ඔබේම අවබෝධය ගොඩනැගීම: AI-powered Deep Research පිටුපස ඇති ආකෘතිය ✔️ Developers සඳහා අවදි වීමේ ඇමතුමක් ඔබගේ මෙහෙයුම වන්නේ ChatGPT හෝ Claude භාවිතා කරන්නේ කෙසේද යන්න ඉගෙන ගැනීම පමණක් නොවේ - එය එවැනි පද්ධති නිර්මාණකරුවෙකු බවට පත් කිරීමයි, ඊළඟ Perplexity ගොඩනැගීම පමණක් නොව එය භාවිතා කිරීමයි. ✔️ Developers සඳහා අවදි වීමේ ඇමතුමක් ඔබගේ මෙහෙයුම වන්නේ ChatGPT හෝ Claude භාවිතා කරන්නේ කෙසේද යන්න ඉගෙන ගැනීම පමණක් නොවේ - එය එවැනි පද්ධති නිර්මාණකරුවෙකු බවට පත් කිරීමයි, ඊළඟ Perplexity ගොඩනැගීම පමණක් නොව එය භාවිතා කිරීමයි. විවෘත මූලාශ්රය : https://github.com/aifa-agi/aifa-deep-researcer-starter/ 1. What You'll Master by Reading This Article මොනවද මේ ලිපිය කියවලා ඉගෙන ගන්නේ මෙම ලිපිය ඔබේම ගැඹුරු පර්යේෂණ AI නියෝජිතය ගොඩනැගීම සඳහා සම්පූර්ණ ආකෘති ව්යාපෘතියක් සපයයි, Perplexity හි "ගැඹුරු පර්යේෂණ" විශේෂාංගයට සමානයි. Next.js 15, OpenAI සහ exa.ai භාවිතා කරන recursive සෙවුම් පද්ධතිය නිර්මාණය කරන්නේ කෙසේද Technical Architecture ඇයි ගැඹුරු සොයන්න ගස් ව්යුහයක් නොවේ ලිනියම් ක්රියාවලිය - සහ එය AI පර්යේෂණ ගැන සියල්ල වෙනස් කරන්නේ කෙසේද Mental Models අභ්යන්තර වෙබ් සෙවුම් සහ අභ්යන්තර වක්රීය දැනුම පදනම සමඟ සබඳතා ඇති කිරීම සඳහා ඔබේ තරඟකරුවන්ට ප්රතිපත්තිය නොහැකි සැබවින්ම සුවිශේෂ අන්තර්ගතයක් නිර්මාණය කිරීම Practical Solutions සර්වර් සම්පත් සහ පරිශීලක අත්දැකීම් දිගු කාලීන AI ක්රියාකාරකම් තුළ බැංකු බිඳ දැමීමකින් තොරව කළමනාකරණය කරන්නේ කෙසේද Performance Optimization වර්තමානයේ ඔබට ප්රවේශ කළ හැකි නවීන තාක්ෂණය ස්කෑම් භාවිතා කරන සැබෑ TypeScript යෙදුම් Production-Ready Code මෙම ලිපිය අවසානයේදී, ඔබට ඕනෑම නිෂ්පාදනයට ඇතුළත් කළ හැකි ගැඹුරු පර්යේෂණ සඳහා ස්වයංක්රීය SaaS ගොඩනඟන ආකාරය පිළිබඳ පැහැදිලි අවබෝධයක් ලැබෙනු ඇත - ඔබට සැබවින්ම අනුකූල කළ හැකි තරඟකාරී වාසියක් ලබා දෙනු ඇත. 1.1. The Technology Stack That Powers Intelligence අපගේ ගැඹුරු පර්යේෂණ AI නියෝජිතයා ක්රියාත්මක කිරීම සඳහා, අප නිෂ්පාදන සූදානම් යෙදුම් සඳහා පරිශීලකව පරිශීලකව පරිශීලකව පරිශීලකව පරිශීලකව පරිශීලකව පරිශීලක කර ඇත.This is not just a tech demo – it is built for real-world scale and reliability. 1.1.1. Frontend and Framework - වැඩි දියුණු කාර්ය සාධක සහ නව සකස් කළමනාකරණ හැකියාවන් සහිත නවතම අනුවාදය, සංකීර්ණ AI සන්නිවේදන පහසුවෙන් කළමනාකරණය කරයි React 19 App Router සමඟ සම්පූර්ණ ක්රියාකාරී React framework, සමන්විත සහ ප්රතික්ෂේප කිරීමේ මාර්ගය සඳහා සහාය ඇතුළත් (අධික AI වැඩපිළිවෙළ සඳහා පරිපූර්ණ) Next.js 15 - සංකීර්ණ AI පද්ධති ගොඩනඟන විට කේත විශ්වාසය සහ විශිෂ්ට සංවර්ධක අත්දැකීම් සඳහා දැඩි ටයිප් කිරීම TypeScript 5 1.1.2. AI and Integrations — GPT-4 සහ අනෙකුත් OpenAI ආකෘති සමඟ සම්පූර්ණ ස්ට්රොයිම් සහාය ලබා ගැනීම සඳහා නිල SDK OpenAI SDK (v4.96.2) විවිධ AI සැපයුම්කරුවන් සමඟ වැඩ කිරීම සඳහා විශ්ව විද්යාල පුස්තකාලය, ඔබට ආකෘති මාරු කිරීමට ප්ලස්ටික්තාවක් ලබා දෙයි AI SDK (v4.1.45) — සැබෑවටම සංකේතය තේරුම් ගැනීම සඳහා විශේෂඥ AI-oriented search engine for semantic search Exa.js (v1.4.10) 1.1.3. UI and Styling වේගවත් සංවර්ධනය සඳහා උපකරණ ප්රථම CSS framework, සැලසුම් ගුණාත්මකභාවය විනාශ කිරීමකින් තොරව Tailwind CSS 4 — සියලුම උපාංගවල ක්රියාකාරී වන ප්රවේශම් පරිගණක නිර්මාණය කිරීම සඳහා හිසකෙස් අමුද්රව්ය Radix UI - නිශ්චිත නිර්මාණ භාෂාව සහිත නවීන අයිකන් පුස්තකාලය Lucide React - Radix UI සහ Tailwind CSS මත ගොඩනැගුණු අමුද්රව්ය පද්ධතිය ව්යාපාරික මට්ටමේ පරිගණක සඳහා shadcn/ui 1.1.4. Forms and Validation - ආකෘති කළමනාකරණය සඳහා උසස් කාර්ය සාධක පුස්තකාලය, ඔබේ AI පරිශීලකයන් නතර නොකරයි React Hook Form - TypeScript-first විනිමය පද්ධතිය ස්ටීක් ස්ටීක් ටයිප් කිරීම, ඒවා නිෂ්පාදනය වෙත පැමිණීමට පෙර වැරදි අල්ලා ගැනීම Zod Zod සහ React Hook Form අතර සෘජු සම්පාදනය Hookform Resolvers 1.1.5. Content Processing Rich AI-generated reports සඳහා component support සහිත Markdown content rendering React Markdown — AI පර්යේෂණ කාල සීමාවන් තුළ දිනය කළමනාකරණය සඳහා නවීන පුස්තකාලය date-fns Why This Stack Matters මෙම තාක්ෂණය Stack සපයයි , සහ සෑම විකල්පයක්ම මෙහිදී සැලකිලිමත් වේ - Next.js 15 හි සංකීර්ණ AI වැඩපිළිවෙළ ක්රියාත්මක කිරීම සඳහා සංකීර්ණ AI යෙදුම් නිර්මාණය කිරීම සඳහා අවශ්ය වන අතර, Exa.js විසින් ගැඹුරු පර්යේෂණ කළ හැකි සංකීර්ණ සෙවුම් හැකියාවන් සපයයි. high performance type safety scalability recursive AI පර්යේෂණයේ පරිගණක සංකීර්ණතාවය පාලනය කළ හැකි පද්ධතිය, වර්තමානයේ යෙදුම් අවශ්ය වන පරිශීලක අත්දැකීම් ප්රමිතීන් පවත්වාගෙන යාම. The result? සැබවින්ම බලවත් දෙයක් නිර්මාණය කිරීමට මෙම කොටස් එකට ගැලපෙන ආකාරය බලන්න සූදානම්? AI විප්ලවය එන්නේ නැහැ – එය මෙතැනයි. සහ එය සංවර්ධක සමාජය තුළ දැඩි බෙදාහැරීමක් නිර්මාණය කරයි. එක් පැත්තකින් AI නිෂ්පාදකත්වය වැඩි කිරීම සඳහා තවත් මෙවලමක් ලෙස දකින අය, ක්රියාකාරකම් ලිවීමට සහ කේතය debug කිරීමට ChatGPT භාවිතා කරයි. . the real opportunity isn't in using AI—it's in building it බොහෝ සංවර්ධකයින් ChatGPT වඩාත් ඵලදායීව ප්රවේශ කිරීමට ඉගෙන ගනිමින් සිටින අතර, Perplexity, Claude සහ පෞද්ගලික AI නියෝජිතයන් වැනි පද්ධති පිටුපස ඇති ආකෘතිය පුහුණු කර ඇත. : සමාගම් AI මෙවලම් භාවිතා කළ හැකි සංවර්ධකයින් අවශ්ය නොවේ - ඔවුන් AI පද්ධති නිර්මාණය කළ හැකි සංවර්ධකයින් අවශ්ය වේ. The harsh reality මෙම ලිපිය, Perplexity හි "ගැඹුරු පර්යේෂණ" විශේෂාංගයට සමානව, ඔබේම AI-ප්රවේශය සහිත ගැඹුරු පර්යේෂණ නියෝජිතය ගොඩනැගීම සඳහා සම්පූර්ණ අද්විතීය ව්යාපෘති ව්යාපෘතියක් සපයයි. ඔබ තාක්ෂණික යෙදුම පමණක් නොව, ආකෘති ආකෘති සහ නිර්මාණ මූලධර්මය ඉගෙන ගනු ඇත. : What you'll master by the end Recursive Search Architecture: How to design systems that think in trees, not lines (අවශ් ය පර්යේෂණ ආකෘතිය: පර්යේෂණ පර්යේෂණ පර්යේෂණ පර්යේෂණ පර්යේෂණ පර්යේෂණ) AI-first data pipelines: අභ්යන්තර වෙබ් සෙවුම් සහ අභ්යන්තර දැනුම පදනම සමඟ ඇතුළත් කිරීම Agent Orchestration: ඔවුන්ගේම ප්රතිඵල විශ්ලේෂණය, iterate සහ වැඩි දියුණු කළ හැකි AI පද්ධති ගොඩනැගීම නිෂ්පාදන සැලකිල්ල: දිගුකාලීන AI මෙහෙයුම් සඳහා සේවාදායක සම්පත්, timeouts සහ පරිශීලක අත්දැකීම් කළමනාකරණය කිරීම ඉලක්කය ඔබට කේතය copy-paste කිරීමට ලබා දීම නොවේ. එය ඔබට ඕනෑම domain, ඕනෑම භාවිතය සඳහා සහ ඕනෑම මට්ටමේ සඳහා AI පද්ධති නිර්මාණය කිරීමට ඉඩ සලසනු ඇත. අවසානයේදී, ඔබට ප්රශ්නවලට පමණක් පිළිතුරු නොලැබෙන AI නියෝජිතයන් ගොඩනැගීමට මානසික පද්ධතියක් ඇති වනු ඇත - ඔවුන් විශේෂඥ විශ්ලේෂකයින් මෙන් පර්යේෂණ සිදු කරයි. AI පරිශීලක සිට AI ආකෘතියට ගමන් කිරීමට සූදානම්ද?අපි අන්තර්ජාලය සාර්ථකව පවත්වාගෙන යාම සඳහා සම්ප් රදායික LLMs "ගැලපෙන බල්ලෙක්" අවශ්ය ඇයි යන්නට පිවිසෙන්න. 2. Introduction: Life After ChatGPT Changed Everything ප්රවෘත්ති: ChatGPT සියල්ල වෙනස් කළ පසු ජීවිතය ChatGPT සහ වෙනත් විශාල භාෂා ආකෘති (LLMs) අපි තොරතුරු සමඟ සන්නිවේදනය කරන ආකාරය මූලිකව විප්ලවයට පත් කර ඇත. . models only know the world up to their training cutoff date, and they hallucinate with alarming confidence 2.1. The Problem: Band-Aid Web Search in Modern LLMs ChatGPT, Claude සහ අනෙකුත් ආකෘති පිටුපස ඇති කණ්ඩායම් මෙම අභ්යන්තර වෙබ් සෙවුම සමඟ විසඳා ගැනීමට උත්සාහ කර ඇත.එය තාක්ෂණිකව විශිෂ්ටයි, නමුත් ගැඹුරින් සොයන්න, නිෂ්පාදන යෙදුම් සඳහා සුදුසු නොවන බරපතල අසාර්ථකතා කිහිපයක් සොයා ගනු ඇත: : පද්ධතිය එක් හෝ දෙකක් සෙවුම් ප්රශ්න කරයි, පළමු ප්රතිඵල කිහිපයක් ගබඩා කරයි, එය දවසක් නම් කරයි. Surface-Level Search ප්රථම සෙවුම සම්පූර්ණ ප්රතිඵල ලබා නොගන්නේ නම්, පද්ධතිය පසුපස ප්රශ්න අහන්නේ නැත හෝ විකල්ප කොන්දේසි සොයන්නේ නැත. Zero Follow-Through Traditional search engines return HTML pages cluttered with ads, navigation elements, and irrelevant content.The LLM යනු මෙම ඩිජිටල් කුණු වලින් ප් රයෝජනවත් තොරතුරු "පලවා" කළ යුතුය. Garbage Data Quality පද්ධතිය සොයාගත් තොරතුරු ඔබේ අභ්යන්තර දත්ත, සමාගමේ ලේඛන හෝ domain-specific knowledge bases සමඟ සම්බන්ධ කළ නොහැක. Context Isolation 2.2. The Gold Standard: Perplexity's Deep Research Revolution Perplexity අප සොයන-LLM සම්මත කිරීම සැබවින්ම ක්රියා කළ යුතු ආකාරය පෙන්වන පළමු සමාගම විය. සාමාන් ය Google API ඇමතුම් වෙනුවට, ඔවුන් AI පරිභෝජනය සඳහා නිර්මාණය කරන පිරිසිදු, සංයුක්ත අන්තර්ගතය පිලිබඳ විශේෂිත සෙවුම් පද්ධති භාවිතා කරයි. AI-Optimized Search Engines : පද්ධතිය ආරම්භක ප්රතිඵල මත නතර නොකරයි.එය ප්රතිඵල විශ්ලේෂණය කරයි, නව ප්රශ්න සකස් කරයි, සහ සම්පූර්ණ පින්තූරයක් ගොඩනඟන තුරු සොයමින් පවතී. Iterative Investigation Process මෙම ස්වයංක්රීය AI නියෝජිතයා විනාඩි ගණනාවක් එක් වරක් වැඩ කළ හැකි අතර, මාතෘකාවලට නැවත වාර ගණනාවක් පවත්වාගෙන දහස් ගණනක් මූලාශ් ර වලින් තොරතුරු එකතු කළ හැකිය. Deep Research Mode This is exactly the kind of system we're going to build together. 2.3. Why This Matters for Every Developer AI-first යුගයේ දී, සෑම නිෂ්පාදනයක්ම "ඉස්මතු" බවට පත් වීමට තරඟකාරී වේ.ඒත් ChatGPT API හි සරලව සම්බන්ධ කිරීම දැන් තැපැල් ඔට්ටු පමණි. සැබෑ කාලය තුළ අන්තර්ජාලයෙන් දැනට තොරතුරු සොයන්න ඔබගේ පෞද්ගලික දැනුම පදනම සමඟ පොදු දත්ත සබඳන්න සම්මත LLM වලින් ලබා ගත නොහැකි සුවිශේෂී දර්ශන නිර්මාණය කිරීම ඔබේ නිශ්චිත ව්යාපාරික ප්රදේශය සහ කර්මාන්තයේ අමුද්රව්ය වලට අනුකූල වීම 2.4. What You'll Walk Away With මගේ ඉලක්කය ඔබව copy-paste කිරීමට කේතයක් ලබා දීම නොවේ (ඔබට බොහෝ දේ ලැබෙනු ඇත). ගැඹුරු AI පර්යේෂණ පිටුපස ඇති Philosophy තේරුම් ගන්න ඔබේ නිශ්චිත භාවිතය සඳහා ආකෘතිය නිර්මාණය කිරීම Modern Stack (Next.js 15, OpenAI, exa.ai) භාවිතා කිරීම විසඳුම ඕනෑම පවතින නිෂ්පාදිතයට ඇතුළත් කිරීම ඔබේ අවශ්යතා සඳහා පද්ධතිය ප්රමාණවත් කිරීම සහ වැඩි දියුණු කිරීම මෙම ලිපිය අවසානයේදී, ඔබ ඔබේම "බර්ප්ලක්සයිට්" ගොඩනඟා ගැනීමට සම්පූර්ණ ආකෘති ව්යුහය සහ නිෂ්පාදන සූදානම් කේත උදාහරණ ඇති වනු ඇත - ඔබේ නිෂ්පාදනයේ රහසිගත ආයුධයක් බවට පත් කළ හැකි AI නියෝජිතය. : අපි තාක්ෂණික ක්රියාත්මක කිරීම පමණක් නොව ව්යාපාරික ලෝහයත් අධ්යයනය කරමු.ඇයි ප්රතික්රියාකාරී සෙවුම් මාර්ගගතයට වඩා වඩා ඵලදායී වන්නේ? ඔබ අභ්යන්තර හා අභ්යන්තර මූලාශ්ර නිවැරදිව සබඳන්නේ කෙසේද? දිගු කාලීන AI මෙහෙයුම් සඳහා UX ආකෘති මොනවාද? Important 2.5. For the Impatient: Skip to the Code දැනටමත් සංකල්ප ලබා ගැනීමට කැමති අය සඳහා සහ ක්රියාත්මක කිරීම සඳහා සෘජුවම පිවිසීමට අවශ්ය වන අතර, මෙහි අපි නිර්මාණය කරන විවෘත මූලාශ්ර විසඳුම වේ: https://github.com/aifa-agi/aifa-deep-researcer-starter https://github.com/aifa-agi/aifa-deep-researcer-starter මම පෞද්ගලිකව ඔබට බොහෝ වචන හා සෑහෙන්න සැබෑවක් ලබා දෙන ලිපි දරා ගත නොහැක. repo ක්ලෝන කිරීමට සහ එය දැන් සංවර්ධනය ක්රියාත්මක කරන්න. : ඔබ නිෂ්පාදනය තුළ Vercel හි නොමිලේ හෝටලය මට්ටමේ timeout සීමාවන් (403 වැරදි) ඉටු කරනු ඇත, නමුත් localhost මත ඔබට සම්පූර්ණයෙන්ම අත්හදා බැලීමට සහ ඔබේ හදවතගේ අන්තර්ගතයට ලෝගයන් අධ්යයනය කළ හැකිය. Pro tip අනාගතය ගොඩනගා ගැනීම සඳහා සූදානම්ද?අපි අන්තර්ජාලය සාර්ථකව ප්රවේශ කිරීමට LLMs අවශ්ය ඇයි තේරුම් ගැනීමෙන් ආරම්භ කරමු. 3. Why LLMs Need a "Guide Dog": The Critical Role of External Search Systems ඇයි LLMs අවශ්ය "ගැහැනු බල්ලෙක්": අභ්යන්තර සෙවුම් පද්ධති ප්රධාන කාර්යය මෙන්න බොහෝ සංවර්ධකයින් මිල අධික ක්රමයෙන් ඉගෙන ගන්නා දුෂ්කර සත් යය: මෙය බොගක් නොවේ - එය මූලික ආකෘති සීමාවක් වන අතර එය සංකීර්ණ විසඳුමක් අවශ්ය වේ: AI පරිභෝජනය සඳහා නිර්මාණය කරන විශේෂිත සෙවුම් පද්ධති සමඟ ඇතුළත් කිරීම. Large Language Models cannot independently access current information from the internet 3.1. Why Traditional Search Engines Are AI Poison Google, Bing, සහ අනෙකුත් සම්ප්රදායික සෙවුම් යන්ත්ර අන්තර්ජාලය සොයන මිනිසුන් සඳහා නිර්මාණය කරන ලදී, දත්ත සැකසුම් යන්ත්ර සඳහා නොවේ. ප්රකාශ ප්රතිපත්තිය සහ ප්රවේශ ප්රතිපත්තිය, අන්තර්ගත ආකෘතිය අවුල් අහිතකර අන්තර්ගතය (කැමති, පිටුපසින්, පිටුපසින්, කුකී බෙනර්) සංකීර්ණ පර්සන අවශ්ය නොවන සහ බොහෝ විට අසාර්ථක නොවන ආකෘතිගත දත්ත javascript// The traditional approach - a nightmare for AI const htmlResponse = await fetch('https://api.bing.com/search?q=query'); const messyHtml = await htmlResponse.text(); // You get HTML soup with ads, scripts, and digital garbage // Good luck extracting meaningful insights from this mess මම දකිනවා කණ්ඩායම් සති ගණනක් HTML පර්සර් ගොඩනඟා ගැනීම සඳහා, සෑම අවස්ථාවකදීම විශාල වෙබ් අඩවියක ඔවුන්ගේ තිරය යාවත්කාලීන කිරීම සඳහා. It's not scalable, and it's definitely not reliable. 3.2. Keyword Matching vs. Semantic Understanding: A World of Difference Traditional search systems look for exact word matches, completely ignoring context and meaning.A query like "Next.js optimization for e-commerce" might miss an excellent article about "boosting React application performance in online stores," although they are semantically identical topics. මෙම පර්යේෂණ උපදේශකයක් ඇති අතර, සැබෑ අන්තර්ගතය පිළිබඳ සියල්ල නොසලකා හැරෙන අතර, මාතෘකාවේ නිවැරදි වචන ගැලපෙන පරිදි පොත් සොයා ගත හැකිය. For AI agents doing deep research, this approach is fundamentally broken. 3.3. AI-Native Search Engines: The Game Changer Exa.ai, Metaphor සහ Tavily වැනි විශේෂිත පද්ධති ආකර්ෂණීය සෙවීම AI සඳහා භාවිතා නොකරන මූලික ප්රශ්න විසඳයි: Semantic Query තේරුම් ගැනීම ඔවුන් සංකේත ප්රදර්ශන භාවිතා කරන්නේ තේරුම් අනුව සොයමින්, සංකේත වචන පමණක් නොවේ.ඔබේ AI සංකේතය නිවැරදි වචන ගැලපෙන්නේ නැතත් අදාළ අන්තර්ගතය සොයා ගත හැකිය. පිරිසිදු, සංයුක්ත දත්ත ඔවුන් HTML කුණු නොමැතිව පෙර සැකසුණු අන්තර්ගතය ආපසු ලබා දෙයි. තවදුරටත් අහිංසක පර්සර් හෝ කඩා වැටුණු ආකෘති. kontekstual දැනුම ඔවුන් පෙර ප්රශ්න සහ මුළු පර්යේෂණ සබැඳිය තේරුම්, සැබෑවටම iterative පර්යේෂණ කළ හැකිය. javascript// The AI-native approach - clean and powerful const cleanResults = await exa.search({ query: "Detailed analysis of Next.js performance optimization for high-traffic e-commerce platforms", type: "neural", contents: { text: true, summary: true } }); // You get clean, relevant content ready for AI processing // No parsing, no cleanup, no headaches 3.4. Why This Matters for Production Systems ඔබේ ඇතුළත් දත්තවල ගුණාත්මකභාවය සෘජුවම ඔබේ අවසන් පර්යේෂණ ප්රතිඵලයේ ගුණාත්මකභාවය තීරණය කරයි.AI-native search engines provide: : සංයුක්ත අන්තර්ගතය, දුර්වල HTML පාස් කිරීම සඳහා අවශ්යතාවයක් නොමැතිව ස්ථාවර API, ස්වයංක්රීය, උසස් ප්රමාණයේ භාවිතය සඳහා නිර්මාණය : දත්ත සැකසුම් සඳහා අඩු පරිගණක overhead : හොඳම මූලාශ්රය ගැලපීම හොඳ අවසාන දර්ශනවලට හේතු වේ Data Reliability Scalability Cost Efficiency Accuracy javascript// Hybrid search: external + internal sources const [webResults, vectorResults] = await Promise.all([ exa.search(query), vectorStore.similaritySearch(query) ]); const combinedContext = [...webResults, ...vectorResults]; // Now your AI has both current web data AND your proprietary knowledge 3.5. The Bottom Line: Architecture Matters AI-native search engines යනු තාක්ෂණික විස්තරයක් පමණක් නොවේ - නිවැරදි "ගැලපෙන බල්ලෙක්" නොමැතිව, වඩාත්ම සංකීර්ණ LLM පවා දැනට පවතින තොරතුරු ගැඹුරු, නිවැරදි විශ්ලේෂණය නිර්මාණය කිරීමට සටන් වනු ඇත. they're the architectural foundation එය මේ ආකාරයෙන් සිතන්න: ඔබ සියලු පොත් කේතයකින් ලියන අතර පිටුවලට භාගයක් ප්රවේශය වේ පොත් පොත් පොත් පොතේ විශිෂ්ට පර්යේෂකයෙකු යැවීමට නොහැකි වනු ඇත. ඊළඟ පරිච්ඡේදයේදී, අපි recursive, ගැඹුරු පර්යේෂණ කළ හැකි වන විශේෂ ආකෘති ආකෘති ආකෘති ඇතුළත් කරනු ඇත. The solution? Ready to see how the pieces fit together? Let's explore the system design that powers truly intelligent AI research agents. 4. Think Like a Tree: The Architecture of Recursive Search Thought Like a Tree: The Architecture of Recursive Search – ගස් වගේ හිතන්න මනුෂ් ය මොළය ස්වාභාවිකව සංකීර්ණ තොරතුරු හයිරාචික ජාලයක් ලෙස ව්යුහය කරයි. පර්යේෂකයෙක් නව මාතෘකාවක් පර්යේෂණය කරන විට, ඔවුන් කෙළින්ම ගමන් කරන්නේ නැහැ - ඔවුන් සෑම නව සොයාගැනීමකටම අමතර ප්රශ්න සහ පර්යේෂණ ප්රවේශයන් සකස් කරන දැනුම ජාලයක් සංවර්ධනය කරයි. 4.1. The Fundamental Difference in Approaches Traditional search systems and built-in web search in LLMs work linearly: receive query → perform search → return results → generate answers. Problems with the Linear Approach: : The system stops at the first facts it finds Surface-level results : Each search query is isolated from previous ones No context continuity : The system can't see relationships between different aspects of a topic Missing connections අසාමාන්ය ගුණාත්මකභාවය: ප්රතිඵල සම්පූර්ණයෙන්ම ආරම්භක ප්රශ්නයේ වාසනාව මත රඳා පවතී මනුෂ් ය පර්යේෂණයේ ස්වාභාවික ක් රියාවලිය ආකෘති කිරීමෙන් මෙම ගැටළු විසඳන්නේ ගස් මත පදනම් වූ ප්රවේශයයි.සෑම සොයාගත් මූලාශ් රයක්ම නව ප්රශ්න නිර්මාණය කළ හැකි අතර ඒවා විවිධ පර්යේෂණ අංශ බවට පත් වේ. 4.2. Anatomy of a Search Tree උදාහරණයක් සහිතව ගැඹුරු සොයන ගසක ව්යුහය පරීක්ෂා කරමු: textNext.js vs WordPress for AI Projects/ ├── Performance/ │ ├── Source 1 │ ├── Source 2 │ └── Impact of AI Libraries on Next.js Performance/ │ └── Source 7 ├── Development Costs/ │ ├── Source 3 │ └── Source 4 └── SEO and Indexing/ ├── Source 5 └── Source 6 අපේ උදාහරණයේ දී, මෙම ක්රියාකාරකම්, වියදම්, සහ SEO වේ.මේ අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය අමුද්රව්ය First-level branches සෑම පර්යේෂණයක් සඳහාම සොයාගත හැකි විශේෂ මූලාශ් ර (විශේෂ ලිපි, ලේඛන, අධ්යයන) වේ. Tree leaves මෙම පද්ධතිය සොයාගත් මූලාශ්ර විශ්ලේෂණය කරන විට, එය තවදුරටත් පර්යේෂණ අවශ්ය වන මාතෘකාව පිළිබඳ නව අමුද්රව්ය සොයා ගත හැකිය. Recursive branches 4.3. Practical Advantages of Tree Architecture : ගස පද්ධති පද්ධතිගත මාතෘකාව coverage සපයයි.Instead of a random collection of facts, the system builds a logically connected knowledge map where each element has its place in the overall structure. Research Completeness : පද්ධතිය ස්වයංක්රීයව හඳුනා ගන්නේ මොන ප්රවේශයන් ගැඹුරු පර්යේෂණ අවශ්ය වේද යන්නයි. එක් අංශයක් බොහෝ අදාළ මූලාශ් ර ලබා දෙන්නේ නම්, පද්ධතිය වඩාත් ගැඹුරු විය හැකිය. Adaptive Depth : සෑම නව සෙවුම් ප්රශ්නයකටම දැනටමත් සොයාගෙන ඇති තොරතුරු සලකා බැලිය යුතුය.මේක තනි සෙවුම් වලට වඩා නිශ්චිත හා විශේෂිත ප්රශ්න සඳහා ඉඩ සලසයි. Contextual Connectivity : At each tree level, the system can evaluate the relevance and quality of found sources, filtering noise and concentrating on the most valuable information. Quality Assessment 4.4. Managing Tree Parameters determines how many recursion levels the system can perform. Depth 1 means only main sub-queries without further drilling down. Depth 3-4 allows for truly detailed investigation. Search Depth සෑම මට්ටමේදී sub-queries සංඛ්යාව පාලනය කරයි. ප්රමාණයෙන් විශාල ප්රමාණයෙන් ප්රමාණයෙන් විශාල ප්රවේශයන් පරීක්ෂා කිරීමට හේතු විය හැක. Search Width දත්ත සෙවීමේ ගිවිසුම තුළ, මෙය සෑම සොයාගත් මූලාශ්රය මත පදනම්ව නිර්මාණය කරන නව අර්බුද ප්රශ්න සංඛ් යාවයි.This corresponds to the number of new sub-queries generated based on each found source. Branching Factor 4.5. Optimization and Problem Prevention : පද්ධතිය සීමිත recursion වෘත්තීන් වළක්වා ගැනීම සඳහා දැනටමත් පර්යේෂණ කරන ලද මාර්ගයන් අනුගමනය කළ යුතුය. Cycle Prevention : වඩාත් පොරොන්දු විෂයන් වඩාත් ගැඹුරින් පර්යේෂණ කළ යුතු අතර, අඩු තොරතුරු ප්රවේශයන් ඉක්මනින් අවසන් කළ හැකිය. Dynamic Prioritization : විවිධ ගස් අඟල් සකස් කළ හැකි අතර, ප්රමාණයෙන් පරිගණක සම්පත් ඇති විට ක්රියාවලිය වේගවත් කළ හැකිය. Parallel Investigation Search results should be cached to avoid repeated requests to external APIs when topics overlap. - සෙවුම් ප්රතිඵල හුවමාරු කළ යුතුය. Memory and Caching : This is another problem that often manifests when implementing deep research, especially if depth exceeds two levels. You could say that increasing the level exponentially increases research complexity. For example, research with four levels of depth can take up to 12 hours. Execution Time and Server Timeouts 4.6. The Bottom Line: From Chaos to System ගස් ආකෘතිය තොරතුරු සොයන අවුල් ක්රියාවලිය පද්ධතිගත පර්යේෂණයක් බවට පරිවර්තනය කරයි, එහි සෑම අංගයක්ම සම්පූර්ණ දැනුම උපාංගය තුළ එහි ස්ථානයකි.මේ නිසා AI නියෝජිතයා අත්දැකීම් සහිත පර්යේෂකයෙකු ලෙස වැඩ කිරීමට ඉඩ සලසයි - සාක්ෂි රැස් කිරීම පමණක් නොව, පර්යේෂිත මාතෘකාව පිළිබඳ සම්පූර්ණ අවබෝධයක් ගොඩනැගීම. මානව පර්යේෂකයෙකු මෙන් සිතන නමුත් යන්ත්ර මට්ටමේ හා වේගයෙන් ක්රියාත්මක වන AI පද්ධතිය. The result? අපි මෙම අර්ථකථන පද්ධතිය නිෂ්පාදන කේතයට පරිවර්තනය කරන්නේ කෙසේද යන්න බලන්න සූදානම්ද? 5. The "Search-Evaluate-Deepen" Cycle: Implementing True Recursion 5.The "Search-Evaluate-Deepen" චක්රය: True Recursion ක්රියාත්මක කිරීම සැබවින්ම බුද්ධිමත් AI නියෝජිතයන් නිර්මාණය කිරීම සඳහා මූලික අවශ් යතාවය ය. ඕනෑම සෙවුම් ප්රතිඵලයේ පළමු පිටුව තොරතුරු අයිස්බෙරන් හිම පිටුපස පමණක් පෙන්වයි. සැබෑ අවබෝධය වඩාත් ගැඹුරු වන අතර, අදාළ ලිපිවල, ප්රකාශ කළ මූලාශ්ර සහ විශේෂඥ පර්යේෂණ බොහෝ පද්ධති කිසිවිටෙකත් ළඟා නොවනු ඇත. 5.1. Data Architecture for Deep Investigation නිෂ්පාදන යෙදුම්වලදී, පද්ධතිය සෑම recursion මට්ටමේම දැනුම එකතු කරන සංයුක්ත දත්ත වර්ග සමඟ වැඩ කරයි: typescripttype Learning = { learning: string; followUpQuestions: string[]; }; type SearchResult = { title: string; url: string; content: string; publishedDate: string; }; type Research = { query: string | undefined; queries: string[]; searchResults: SearchResult[]; knowledgeBaseResults: string[]; // Vector database responses learnings: Learning[]; completedQueries: string[]; }; මෙම දත්ත ව්යුහය සෑම ප්රතික්රියා මට්ටමකම දැනුම එකතු කරයි, මුළු පර්යේෂණ සඳහා එකිනෙකාට අනුවාදය නිර්මාණය කරයි - වෘත්තීය පර්යේෂණ සහ අසාමාන්ය සාක්ෂි රැස්වීම වෙන් කරයි. 5.2. Stage 1: "Search" — Intelligent Query Generation මෙම පද්ධතිය එක් එක් සෙවුම් ප්රශ්නය මත රඳා පවතී නැත.එහෙම වෙනුවට, එය LLM බුද්ධි භාවිතයෙන් බොහෝ ඉලක්ක ප්රශ්න නිර්මාණය කරයි: typescriptconst generateSearchQueries = async (query: string, breadth: number) => { const { object: { queries }, } = await generateObject({ model: mainModel, prompt: `Generate ${breadth} search queries for the following query: ${query}`, schema: z.object({ queries: z.array(z.string()).min(1).max(10), }), }); return queries; }; : The parameter controls research width — the number of different topic aspects that will be investigated in parallel. This is where the magic happens: instead of linear search, you get exponential coverage. Key insight breadth 5.3. Stage 2: "Evaluate" — AI-Driven Result Filtering සෑම සොයාගත් මූලාශ් රයක්ම සමාන වටිනාකමක් නොමැත.System uses an AI agent with tools for intelligent evaluation of each result: typescriptconst searchAndProcess = async (/* parameters */) => { const pendingSearchResults: SearchResult[] = []; const finalSearchResults: SearchResult[] = []; await generateText({ model: mainModel, prompt: `Search the web for information about ${query}, For each item, where possible, collect detailed examples of use cases (news stories) with a detailed description.`, system: "You are a researcher. For each query, search the web and then evaluate if the results are relevant", maxSteps: 10, tools: { searchWeb: tool({ description: "Search the web for information about a given query", parameters: z.object({ query: z.string().min(1) }), async execute({ query }) { const results = await searchWeb(query, breadth, /* other params */); pendingSearchResults.push(...results); return results; }, }), evaluate: tool({ description: "Evaluate the search results", parameters: z.object({}), async execute() { const pendingResult = pendingSearchResults.pop(); if (!pendingResult) return "No search results available for evaluation."; const { object: evaluation } = await generateObject({ model: mainModel, prompt: `Evaluate whether the search results are relevant and will help answer the following query: ${query}. If the page already exists in the existing results, mark it as irrelevant.`, output: "enum", enum: ["relevant", "irrelevant"], }); if (evaluation === "relevant") { finalSearchResults.push(pendingResult); } return evaluation === "irrelevant" ? "Search results are irrelevant. Please search again with a more specific query." : "Search results are relevant. End research for this query."; }, }), }, }); return finalSearchResults; }; : The system uses an AI agent with tools that can repeatedly search and evaluate results until it finds sufficient relevant information. This is like having a research assistant who doesn't give up after the first Google search. Revolutionary approach 5.4. Vector Knowledge Base Integration සෑම ප්රශ්නයකටම, පද්ධතිය එකපාරටම අන්තර්ජාලය සහ එහිම වක්රට් දැනුම පදනම සොයයි: typescriptasync function getKnowledgeItem(query: string, vectorStoreId: string) { const client = new OpenAI({ apiKey: process.env.OPENAI_API_KEY }); const response = await client.responses.create({ model: "gpt-4o-mini", tools: [ { type: "file_search", vector_store_ids: [vectorStoreId], max_num_results: 5, }, ], input: [ { role: "developer", content: `Search the vector store for information. Output format language: ${process.env.NEXT_PUBLIC_APP_HTTP_LANG || "en"}`, }, { role: "user", content: query, }, ], }); return response.output_text; } 5.5. Practical Implementation ප්රධාන පර්යේෂණ මාලාවක් තුළ, පද්ධතිය ප්රවර්ග දෙකම සමන්විතව ප්රශ්නය කරයි: typescriptfor (const query of queries) { const searchResults = await searchAndProcess(/* web search */); accumulatedResearch.searchResults.push(...searchResults); if (vectorStoreId && vectorStoreId !== "") { const kbResult = await getKnowledgeItem(query, vectorStoreId); accumulatedResearch.knowledgeBaseResults.push(kbResult); } } 5.6. Stage 3: "Deepen" — Generating Follow-Up Questions 5.6 පියවර 3: "ගැඹුරු" — අනුගමනය ප්රශ්න නිර්මාණය වඩාත්ම බලවත් ලක්ෂණ: දැනටමත් සොයාගත් තොරතුරු මත පදනම්ව නව පර්යේෂණ මාර්ග නිර්මාණය කිරීමට පද්ධතියගේ හැකියාව: typescriptconst generateLearnings = async (query: string, searchResult: SearchResult) => { const { object } = await generateObject({ model: mainModel, prompt: `The user is researching "${query}". The following search result were deemed relevant. Generate a learning and a follow-up question from the following search result: <search_result> ${JSON.stringify(searchResult)} </search_result>`, schema: z.object({ learning: z.string(), followUpQuestions: z.array(z.string()), }), }); return object; }; 5.7. Recursive Deepening සෑම සොයාගත් මූලාශ් රයක්ම විශ්ලේෂණය කරනු ලබන්නේ ඊළඟ සෙවුම් මට්ටමේ පදනම බවට පත් වන නව ප්රශ්න ඉවත් කිරීම සඳහාය: typescriptfor (const searchResult of searchResults) { const learnings = await generateLearnings(query, searchResult); accumulatedResearch.learnings.push(learnings); accumulatedResearch.completedQueries.push(query); const newQuery = `Overall research goal: ${prompt} Previous search queries: ${accumulatedResearch.completedQueries.join(", ")} Follow-up questions: ${learnings.followUpQuestions.join(", ")}`; await deepResearch( /* search parameters */, newQuery, depth - 1, Math.ceil(breadth / 2), // Reduce width at each level vectorOfThought, accumulatedResearch, vectorStoreId ); } 5.8. Managing Depth and Complexity නිෂ්පාදන ක්රියාත්මක කිරීම ක්රියාත්මකව සංකීර්ණත්වය වර්ධනය කළ හැකි ආකාරය පෙන්වයි: typescriptconst deepResearch = async ( /* multiple filtering parameters */, prompt: string, depth: number = 2, breadth: number = 5, vectorOfThought: string[] = [], accumulatedResearch: Research = { query: undefined, queries: [], searchResults: [], knowledgeBaseResults: [], learnings: [], completedQueries: [], }, vectorStoreId: string ): Promise<Research> => { if (depth === 0) { return accumulatedResearch; // Base case for recursion } // Adaptive query formation based on "thought vector" let updatedPrompt = ""; if (vectorOfThought.length === 0) { updatedPrompt = prompt; } else { const vectorOfThoughItem = vectorOfThought[vectorOfThought.length - depth]; updatedPrompt = `${prompt}, focus on these important branches of thought: ${vectorOfThoughItem}`; } // ... rest of implementation }; 5.9. Key Optimizations : at each level prevents exponential growth : විශේෂාංග සඳහා පර්යේෂණ ඉලක්ක කිරීම : All results are preserved in a unified data structure Width Reduction Math.ceil(breadth / 2) Thought Vector vectorOfThought Context Accumulation 5.10. The Hybrid Advantage in Practice : විවෘත දත්ත සහ අභ්යන්තර දැනුම සමඟ සබඳතා කිරීමෙන් අනෙක් කිසිවෙකුට නොපෙනෙන වාර්තාවක් නිර්මාණය කළ හැකිය.ඔබේ තරඟකරුවන් එකම විවෘත මූලාශ් ර වලට ප්රවේශ විය හැක, නමුත් ඔබේ අභ්යන්තර නඩු, තැපැල් සහ විශේෂඥ දැනුම නොවේ. Creating Unique Content : අභ්යන්තර දත්ත මුදල් සහ පුළුල්භාවය සපයයි, අභ්යන්තර දත්ත ගැඹුර සහ විශේෂත්වය සපයයි.System can find general industry trends online, then supplement them with your own data about how these trends affect your business. Context Enrichment අන්තර්ජාල තොරතුරු පැරණි හෝ නිවැරදි නැතත්, ඔබගේ අභ්යන්තර දැනුම පදනම නව සහ තහවුරු කරන ලද දත්ත ලබා ගත හැකිය. Maintaining Currency 6. From Chaos to Order: Generating Expert-Level Reports Chaos to Order: Expert-Level Report සකස් කිරීම සියලු මට්ටම් සම්පූර්ණ කිරීමෙන් පසු, පද්ධතිය අමුද්රව්ය තොරතුරු විශාල ප්රමාණයක් එකතු කරයි: වෙබ් සෙවුම් ප්රතිඵල, පැකේජර් දත්ත දත්ත, නිර්මාණය කරන ලද ඉගෙනීම්, සහ පසුපස ප්රශ්න. 6.1. Context Accumulation: Building the Complete Picture එකතු කරන සියලුම දත්ත එකම එකකට එකතු වෙනවා. අවසාන සංචිතය සඳහා සම්පූර්ණ kontext ලෙස සේවය කරන ව්යුහය: Research typescripttype Research = { query: string | undefined; // Original query queries: string[]; // All generated search queries searchResults: SearchResult[]; // Web search results knowledgeBaseResults: string[]; // Vector database responses learnings: Learning[]; // Extracted insights completedQueries: string[]; // History of completed queries }; — එය සම්පූර්ණ දැනුම ග්රැෆික් වන අතර, පර්යේෂණ ගමන සම්පූර්ණ කර ඇත. සෑම දර්ශනයක්, සෑම මූලාශ්රය, සෑම සබඳතාවක්ම අවසාන සංචිතය සඳහා ආරක්ෂා කර ඇත. This isn't just data storage 6.2. The Master Prompt: Where Intelligence Meets Synthesis අවසාන වාර්තාවේ ගුණාත්මකභාවය සෘජුව ප් රචණ්ඩත්වය මත රඳා පවතී.The system uses OpenAI's most powerful model for synthesis: typescriptconst generateReport = async ( research: Research, vectorOfThought: string[], systemPrompt: string ) => { const { text } = await generateText({ model: openai("o3-mini"), // Most powerful model for synthesis system: systemPrompt, prompt: "Use the following structured research data to generate a detailed expert report:\n\n" + JSON.stringify(research, null, 2), }); return text; }; : අපි නිකම් AI සකස් කිරීමට ඉල්ලන්නේ නැහැ - අපි එය සම්පූර්ණ පර්යේෂණ දත්ත සමුදායක් ලබා දෙන අතර එය ප්රදේශයේ විශේෂඥයෙකු මෙන් සිතීමට ඉල්ලා සිටිනවා. Key insight 6.3. Structured Output: Beyond Simple Summaries පද්ධතිය පමණක් නොව Text Summary නිර්මාණය කරයි - එය ප්රතිඵල සුරැකීමේදී පෙන්වනු ලබන පරිදි, ප්රවර්ග, ටැබ්ලට්, Pro / Con ලැයිස්තු සහ වෘත්තීය ආකෘති සහිත සංයුක්ත ලේඛන නිර්මාණය කරයි: typescriptconsole.log("Research completed!"); console.log("Generating report..."); const report = await generateReport(research, vectorOfThought, systemPrompt); console.log("Report generated! Saving to report.md"); fs.writeFileSync("report.md", report); // Save as Markdown එය AI විසින් නිර්මාණය කරන ලද අන්තර්ගතය සඳහා පරිපූර්ණ ආකෘතියකි - වෘත්තීය ප්රදර්ශනය සඳහා ප්රමාණවත්, විවිධ ප්රදර්ශන ආකෘති සඳහා ප්රමාණවත් සහ ඕනෑම නවීන සංවර්ධනය වැඩපිළිවෙළක කියවිය හැකි. Why Markdown? 6.4. Quality Control Through System Prompts ඒ allows customizing report style and structure for specific needs: systemPrompt පර්යේෂණ ලිපි සහ විද්යාත්මක විශ්ලේෂණය සඳහා ඇකඩමික් ස්ටයිල් ව්යාපාරික වාර්තාව සහ කළමනාකරණ සමුදායන් සඳහා ව්යාපාරික ආකෘතිය Developer-focused content සඳහා තාක්ෂණික ලේඛන ආයෝජන විශ්ලේෂණය සඳහා මූල්ය හා උපායමය වාර්තාව // Example: Business-focused system prompt const businessSystemPrompt = `You are a senior business analyst creating an executive report. Structure your analysis with: Executive Summary ප් රධාන සොයාගැනීම් වෙළෙඳ බලපෑම නිර්දේශ අවදානම විශ්ලේෂණ Use data-driven insights and provide specific examples from the research.`; 6.5. The Intelligence Multiplier Effect : පද්ධතිය පමණක් තොරතුරු එකතු නොවේ - එය විවිධ මූලාශ්ර අතර සබඳතා වලින් ප්රතිඵල සකස් කරයි. මිනිස් පර්යේෂකයෙකු මෙම මට්ටමේ පර්යේෂණ සිදු කිරීම සඳහා 8-12 පැය ගත විය හැකිය. අපගේ පද්ධතිය 10-60 මිනිත්තු තුළ එය කරයි, බොහෝ විට මිනිසුන් අහිමි සම්බන්ධතා සොයාගෙන. Here's what makes this approach revolutionary 6.6. Production Considerations : ගැඹුරු පර්යේෂණ (ගැඹුරුකම 3-4) සමඟ, එකතු වූ සබැඳි විශාල විය හැක. Memory Management : අවසාන සංයුක්ත ප්රවේශය පහසුවෙන් ටෝකන් සීමාවන් ඉහළ යා හැක. නිෂ්පාදන ප්රවේශය වඩාත් වටිනා දර්ශන ආරක්ෂා කිරීම සඳහා බුද්ධිමත් truncation උපාය මාර්ග අවශ්ය වේ. Token Optimization සෑම වාර්තාවක්ම සමාන නොවේ.මේ වාර්තාවේ සම්පූර්ණතාවය සහ අනුකූලතාවය අගය කිරීම සඳහා ලකුණු ක්රියාත්මක කිරීම සැලකිල්ලට ගන්න. Quality Assurance 6.7. Real-World Impact : මිනිත්තු මානව පර්යේෂණ → මිනිත්තු AI විශ්ලේෂණය : AI can process and connect more sources than humanly possible : සෑම වාර්තාවක්ම එකම දැඩි ක් රමවේදය අනුගමනය කරයි : දශක ගණනක් වාර්තාවක් සකස් කිරීම Time Compression Depth Enhancement Consistency Scalability 7. Conclusion: Building the Future of AI Research ඉලක්කය: AI පර්යේෂණයේ අනාගතය ගොඩනැගීම ගැඹුරු පර්යේෂණ AI නියෝජිතයක් නිර්මාණය කිරීම පමණක් නොව තාක්ෂණික අභියෝගයක් පමණක් නොව, ඕනෑම නිෂ්පාදනයක් සඳහා තරඟකාරී වාසි බවට පත් කළ හැකි ආකෘති විසඳුමක් වේ. 7.1. Key Architectural Principles ගැඹුරු සෙවුම් යනු ගස් ආකෘතිගත තොරතුරු ජාල පරීක්ෂා කිරීමයි, එහිදී සෑම සොයාගැනීමක්ම නව ප්රශ්න සහ පර්යේෂණ මාර්ගයක් නිර්මාණය කරයි. Think in Trees, Not Lines exa.ai වැනි විශේෂිත සෙවුම් යන්ත්ර විකල්පයක් නොවේ - ඔවුන් ගුණාත්මක පර්යේෂණ සඳහා අත්යවශ්ය වේ. Use AI-Native Tools : ප්රතිඵල පළවෙනි පිටුව අයිස්බෙරයේ පිටුපස පමණි.ඔය සැබෑ අවබෝධය "Search-Evaluate-Deepen" චක්රය හරහා ප්රතික්රීය ගැඹුරු කිරීම තුළ ඇත. Apply Recursion for Depth පොදු අන්තර්ජාල දත්ත සහ පෞද්ගලික සංවිධානයේ දැනුම අතර සංයෝගයක් වෙනත් ආකාරයකින් ලබා ගත නොහැකි සුවිශේෂී අන්තර්ගතයක් නිර්මාණය කරයි. Combine External and Internal Sources මෙවලම් සහිත AI නියෝජිතයින් තොරතුරු සොයමින් පමණක් නොව, එහි වැදගත්කම අගය කළ හැකි අතර, නව ප්රශ්න නිර්මාණය කළ හැකි අතර, සංයුක්ත වාර්තාවක් නිර්මාණය කළ හැකිය. Use LLMs for Both Analysis and Synthesis 7.2. Production-Ready Results Next.js 15, OpenAI, සහ exa.ai මත පදනම් වන යෙදුම එවැනි පද්ධතියක් ඉදිකිරීමට සහ නිෂ්පාදනය සඳහා ස්ථාපනය කළ හැකි බව ඔප්පු කරයි. සියලුම මූලික අමුද් රව් ය පෙන්වනවා: https://github.com/aifa-agi/aifa-deep-researcer-starter ගැඹුර සහ පුළුල්භාවය කළමනාකරණය සහිත Recursive Architecture with Depth and Width Management Vector Knowledge Bases සමඟ අන්තර්ජාලය සොයන්න ප්රතිඵල විශ්ලේෂණය සඳහා මෙවලම් සහිත AI agents Expert Report Generation with File Saving හැකියාව 7.3. Challenges and Limitations 2 මට්ටමකට වඩා ගැඹුරු පර්යේෂණ පැය ගණනාවක් ගතවිය හැකි අතර නිෂ්පාදන පරිසරයට විශේෂ විසඳුම් අවශ්ය වේ. Server Timeouts : සෑම ගැඹුරු මට්ටමකටම ප්රශ්න සංඛ්යාව භූමියෙන් වැඩි කරයි, පරිස්සම් සම්පත් කළමනාකරණය අවශ්ය වේ. Exponential Complexity Growth AI සෙවුම් යන්ත්ර පවා වැරදි තොරතුරු ආපසු ලබා ගත හැක, අතිරේක සහතික කිරීම සහ සත් ය පරීක්ෂණය අවශ්ය. Source Quality 7.4. Your Next Steps දැන් ඔබට සම්පූර්ණ ආකෘති blueprint සහ සැබෑ කේත උදාහරණ ඇත. : Prototyping සඳහා මෙම ලිපියේ මූලික අනුවාදය භාවිතා කරන්න ක්ලෝන් දේශීයව අත්හදා බැලීම : මෙම මූලධර්මය දැනට පවතින නිෂ්පාදන හා රැකියාව ක්රියාකාරකම් ඇතුළත් කිරීම Start with Minimal Implementation Explore the Ready Solution https://github.com/aifa-agi/aifa-deep-researcer-starter Adapt to Your Needs 8. Homework Challenge: Solving the Long-Wait UX Problem Homework Challenge: දිගුකාලීන UX ප් රශ්නය විසඳීම අපි ගැඹුරු පර්යේෂණ AI නියෝජිතයන්ගේ තාක්ෂණික ආකෘතිය සලකා බැලුවා, නමුත් ප්රධාන වශයෙන් වැදගත් UX ගැටලුවක් ඉතිරිව ඇත: පද්ධතිය විනාඩි කිහිපයක් ක්රියා කරන විට ඔබ කරන්නේ කුමක්ද, පරිශීලකයා හිස් රූපය දිහා බැලුවම? 8.1. The Problem: Server Silence Kills Trust ක්රියාකාරකම් තත්පර කිහිපයක් ගත වන සාමාන්ය වෙබ් යෙදුම් වලට වෙනස්ව, ගැඹුරු පර්යේෂණ AI නියෝජිතයින් විනාඩි ගණනාවක් නිහඬ විය හැකිය. Waiting Anxiety: පරිශීලකයින් දන්නේ නැහැ පද්ධතිය ක්රියාකාරී වේද නැත්නම් සීතල වේදැයි පාලනය අහිමි වීම: කොපමණ කාලයක් බලා සිටිය යුතුදැයි තේරුම් ගැනීමට කිසිදු ක් රමයක් නැත විශ්වාසය අඩුවීම: යෙදුම කඩා වැටී ඇති බව පෙනේ හෝ ඉල්ලුම "පිරිහැර" High Bounce Rate: පරිශීලකයින් ප්රතිඵල බලාපොරොත්තු නැතිව tab එක වහනවා. Perplexity, Claude, සහ අනෙකුත් නවීන AI නිෂ්පාදන අන්තර් ක්රියාකාරී ඇනෑවීම්, ක්රියාකාරී ඉඟි, සහ ක්රියාකාරී ඉඟි සමඟ මෙය විසඳන්නේ කෙසේද. 8.2. The Developer Challenge මෙම තාක්ෂණික සීමාව සිතා බලන්න: ඔබේ Next.js API මාර්ගය දිගු ක්රියාකාරිත්වය (ගැඹුරු පර්යේෂණ) ක්රියාත්මක කරයි සහ සම්පූර්ණ වන තෙක් මධ් යම දත්ත යැවීමට නොහැකි වේ.Frontend පමණක් අවසානයේ ප්රතිචාරයක් ලැබේ.Server-Sent Events හෝ WebSockets වැනි ප්රධාන විසඳුම් ගබඩා සීමා හෝ ආකෘති සීමා නිසා ලබා ගත නොහැකි විය හැකිය. How do you create engaging UX under these conditions that will retain users and reduce waiting anxiety? 8.3. Discussion Questions UX Patterns and Visualization: සේවාදායකයා "සහ" වන විට ගැඹුරු සෙවුම් ක්රියාවලිය සකස් කිරීම සඳහා ඔබ භාවිතා කරන UX ආකෘති මොනවාද? සැබෑ සේවාදායක ස්ථාවර යාවත්කාලීන නොමැතිව "ජීවී" දියුණුව සකසා ගන්නේ කෙසේද? ඔබ ව්යාජ ක්රියාකාරිත්වය බැරෑරුම් භාවිතා කළ යුතුද, හෝ මෙය පරිශීලක විශ්වාසය උල්ලංඝනය කරයි? "ජීවී" පද්ධතිය පිළිබඳ හැඟීමක් නිර්මාණය කිරීමට උපකාරී වන්නේ කුමන ආකෘති සහ මයික්රො-අමුද්රව්යයන්ද? User Communication: ඔබ පරිශීලකයින්ට දිගුකාලීන වීමට හේතු පැහැදිලි කරන්නේ කෙසේද?What texts / illustrations to use? ප්රමාණයෙන් වෙනස් විය හැක (2 - 60 මිනිත්තු) නම්, ඔබ සැලකිය යුතු බලා සිටීමේ කාලය පෙන්වන්නද? මෙම ක්රියාවලියෙහි පියවර (“සංස්කරණ ප්රශ්න නිර්මාණය කිරීම...”, “සංස්කරණ මූලාශ් ර විශ්ලේෂණය කිරීම...”, “සංස්කරණ වාර්තාවක් නිර්මාණය කිරීම...”) ඔබ දකින ආකාරය කුමක්ද? පරිශීලකයින් බලාපොරොත්තු වටිනාකම තේරුම් ගැනීමට උපකාරී වන්නේ කුමක්ද? Technical Implementation: සේවාදායක ප් රතිපත්තියක් නොමැතිව optimistic UI ප්රවේශයන් භාවිතා කළ හැකිද? පරිශීලකයින්ට බලා සිටීම සඳහා සහාය දක්වන "විශ්චාත්" පරිගණකයක් සකස් කරන්නේ කෙසේද? දේශීය පරිගණක (Web Workers, WASM) භාවිතා කළ හැකිද? පරිශීලකයින් පර්යේෂණ කාලය තුළ ටැබ් එක වසා දමන්නේ නම් ඔබ ආකර්ෂණීය පහසුකම් සංවිධානය කරන්නේ කෙසේද? 8.4. Learning from the Best Perplexity Deep Research, Bing Copilot, Google Search Generative Experience හි සකස් කරන ලද පර්යේෂණ විසඳුම්. විනාඩි ගණනක් අවධානය යොමු කරන ක්රීඩා ප්රවේශ ප්රදර්ශන වලින් ඔබට ලබා ගත හැකි වන්නේ කුමක්ද? : ChatGPT ක්ෂණික ප්රතිචාර යුගයේ දී, ගුණාත්මක බලා සිටීම තරඟකාරී වාසි බවට පත් විය හැකිය. Remember 9. About the Author and AIFA Project Author සහ AIFA Project ගැන ලේඛකයා , , ඔහුගේ මෑත ප්රවෘත්ති සංඛ්යාව තුළ, ඔහු ඔහුගේ ආකර්ෂණීය විවෘත මූලාශ්ර ව්යාපෘතිය තුළ ක්රියාත්මක කරන මෙවලම් සහ ආකෘති විසඳුම් විස්තර කරයි. (අධිකරණය හා ස්වයංක්රියාත්මක අර්බුදයේ AI නියෝජිතයින්). රොමාන් බෝල්ෂියානොව් AIFA AIFA දැනටමත් එහි වර්තමානයේ යෙදුම් නිර්මාණය කිරීම සඳහා ආකර්ෂණීය ආරම්භක උපාංගයක් වන අතර, AI-first යෙදුම් නිර්මාණය කිරීම සඳහා ආකර්ෂණීය ආකර්ෂණීය පරිශීලක පරිශීලක පරිශීලකයක් වන අතර, සම්ප්රදායික වෙබ් පරිශීලකයක් උපකාරී දර්ශකයක් ලෙස සේවය කරන අතර, ඉස්මතු ආකර්ෂණීය පරිශීලකයා පරිශීලක ක්රමය බවට පත් වේ. මෙම ව් යාපෘතියේ දීර්ඝ කාලීන ඉලක්කය වන්නේ සම්පූර්ණ AGI පද්ධතියක් බවට සංවර්ධනය කිරීම වන අතර, AI නියෝජිතයින් සඳහා හැකියාවන් ඇති වනු ඇත: ස්වයංක්රීය සංවර්ධනය සහ ඔවුන්ගේ ඇල්ගාටිකාවන් වැඩි දියුණු කිරීම Self-replication සහ නව විශේෂිත නියෝජිතයන් නිර්මාණය බෙදාහැරෙන පරිසරවල තරඟකාරීත්වය සහ සහයෝගය Web spaces සහ blockchain ජාලවල ස්වයංක්රීය මෙහෙයුම් මෙම ලිපිය තුළ දැක්වෙන ගැඹුරු සෙවීම අනාගතයෙහි AGI නියෝජිතයන්ගේ මූලික හැකියාවන්ගෙන් එකක් පමණක් නොව, තොරතුරු පර්යේෂණ කිරීම පමණක් නොව, තීරණ ගැනීම, නිෂ්පාදන නිර්මාණය කිරීම සහ සැබෑ ලෝකය සමඟ සන්නිවේදනය කිරීම සඳහා හැකි වනු ඇත. ඔබ ව්යාපෘතියගේ සංවර්ධනය නිරීක්ෂණය කිරීමට සහ මෘදුකාංග තාක්ෂණය සමඟ අත්හදා බැලීම සඳහා උනන්දු නම්, මෙම ව්යාපෘතියට පිවිසීමට අකමැත්තක් නැත. සෑම ගනුදෙනුවක්ම අපට සැබවින්ම ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය ස්වයංක්රීය AIFA ප් රතිපත්තිය කේතය විවෘත වන අතර, ආකෘතිය ඔප්පු වී ඇති අතර, හැකියාවන් සීමා නොමැති ය. Ready to build the future?
