ಸಂವಾದಾತ್ಮಕ AI ಏಜೆಂಟ್ ಆಂತರಿಕವಾಗಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ
OpenClaw ನಲ್ಲಿ ಸಂವಾದ ತಿರುವಿನ 6 ಹಂತಗಳು — ನೈಜ ವಿಳಂಬ, ಸಂವಾದದ ಪ್ರತಿ ವೆಚ್ಚ ಮತ್ತು ಭ್ರಮೆಯ ವಿರುದ್ಧ 4 ರಕ್ಷಣಾ ಸಾಲುಗಳು.
Equipe OpenClaw · Time de Engenharia & Produto
A Equipe OpenClaw é formada por engenheiros, designers e especialistas em IA dedicados a construir a melhor plataforma de agentes conversacionais para negócios brasileiros. Combinamos expertise…
ಸಂವಾದಾತ್ಮಕ AI ಏಜೆಂಟ್ ಒಳಗಿನಿಂದ ಹೇಗೆ ಕಾರ್ಯ ನಿರ್ವಹಿಸುತ್ತದೆ (OpenClaw ಆರ್ಕಿಟೆಕ್ಚರ್)
ಸಂವಾದಾತ್ಮಕ AI ಏಜೆಂಟ್ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಹೇಗೆ ಕಾರ್ಯ ನಿರ್ವಹಿಸುತ್ತದೆ, ತಿರುವು ತಿರುವಿನಿಂದ? ಈ ಪೋಸ್ಟ್ OpenClaw ನ ಕಪಾಟ ತೆರೆಯುತ್ತದೆ: ಗ್ರಾಹಕರ ಸಂದೇಶ WhatsApp ನಲ್ಲಿ ಬಂದಾಗ ಮುಖ್ಯ ಕ್ಷಣದಿಂದ ಏಜೆಂಟ್ ಹಿಂತಿರುಗಿ ಬರೆಯುವ ಪಠ್ಯದವರೆಗೆ. ಇದು ತಾಂತ್ರಿಕವಾಗಿರುತ್ತದೆ. ನೀವು ಉತ್ಪನ್ನ ಆರ್ಕಿಟೆಕ್ಚರ್ ನಿರ್ಧರಿಸಿದರೆ, ಒಂದು ಪರಿಹಾರ ಖರೀದಿಸಲು ಹೋದರೆ ಮತ್ತು ಆಳವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಬಯಸಿದರೆ, ಅಥವಾ ಸಂವಾದದ ಹಿಂದೆ ಏನು ನಡೆಯುತ್ತಿದೆ ಎಂಬುದನ್ನು ತಿಳಿಯಲು ಇಷ್ಟವಿದ್ದರೆ ಇದು ಯೋಗ್ಯವಾಗಿರುತ್ತದೆ.
TL;DR: ಪ್ರತಿಯೊಂದು ತಿರುವು 6 ಹಂತಗಳ ಮೂಲಕ ಹೋಗುತ್ತದೆ — ingest, ಸಂದರ್ಭ ಪರಿಹರಿಸಿ, ಕೌಶಲ್ಯ ಆಯ್ಕೆ ಮಾಡಿ, ಮುಂದಿನ ಕ್ರಿಯೆ ನಿರ್ಧರಿಸಿ, guard-rails ನೊಂದಿಗೆ ಕಾರ್ಯಗತ ಮಾಡಿ, ಸ್ಮೃತಿ ಶಾಶ್ವತ ಮಾಡಿ. ಸಂಪೂರ್ಣ ಚಕ್ರ Cloudflare ನ edge ನಲ್ಲಿ <2 ಸೆಕೆಂಡಿನಲ್ಲಿ ಚಲಿಸುತ್ತದೆ, ಸ್ಥಿರ ಸರ್ವರ ಇಲ್ಲದೆ.
ಆರ್ಕಿಟೆಕ್ಚರ್ ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ
ಸಂವಾದಾತ್ಮಕ ಏಜೆಂಟ್ ಡೆಮೋ ನಲ್ಲಿ ಕಾರ್ಯ ನಿರ್ವಹಿಸುವಂತೆ ತೋರುತ್ತದೆ ಆದರೆ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಮುರಿದುಹೋಗುತ್ತದೆ ಸಾಮಾನ್ಯವಾಗಿ ಈ 4 ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಒಂದನ್ನು ಹೊಂದಿರುತ್ತದೆ:
- ಹೆಚ್ಚು ಲೇಟೆನ್ಸಿ — ಗ್ರಾಹಕ ಪ್ರತಿಕ್ರಿಯೆಗೆ 8 ಸೆಕೆಂಡ ಕಾಯುತ್ತಾನೆ, ಸಂವಾದ ಸಾಯುತ್ತದೆ.
- ನಿಯಂತ್ರಿತವಲ್ಲದ ಭ್ರಮೆ — ಏಜೆಂಟ್ ಬೆಲೆ, ಸಮಯ, ನೀತಿ ಕಾಲ್ಪನಿಕ ಮಾಡುತ್ತದೆ.
- ಸಂದರ್ಭ ಕಳೆದುಹೋಗಿದೆ — ಗ್ರಾಹಕ 2 ದಿನಗಳ ನಂತರ ಹಿಂತಿರುಗುತ್ತಾನೆ ಮತ್ತು ಏಜೆಂಟ್ ಎಲ್ಲವನ್ನು "ಮರೆತುಹೋಗುತ್ತದೆ".
- ನಿಯಂತ್ರಿತವಲ್ಲದ ವೆಚ್ಚ — ಪ್ರತಿಯೊಂದು ದೀರ್ಘ ಸಂವಾದ ಪ್ರಾಂಪ್ಟ್ ತುಂಬುತ್ತದೆ ಮತ್ತು ನೀವು ಟೋಕನ್ ನಲ್ಲಿ ಭಾಗ್ಯ ಪಾವತಿಸುತ್ತೀರಿ.
4 ಎಲ್ಲಾ ಆರ್ಕಿಟೆಕ್ಚರ್ ಆಯ್ಕೆಗಳು, ಮಾದರಿಯ ಸೀಮಾವಳಿಗಳಲ್ಲ. OpenClaw 4 ಅನ್ನು ತಪ್ಪಿಸಲು ನಿರ್ಮಿಸಲಾಯಿತು — ಮತ್ತು ಅರ್ಥ ಮಾಡಿಕೊಳ್ಳುವ ಮಾರ್ಗ ಒಂದು ತಿರುವಿನ ಚಕ್ರವನ್ನು ನೋಡುವುದು.
ಒಂದು ತಿರುವಿನ ಚಕ್ರ (6 ಹಂತಗಳು)
ಗ್ರಾಹಕ ಈಗಷ್ಟೇ ಸಂದೇಶ ಕಳುಹಿಸಿದ್ದಾರೆ "ನಾನು ಶನಿವಾರ ಬೆಳಿಗ್ಗೆ ಬುಕ್ ಮಾಡಲು ಬಯಸುತ್ತೇನೆ". "received" ಮತ್ತು ಏಜೆಂಟ್ ಪ್ರತಿಕ್ರಿಯೆ ನಡುವೆ ಏನು ಸಂಭವಿಸುತ್ತದೆ?
ಹಂತ 1 — Ingest (edge worker, <50ms)
WhatsApp ಸಂದೇಶ Meta ನ webhook ಮೂಲಕ ಭೌಗೋಳಿಕವಾಗಿ ಹತ್ತಿರದ ಪಾಯಿಂಟ್ ಆಫ್ ಪ್ರೆಸೆನ್ಸ್ (PoP) ನಲ್ಲಿ Cloudflare Worker ಗೆ ನೇರವಾಗಿ ಬರುತ್ತದೆ. ಬ್ರೆಜಿಲ್ ನಲ್ಲಿ, ಇದು ಸಾವೋ ಪಾಲೋ ಅಥವಾ ರಿಯೊ ಎಂದರ್ಥ, ನೆಟ್ವರ್ಕ್ ಲೇಟೆನ್ಸಿ < 20ms.
Worker ಮೂರು ವಿಷಯಗಳನ್ನು ಮಾಡುತ್ತದೆ:
- webhook ಸಹಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ (WABA ರಹಸ್ಯದ ವಿರುದ್ಧ HMAC).
- ಟೆನೆಂಟ್ ಗುರುತಿಸುತ್ತದೆ ಗ್ರಾಹಕ ಫೋನ್ ಸಂಖ್ಯೆಯಿಂದ (ಮಲ್ಟಿ-ಟೆನೆಂಟ್
to_numberಮೂಲಕ). - ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತದೆ payload — ಆಡಿಯೋ ಪ್ರತಿಲೇಖನ ಆಗುತ್ತದೆ, ಚಿತ್ರ ವಿವರಣೆ ಆಗುತ್ತದೆ, ಸ್ಥಳ
{lat,lng}ಆಗುತ್ತದೆ, ಪಠ್ಯ ಹಾಗೆಯೇ ಇರುತ್ತದೆ.
ಹಂತ 1 ನ ಅಂತ್ಯದಲ್ಲಿ ನೀವು ಒಂದು ವಸ್ತು {tenant_id, conversation_id, user_message} ಮುಂದಿನ ಹಂತಕ್ಕೆ ಸಿದ್ಧವಾಗಿರುತ್ತದೆ.
ಹಂತ 2 — ಸಂದರ್ಭ ಪರಿಹರಿಸಿ (D1 + KV, ~80ms)
ಏಜೆಂಟ್ ನಿರ್ಧರಿಸುವ ಮೊದಲು 3 ಸಂದರ್ಭ ತುಂಡುಗಳ ಅಗತ್ಯವಿದೆ:
- ಸಂವಾದದ ಇತ್ತೀಚಿನ ಇತಿಹಾಸ (ಕೊನೆಯ N ಪ್ರাಸಂಗಿಕ ತಿರುವುಗಳು).
- ಗ್ರಾಹಕದ ದೀರ್ಘಾವಧಿ ಸ್ಮೃತಿ (ಆದ್ಯತೆಗಳು, ಖರೀದಿ ಇತಿಹಾಸ, ಟಿಪ್ಪಣಿಗಳು).
- ಏಜೆಂಟ್ ಸ್ಥಿತಿ (ವ್ಯಕ್ತಿತ್ವ, ಸಕ್ರಿಯ ಕೌಶಲ್ಯಗಳು, ನಿಯಮಗಳು).
ಇವೆಲ್ಲವೂ D1 ನಿಂದ ಬರುತ್ತವೆ (Cloudflare ನ ವಿತರಿತ SQLite). D1 ಸಾಂಪ್ರದಾಯಿಕ Postgres/Mongo ಅನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ — ನಿರ್ವಹಿಸಲು ಯಾವುದೇ ಡೇಟಾಬೇಸ್ ಸರ್ವರ್ ಇಲ್ಲ, ವರ್ಕರ್ ನಿಂದ ಕೆಲವೇ ms ನಲ್ಲಿ ಪ್ರವೇಶ, tenant_id ಮೂಲಕ ಬಹು-ಭಾಡೆದಾರ.
ಮುಖ್ಯ ಬಿಂದು: ನಾವು ಸಂವಾದದ ಸಂಪೂರ್ಣತೆ ಪ್ರಾಂಪ್ಟ್ನಲ್ಲಿ ಲೋಡ್ ಮಾಡುವುದಿಲ್ಲ. OpenClaw ನ Memory Manager v2 (ನಮ್ಮ ಆಂತರಿಕ ದಸ್ತಾವೇಜನ ನಲ್ಲಿ ವಿವರಿಸಲಾಗಿದೆ) ಪ್ರಸ್ತುತ ತಿರುವಿಗೆ ಪ್ರಾಸಂಗಿಕ ತಿರುವುಗಳನ್ನು ಮಾತ್ರ ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ (ಕೊನೆಯ N + ಉಚ್ಚ ಸಾಂಟಿಕ್ ಪ್ರাಸಂಗಿಕತೆಯ N). ಇದು 100+ ತಿರುವುಗಳ ಸಂವಾದಗಳಲ್ಲಿಯೂ ಟೋಕನ್ ವೆಚ್ಚವನ್ನು ಊಹಿಸಬಹುದಾಗಿ ಇಟ್ಟುಕೊಳ್ಳುತ್ತದೆ.
ಹಂತ 3 — ಕೌಶಲ್ಯ ಆಯ್ಕೆ (ನೀತಿ ಇಂಜಿನ್, ~20ms)
ಪ್ರತಿಯೊಂದು ಏಜೆಂಟ್ಗೆ ಲಭ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳ ಒಂದು ಸೆಟ್ ಇದೆ — ಅದು ಆಹ್ವಾನ ಮಾಡಬಹುದಾದ ಕಾರ್ಯಗಳು. ಉದಾಹರಣೆಗಳು: consultar_calendario, criar_evento, gerar_link_pagamento, consultar_pedido, chamar_humano.
"quero marcar pra sábado de manhã" ಸಂದೇಶವನ್ನು ನೀಡಿದರೆ, ನೀತಿ ಇಂಜಿನ್ ಫಿಲ್ಟರ್ ಮಾಡುತ್ತದೆ:
- ಸনಿರ್ಣಯಿತ ಉದ್ದೇಶದೊಂದಿಗೆ ಹೊಂದಿಕೆಯುಳ್ಳ ಕೌಶಲ್ಯಗಳು (ಅಜೆಂಡಾ).
- ಸಂವಾದದ ಈ ಹಂತಕ್ಕೆ ಅನುಮತಿಸಲಾದ ಕೌಶಲ್ಯಗಳು (ಪ್ರತಿಯೊಂದು ಕೌಶಲ್ಯ ಸಾರ್ವಕಾಲಿಕ ಲಭ್ಯವಿರುವುದಿಲ್ಲ).
- ಈ ಭಾಡೆದಾರ ಸಕ್ರಿಯಗೊಳಿಸಿದ ಕೌಶಲ್ಯಗಳು (ಭಾಡೆದಾರ ಸಂಯೋಜಿತವಾಗಿದ್ದರೆ ಮಾತ್ರ ಕ್ಯಾಲೆಂಡರ್ ಕಾಣಿಸುತ್ತದೆ).
ಕೊನೆಯಲ್ಲಿ ನೀವು ಮಾದರಿಗೆ ಪಾಸ್ ಮಾಡಲಾದ ಕೌಶಲ್ಯಗಳ ಒಂದು ಸಣ್ಣ ಉಪಸೆಟ್ ಪಡೆಯುತ್ತೀರಿ — ಸಾಧ್ಯವಿರುವ 50 ಅಲ್ಲ, ಇಲ್ಲಿ ಅರ್ಥವಿರುವ 4 ಮಾತ್ರ. ಇದು ಮಾದರಿ ತಪ್ಪು ಕೌಶಲ್ಯವನ್ನು ಆಹ್ವಾನ ಮಾಡುವ ಸಾಧ್ಯತೆಯನ್ನು ತೀವ್ರವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಹಂತ 4 — ನಿರ್ಧಾರ (LLM ಕರೆ, 400-1200ms)
ಈಗ ಮಾದರಿ ಪ್ರವೇಶ ಮಾಡುತ್ತದೆ. OpenClaw ಒಂದು ಗಡಿ LLM ಗೆ ಒಂದೇ ಕರೆ ಮಾಡುತ್ತದೆ (Anthropic Claude, OpenAI GPT, Google Gemini — ಭಾಡೆದಾರದ ಮೂಲಕ ಕಾನ್ಫಿಗರ್ ಮಾಡಬಹುದಾದ) ಹೊಂದಿದೆ:
- ಸಿಸ್ಟಮ್ ಪ್ರಾಂಪ್ಟ್ = ಏಜೆಂಟ್ನ ವ್ಯಕ್ತಿತ್ವ + ನಿಯಮಗಳು + ಲಭ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳು.
- ಇತಿಹಾಸ = ಹಂತ 2 ರಲ್ಲಿ ಆಯ್ಕೆ ಮಾಡಿದ ತಿರುವುಗಳು.
- ಬಳಕೆದಾರ ಸಂದೇಶ = ಪ್ರಸ್ತುತ ತಿರುವಿನ ಸಂದೇಶ.
ಮಾದರಿ ಎರಡು ವಿಷಯಗಳಲ್ಲಿ ಒಂದನ್ನು ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ:
- ಅಂತಿಮ ಪ್ರತಿಕ್ರಿಯೆ (ಗ್ರಾಹಕಕ್ಕೆ ನೇರ ಪಠ್ಯ).
- ಟೂಲ್ ಕರೆ (ನಿರ್ದಿಷ್ಟ ಕೌಶಲ್ಯವನ್ನು ನಿರ್ದಿಷ್ಟ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಕಾರ್ಯಗತ ಮಾಡುವ ವಿನಂತಿ).
"quero marcar pra sábado de manhã" ಉದಾಹರಣೆಯಲ್ಲಿ, ಮಾದರಿ ಸಾಮಾನ್ಯವಾಗಿ ಹಿಂತಿರುಗಿಸುತ್ತದೆ:
{
"tool": "consultar_calendario",
"args": { "date_range": "2026-04-19 06:00 to 12:00" }
}
ಹಂತ 5 — ಗಾರ್ಡ್-ರೈಲ್ಗಳೊಂದಿಗೆ ಕಾರ್ಯಗತ (ವೇರಿಯೇಬಲ್, ~100-500ms)
ಕೌಶಲ್ಯವು ಮಾದರಿಯಲ್ಲಿ ಚಲಿಸುವುದಿಲ್ಲ. ಇದು ನಮ್ಮ ಕೋಡ್ನಲ್ಲಿ ಚಲಿಸುತ್ತದೆ, ಅದು:
- ನಿಯತಾಂಕಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ (date_range ಸರಿಯಾದ ಸ್ವರೂಪವನ್ನು ಹೊಂದಿದೆಯೇ? ಟೆನೆಂಟ್ನ ನಿಯಮಗಳ ಒಳಗೆ ಇದೆಯೇ?).
- ಅನುಮತಿಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ (ಈ ಏಜೆಂಟ್ಗೆ ಈ ಕ್ಯಾಲೆಂಡರ್ ಅನ್ನು ಸಮಾಲೋಚಿಸುವ ಹಕ್ಕು ಇದೆಯೇ?).
- ಕರೆಯನ್ನು ಕಾರ್ಯಗತ ಮಾಡುತ್ತದೆ (ಈ ಸಂದರ್ಭದಲ್ಲಿ Google Calendar API).
- ರಚನಾತ್ಮಕ ಫಲಿತಾಂಶವನ್ನು ಮಾದರಿಗೆ ಹಿಂತಿರುಗಿಸುತ್ತದೆ.
ಇದು ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ? ಏಕೆಂದರೆ ಮಾದರಿ ಎಂದಿಗೂ ಫಲಿತಾಂಶವನ್ನು ರಚಿಸುವುದಿಲ್ಲ. ಕ್ಯಾಲೆಂಡರ್ [10h, 11h] ಅನ್ನು ಹಿಂತಿರುಗಿಸಿದರೆ, ಅದು ನಿಖಿಲವಾಗಿ ಮುಂದಿನ ಕರೆಗೆ ಹೋಗುತ್ತದೆ. ಸ್ಕಿಲ್ ವಿಫಲವಾದರೆ, ಮಾದರಿ ಅದು ವಿಫಲವಾಗಿದೆ ಎಂದು ತಿಳಿದುಕೊಳ್ಳುತ್ತದೆ. ಏಜೆಂಟ್ ಸಮಯ ಇಲ್ಲದಿದ್ದಾಗ 9h ನಲ್ಲಿ ಸಮಯ ಇದೆ ಎಂದು "ಕಲ್ಪಿಸುವ" ಶೂನ್ಯ ಅಪಾಯ.
ಸಂವೇದನಶೀಲ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂದರ್ಭಗಳಿಗೆ (ಬೆಲೆ, ಸಮಯಮಿತಿ, ಗ್ರಾಹಕ ಹೆಸರು), ಪೈಪ್ಲೈನ್ tool call ಅನ್ನು ಬಲವಂತ ಮಾಡುತ್ತದೆ — ಮಾದರಿಯನ್ನು ತನ್ನ ಸ್ವಂತ "ಜ್ಞಾನ" ನಿಂದ ಪ್ರತಿಕ್ರಿಯಿಸಲು ಅನುಮತಿ ನೀಡುವುದಿಲ್ಲ. ಇದು ವ್ಯಾವಹಾರಿಕ ಏಜೆಂಟ್ಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾದ ಭ್ರಮೆಯ ವರ್ಗವನ್ನು ನಿರ್ಮೂಲನ ಮಾಡುತ್ತದೆ.
ಹಂತ 6 — ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ನಿರಂತರತೆ (~50ms)
ಸ್ಕಿಲ್ನ ಫಲಿತಾಂಶವನ್ನು ಕೈಯಲ್ಲಿ ಹೊಂದಿದ್ದರೆ, ಮಾದರಿ ಎರಡನೇ ಕರೆಯನ್ನು ಮಾಡುತ್ತದೆ — ಈಗ ಗ್ರಾಹಕಗೆ ಅಂತಿಮ ಪ್ರತಿಕ್ರಿಯೆ ರೂಪಿಸಲು. ಉದಾ:
"ನನ್ನಲ್ಲಿ ಶನಿವಾರ 10h ಮತ್ತು 11h ಇದೆ. ನೀವು ಯಾವುದನ್ನು ಬಯಸುತ್ತೀರಿ?"
ಸಮಾನಾಂತರವಾಗಿ, ವರ್ಕರ್:
- ಸಂದೇಶವನ್ನು ಕಳುಹಿಸುತ್ತದೆ WhatsApp API ಮೂಲಕ ಹಿಂತಿರುಗಿ.
- ಸಂಪೂರ್ಣ ಟರ್ನ್ ಅನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ (ಬಳಕೆದಾರ + ಸಹಾಯಕ + ಟೂಲ್ ಕರೆಗಳು + ಅವಧಿ) D1 ನಲ್ಲಿ.
- ದೀರ್ಘಾವಧಿಯ ಸ್ಮೃತಿಯನ್ನು ನವೀಕರಿಸುತ್ತದೆ ಟರ್ನ್ ಹೊಸ ಸತ್ಯವನ್ನು ಉತ್ಪಾದಿಸಿದರೆ (ಉದಾ: "ಗ್ರಾಹಕ ಶನಿವಾರವನ್ನು ಬಯಸುತ್ತಾರೆ").
- ಗಮನಾರ್ಹತೆ ಘಟನೆಯನ್ನು ಹೊರಸೂಸುತ್ತದೆ (ಲೇಟೆನ್ಸಿ ಮೆಟ್ರಿಕ್, ಟೋಕನ್ ವೆಚ್ಚ, ಸ್ಕೇಲೇಶನ್ ದರ).
ಇದೆಲ್ಲವೂ ಸಮಾನಾಂತರವಾಗಿ ಚಲಿಸುತ್ತದೆ. ನಿರಂತರತೆ ಸಂದೇಶ ಕಳುಹಿಸುವುದನ್ನು ನಿರ್ಬಂಧಿಸುವುದಿಲ್ಲ — ಗ್ರಾಹಕ D1 ಕಾಯುವುದಿಲ್ಲ.
ಭ್ರಮೆಯ ವಿರುದ್ಧ ರಕ್ಷಣೆ ಎಲ್ಲಿದೆ
ಉತ್ಪಾದನೆಯಲ್ಲಿ ಭ್ರಮೆ ಮಾಡುವ ಏಜೆಂಟ್ ತ್ವರಿತವಾಗಿ ವಿಶ್ವಾಸವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ. OpenClaw ಗೆ 4 ರಕ್ಷಣೆಯ ಸಾಲುಗಳಿವೆ:
- ಮೂಲ-ಸತ್ಯವನ್ನು ಬಲವಂತ ಮಾಡಲಾಗಿದೆ. ಸತ್ಯಾತ್ಮಕ ಡೇಟಾ (ಬೆಲೆ, ಸಮಯ, ಹೆಸರು) ಯಾವಾಗಲೂ ಸ್ಕಿಲ್ ನಿಂದ ಬರುತ್ತದೆ, ಮಾದರಿ ಏಕಾಂಗಿಯಾಗಿ ಎಂದಿಗೂ ಅಲ್ಲ.
- ಸಂವೇದನಶೀಲ ಡೇಟಾದಲ್ಲಿ ದ್ವಿಗುಣ ಪರಿಶೀಲನೆ. ಅಪಾಯಿಂಟ್ಮೆಂಟ್ ಪರಿಶೀಲಿಸುವ ಮೊದಲು ಗ್ರಾಹಕದೊಂದಿಗೆ ದೃಢೀಕರಿಸಲಾಗುತ್ತದೆ. ಪ್ರವೇಶವನ್ನು ಬಿಡುಗಡೆ ಮಾಡುವ ಮೊದಲು ಪಾವತಿ ದೃಢೀಕರಿಸಲಾಗುತ್ತದೆ.
- ಸ್ಪಷ್ಟ ನಕಾರಾತ್ಮಕ ನಿಯಮಗಳು. ಪ್ರತಿಯೊಂದು ಏಜೆಂಟ್ನ ವ್ಯಕ್ತಿತ್ವವು "X, Y, Z ಅನ್ನು ಎಂದಿಗೂ ಕಲ್ಪಿಸಬೇಡಿ" ಎಂದು ಒಳಗೊಂಡಿದೆ — ಮಾದರಿ ಪಾಲನೆ ಮಾಡುತ್ತದೆ.
- ಮಾನವಗೆ ಫಾಲ್ಬ್ಯಾಕ್. ಯಾವುದೇ ಸ್ಕಿಲ್ ಪ್ರಶ್ನೆಯನ್ನು ಕವರ್ ಮಾಡದಿದ್ದಾಗ, ಏಜೆಂಟ್
"ನಾನು ಟೀಮ್ನೊಂದಿಗೆ ಪರಿಶೀಲಿಸುತ್ತೇನೆ"ಎಂದು ಹೇಳುತ್ತದೆ ಮತ್ತು ಟಿಕೆಟ್ ತೆರೆಯುತ್ತದೆ — ಊಹೆ ಮಾಡುವುದಿಲ್ಲ.
ಕಳೆದ 6 ತಿಂಗಳುಗಳಲ್ಲಿ ನಾವು ನಡೆಸಿದ ಆಡಿಟ್ಗಳಲ್ಲಿ (ನೈಜ ಸಂವಾದಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಲಾಗಿದೆ), ಸತ್ಯಾತ್ಮಕ ಭ್ರಮೆಯ ದರ 0.3% ಟರ್ನ್ಗಳ ಕೆಳಗೆ ಉಳಿದಿದೆ — ಮತ್ತು ಬಹುತೇಕ ಎಲ್ಲಾ ಪ್ರಕರಣಗಳು ಕಾನ್ಫಿಗ್ (ಟೆನೆಂಟ್ ಸಂಬಂಧಿತ ಸ್ಕಿಲ್ ಸಕ್ರಿಯಗೊಳಿಸಲು ಮರೆತಿದೆ) ನಿಂದ ಬಂದವು, ಮಾದರಿ ದೋಷ ಅಲ್ಲ.
ಸಂವಾದಕ್ಕೆ ವೆಚ್ಚ
ಉತ್ತಮ ಆರ್ಕಿಟೆಕ್ಚರ್ ನೀವು ಬಿಲ್ ನೋಡುವವರೆಗೆ ಅದೃಶ್ಯವಾಗಿರುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ತಿರುವು 1-2 LLM ಕರೆಗಳು + D1 ನಲ್ಲಿ ಲುಕಪ್ಗಳನ್ನು ಮಾಡುವುದರಿಂದ, ಸಂಪೂರ್ಣ ಸಂವಾದದ ವಿಶಿಷ್ಟ ವೆಚ್ಚ (10-15 ತಿರುವುಗಳು) ಈ ಕೆಳಗಿನಂತಿರುತ್ತದೆ:
Equipe OpenClaw
ಪ್ರಕಟಿಸಲಾಗಿದೆ ಜೂನ್ 3, 2026
