் AI குறியீட்டுப் பணியாளர்கள் இருவருக்கும் உதவுகிறது. இந்த நெகிழ்வான மதிப்பீட்டை மென்பொருள் மேம்பாட்டு வாழ்க்கைச் சுழற்சி முழுவதும் பயன்படுத்தலாம்: குறியீடு எழுதும் நேரத்தில், இணைக்கும் நேரத்தில், மற்றும் அறிவுத் தளம் வளரும்போது Roblox குறியீட்டுத் தளத்தைத் தானாகவே சீரமைக்கும் ஒரு தொடர்ச்சியான மேம்பாட்டுப் பணியாளருடன் கூடப் பயன்படுத்தலாம்.  

இந்த சூழல் சார்ந்த கற்றலைப் பயன்படுத்தி AI நடத்தைகளை Roblox தரங்களுடன் இணைப்பதன் மூலம், ஒரு AI குறியீட்டு முகவரின் தங்க மதிப்பீட்டுத் தரவுத்தொகுப்பில் தேர்ச்சி விகிதங்கள் 84% இலிருந்து 100% ஆக உயர்ந்ததைக் கண்டோம். நாங்கள் Roblox AI-க்கு குறியீடு எழுத மட்டும் கற்றுக் கொடுக்கவில்லை; Roblox பொறியாளர்கள் எப்படி சிந்திக்கிறார்கள் என்பதை எங்கள் AI-க்கு கற்றுக் கொடுக்கிறோம்.

எதிர்மறை சமிக்ஞைகளிலிருந்து கற்றல்

மாதிரி ஒத்துழைப்பு, குறியீட்டுத் தரத்திற்கான எங்கள் அடிப்படைத் தரத்தை கணிசமாக உயர்த்தியுள்ளது என்றாலும், எங்களின் இறுதி இலக்கு, AI பரிந்துரைத்த குறியீட்டின் முதல் முயற்சி, எங்களின் மிகவும் அனுபவம் வாய்ந்த பொறியாளர்களின் பணிகளைப் போலவே நம்பகத்தன்மையுடன் இருப்பதை அடைவதாகும். அதனால்தான், நிராகரிக்கப்பட்ட ஒவ்வொரு AI பரிந்துரையையும், தோல்வியுற்ற மறுசீரமைப்பையும், அல்லது பின்னடைவை ஏற்படுத்தும் இணைப்பையும், அமைப்பில் மீண்டும் உள்ளீடாக வழங்கக்கூடிய ஒரு உயர்-மதிப்புள்ள சமிக்ஞையாக நாங்கள் பயன்படுத்துகிறோம். இது, ஏஜெண்டுகள் தொடர்ந்து மேம்படுத்தவும், தங்கள் தவறுகளிலிருந்து கற்றுக்கொள்ளவும் ஒரு வழிமுறையை உருவாக்குகிறது.

எதிர்மறையான விளைவுகளைத் துறைசார் வல்லுநர்கள், விரிவான பகுத்தறிவு, சிந்தனைச் சங்கிலி மற்றும் தோல்வி தொடர்பான கூடுதல் சூழல் ஆகியவற்றின் மூலம் வடிகட்டி லேபிளிங் செய்யலாம். இந்தத் தரவு பின்னர் சொற்பொருள் ரீதியாக உட்பொதிக்கப்பட்டு மீட்டெடுப்பதற்காகக் குறியிடப்படுகிறது. எங்கள் குறியீடு நுண்ணறிவுத் தளம் புதிய வெளியீட்டை முன்மொழியும்போது, அது இந்தத் தரவு மூலம் ஒரு சொற்பொருள் தேடலை மேற்கொள்கிறது, கடந்த காலத் தவறுகளையும் மதிப்பாய்வாளர் கருத்துகளையும் நினைவுகூர்ந்து அவற்றை மீண்டும் செய்வதைத் தவிர்க்கிறது.

இந்த மூடிய பின்னூட்ட வளையம் ஒவ்வொரு குறியீடு-மதிப்பாய்வையும் கட்டமைக்கப்பட்ட கற்றல் தரவுகளாக மாற்றி, எதிர்நிலை மற்றும் விமர்சன அடிப்படையிலான பயிற்சியின் மூலம் எதிர்கால முகவர் நடத்தைகளைத் தொடர்ந்து செம்மைப்படுத்துகிறது.

ஒரு வலுவான மதிப்பீட்டு கட்டமைப்பை உருவாக்குதல்

அளவீட்டில் தொடங்கும் நம்பகமான, கணிக்கக்கூடிய நடத்தை மூலம் நம்பிக்கை கட்டமைக்கப்படுகிறது. காலப்போக்கில் எங்கள் முகவர்களின் செயல்திறனைக் கண்காணிக்க நாங்கள் ஒரு பிரத்யேக மதிப்பீட்டு அமைப்பை வடிவமைத்துள்ளோம்.

கட்டமைப்பில் அடங்குபவை:

• பணி-நிலை அளவீடுகள்: மறுகட்டமைத்தல், சோதனை செய்தல் மற்றும் பிழைகளைச் சரிசெய்தல் போன்ற ஆயிரக்கணக்கான Roblox பொறியியல் செயல்பாடுகளில் துல்லியம் மற்றும் மீட்டெடுத்தல்.
• சிமுலேஷன் ஹார்னஸ்கள்: மீண்டும் உருவாக்கக்கூடிய மதிப்பெண்களுக்காக, தீர்மானிக்கக்கூடிய முடிவுகளைக் கொண்ட செயற்கை PR-கள்.
• மனிதர்-சேர்க்கப்பட்ட குழுக்கள்: AI வெளியீடு மற்றும் தங்க-தரநிலைச் செயலாக்கங்களுக்கு இடையேயான நிபுணர் ஒப்பீடு.
• செயல்பாட்டுச் சட்டகம்: ஏஜென்ட் மேம்பாடுகளை ஒன்றிணைக்கும்போது, தொடர்புடைய மதிப்பீடுகள் இணைக்கப்பட்டு, இணைப்புக்கு முந்தைய தொடர்ச்சியான ஒருங்கிணைப்பு (CI) தொகுப்பின் ஒரு பகுதியாக இயக்கப்படுகின்றன, இது பொறியாளர்களுக்கு அவர்களின் மாற்றங்களில் உயர் நம்பிக்கையை அளிக்கிறது. 
• நீண்டகால அளவீடுகள்: இணைப்புக்குப் பிந்தைய பின்னடைவுகள், திரும்பச் செய்யும் அதிர்வெண், மற்றும் தாமத மாற்றங்கள் வெளியீடுகளில் கண்காணிக்கப்படுகின்றன.
• பரவலான கண்காணிப்புத்திறன்: ஏஜென்ட் செயல்பாட்டைத் தானாகக் கண்காணித்து வரைவியல் செய்வதன் மூலம், ஏஜென்ட்களை Roblox-இன் மற்ற பகுதிகளுடன் தொடர்புபடுத்தவும், ஆன்லைன் மற்றும் ஆஃப்லைன் மதிப்பீடுகளில் தடையின்றி உள்ளீடாக வழங்கவும் இது உதவுகிறது.

இந்த அமைப்பு, காலப்போக்கில் செயல்திறன் மாற்றங்களைத் துல்லியமாகக் கண்காணிக்கும் ஒரு ஏஜென்ட் தரப் புள்ளியை உருவாக்குகிறது, இது ஏஜென்ட் திருத்தங்கள் மற்றும் மாதிரி பதிப்புகளுக்கு இடையே தரப்படுத்தப்பட்ட ஒப்பீடுகளைச் சாத்தியமாக்குகிறது. நாங்கள் முன்மாதிரி சீரமைப்பு மற்றும் ஒரு முழுமையான மதிப்பீட்டுத் தொகுப்பை அறிமுகப்படுத்தியதிலிருந்து, 10,000 PR-களின் தொகுப்பில், ஒரு Roblox குறியீடு நுண்ணறிவு ஏஜென்ட்டின் PR பரிந்துரை ஏற்றுக்கொள்ளும் விகிதம் தோராயமாக 30%-லிருந்து 60%-க்கும் மேலாக மேம்பட்டுள்ளது, இது நம்பகமான, களத்திற்கு ஏற்ற செயல்திறனின் ஆரம்ப அறிகுறியாகும். அதே செயல்முறையின் மூலம், எங்கள் அம்சம் கொடி சுத்தம் செய்யும் முகவர் அதன் ஒட்டுமொத்த துல்லியத்தை 46%-லிருந்து 90%-க்கு மேல் அதிகரித்துள்ளது.

முன்னோக்கிய பாதை: ஒவ்வொரு கருவியிலும் நிபுணர் தீர்ப்பைப் பின்னி இணைத்தல் 

MCP மற்றும் கருவி உறைகளின் (tool wrappers) ஒரு அடுக்கை உருவாக்குவதன் மூலமும், குறியீடு நுண்ணறிவுத் தளத்தை இலக்கு வைக்கப்பட்ட பணிகளிலிருந்து Roblox குறியீட்டுத் தளத்தை ஆரோக்கியமாக வைத்திருக்கும் ஒரு அமைப்பாக மாற்றுவதன் மூலமும், எங்கள் நிறுவப்பட்ட உள் அமைப்புகளின் பயன்பாட்டை மேம்படுத்துகிறோம். 

செயல்நேர சூழல் மற்றும் நிபுணர் தீர்ப்பு போன்ற, வரலாற்று ரீதியாக அளவிட கடினமான அறிவு ஒவ்வொரு கருவியிலும் மற்றும் பணிப்பாய்வுகளிலும் பின்னப்பட்ட ஒரு பொறியியல் எதிர்காலத்தை நாங்கள் கற்பனை செய்கிறோம். குறியீடு நுண்ணறிவு, முன்மாதிரி சீரமைப்பு மற்றும் கண்காணிக்கக்கூடிய தன்மை ஆகியவை ஒன்றிணையும்போது, நீடித்த சாதகத்தை நாங்கள் வெளிக்கொணர்கிறோம்: சிறந்த தரம், வேகமான விநியோகம், மற்றும் ஆரோக்கியமான, வளர்ந்து வரும் குறியீட்டுத் தொகுப்பு. நீண்ட கால இலக்கு என்னவென்றால், ஒவ்வொரு பொறியாளருக்கும் நிறுவன நினைவகத்தின் சக்தியையும், ஒவ்வொரு குழுவிற்கும் வேகமாக வெளியிடும் நம்பிக்கையையும், ஒவ்வொரு பொறியாளருக்கும் பராமரிப்பில் அல்லாமல் புதுமைகளில் கவனம் செலுத்தும் சுதந்திரத்தையும் வழங்குவதாகும்.