ನಾನು AI ಗೆ ಕೇವಲ ಒಂದು ತಂತ್ರವನ್ನು ಕಲಿಸಿದೆ, ಅದು ಉಳಿದದ್ದನ್ನು ತಾನಾಗಿಯೇ ಕಲಿತಿತು...

ಇಂದು ನಾನು ಪ್ರಾಯೋಗಿಕ ಸಂಗ್ರಹವನ್ನು ಆಯೋಜಿಸುತ್ತೇನೆ. ಎರಡು ಕೌಶಲ್ಯಗಳು, ಎರಡು ಮಾರ್ಗದರ್ಶಿಗಳು ಮತ್ತು ಒಂದು ಸಣ್ಣ ತಂತ್ರ, ಇವೆಲ್ಲವನ್ನೂ ನಾನು ಬಳಸುತ್ತಿದ್ದೇನೆ, ಅವುಗಳನ್ನು ಬಳಸಲು ಸಿದ್ಧವಾಗಿದೆ.

ಎರಡನೇ ಕೌಶಲ್ಯ: AI ತನ್ನದೇ ಆದ ಕೌಶಲ್ಯಗಳನ್ನು ಕಲಿಯಲು ಅವಕಾಶ ಮಾಡಿಕೊಡಿ

Find Skills ಇದನ್ನು ನಾನು ಹೆಚ್ಚು ಶಿಫಾರಸು ಮಾಡಲು ಬಯಸುತ್ತೇನೆ.

ಅನೇಕ ಜನರ ಆಲೋಚನೆಗಳು ಹೀಗಿವೆ: ನಾನು AI ಗೆ ಬಹಳಷ್ಟು ಕೌಶಲ್ಯಗಳನ್ನು ನೀಡಬೇಕು, ಒಂದೊಂದಾಗಿ ಕೈಯಿಂದ ಸೇರಿಸಬೇಕು. ಈ ಮಾರ್ಗವು ದೂರ ಹೋಗುವುದಿಲ್ಲ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ. ಹೆಚ್ಚು ಹೆಚ್ಚು ಕೌಶಲ್ಯಗಳು, ನೀವು ಅವುಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಯೋಚಿಸಿ: ಅದಕ್ಕೆ ಕೌಶಲ್ಯಗಳನ್ನು ನೀಡಬೇಡಿ, ಅದು ತಾನಾಗಿಯೇ ಹುಡುಕಲಿ.

Find Skills ಇದನ್ನೇ ಮಾಡುತ್ತದೆ. ಇದು "ಕೌಶಲ್ಯಗಳ ಸರ್ಚ್ ಇಂಜಿನ್" ಗೆ ಸಮಾನವಾಗಿದೆ. AI ಸಹಾಯಕನಿಗೆ ಗೊತ್ತಿಲ್ಲದ ವಿಷಯಗಳನ್ನು ಎದುರಿಸಿದಾಗ, ಅದು ತಾನಾಗಿಯೇ ಹುಡುಕುತ್ತದೆ, ತಾನಾಗಿಯೇ ಸ್ಥಾಪಿಸುತ್ತದೆ ಮತ್ತು ತಾನಾಗಿಯೇ ಕಲಿಯುತ್ತದೆ.

ಇದು ಜನರು ವಿಷಯಗಳನ್ನು ಕಲಿಯುವಂತೆಯೇ ಇದೆ. ನೀವು ಎಲ್ಲಾ ಜ್ಞಾನವನ್ನು ನಿಮ್ಮ ಮೆದುಳಿಗೆ ತುಂಬುವ ಅಗತ್ಯವಿಲ್ಲ, ನೀವು ಜ್ಞಾನವನ್ನು ಹೇಗೆ ಹುಡುಕಬೇಕು ಮತ್ತು ಜ್ಞಾನವನ್ನು ಹೇಗೆ ಕಲಿಯಬೇಕು ಎಂಬುದನ್ನು ಕಲಿಯಬೇಕು.

ಇದು ಭವಿಷ್ಯದ AI ಯಾಂತ್ರೀಕೃತಗೊಂಡ ದಿಕ್ಕು ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ, ಕೌಶಲ್ಯಗಳನ್ನು ಸಂಗ್ರಹಿಸುವುದಲ್ಲ, ಆದರೆ ಅದು ಮಾನವ ಮೆದುಳಿನಂತೆ ಸ್ವಾಯತ್ತವಾಗಿ ಕಲಿಯುವಂತೆ ಮಾಡುವುದು.

ಅನುಸ್ಥಾಪನೆಯು ತುಂಬಾ ಸರಳವಾಗಿದೆ:

npx skills add https://github.com/vercel-labs/skills --skill find-skillsಅನುಸ್ಥಾಪನೆಯ ನಂತರ, ನಿಮ್ಮ AI ಸಹಾಯಕನಿಗೆ "ಸ್ವಯಂ-ಕಲಿಕೆಯ ಸಾಮರ್ಥ್ಯ" ಇರುತ್ತದೆ.

ಎರಡನೇ ಕೌಶಲ್ಯ: Agent Browser

ಹುಡುಕಾಟ ಮತ್ತು ಕಲಿಕೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುವುದು ಸಾಕಾಗುವುದಿಲ್ಲ, ಅನೇಕ ಕಾರ್ಯಗಳಿಗೆ ವೆಬ್ ಪುಟಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಅಗತ್ಯವಿದೆ. ಫಾರ್ಮ್‌ಗಳನ್ನು ಭರ್ತಿ ಮಾಡುವುದು, ಡೇಟಾವನ್ನು ಪಡೆದುಕೊಳ್ಳುವುದು, ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು, ಬ್ಯಾಕ್‌ಗ್ರೌಂಡ್‌ಗೆ ಲಾಗ್ ಇನ್ ಮಾಡುವುದು... Agent Browser ಇವೆಲ್ಲವನ್ನೂ ಮಾಡಬಹುದು.

ಇದರ ತರ್ಕವು ತುಂಬಾ ಸ್ಪಷ್ಟವಾಗಿದೆ: ವೆಬ್ ಪುಟವನ್ನು ತೆರೆಯಿರಿ → ಅಂಶಗಳನ್ನು ಗುರುತಿಸಿ → ಕ್ಲಿಕ್ ಮಾಡಿ, ಭರ್ತಿ ಮಾಡಿ, ಆಯ್ಕೆಮಾಡಿ → ಫಲಿತಾಂಶಗಳನ್ನು ದೃಢೀಕರಿಸಿ.

ಇದು ಜನರು ಬ್ರೌಸರ್ ಅನ್ನು ನಿರ್ವಹಿಸುವ ಪ್ರಕ್ರಿಯೆಯಂತೆಯೇ ಇದೆ, ವ್ಯತ್ಯಾಸವೆಂದರೆ AI ನಿಮಗಾಗಿ ಇದನ್ನು ಮಾಡುತ್ತದೆ, ಸರಳ ಪ್ರಕ್ರಿಯೆಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಸ್ಥಿರವಾಗಿರುತ್ತವೆ, ಗಮನಿಸಿ Token ವೆಚ್ಚವಾಗುತ್ತದೆ.

ಅನುಸ್ಥಾಪನಾ ಆಜ್ಞೆ:

npx skills add https://github.com/vercel-labs/agent-browser --skill agent-browserಅನುಸ್ಥಾಪನೆಯ ನಂತರ, ನಿಮ್ಮ AI ಸಹಾಯಕನಿಗೆ "ಕೈ" ಇರುತ್ತದೆ ಮತ್ತು ನೇರವಾಗಿ ಬ್ರೌಸರ್ ಅನ್ನು ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಎರಡು ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗದರ್ಶಿಗಳು

ಕೌಶಲ್ಯಗಳನ್ನು ಹೊಂದಿರುವುದು ಸಾಕಾಗುವುದಿಲ್ಲ, ಕೆಲವು ಮೂಲಸೌಕರ್ಯಗಳನ್ನು ಮೊದಲು ನಿರ್ಮಿಸಬೇಕು. ನಾನು ಎರಡು ಮಾರ್ಗದರ್ಶಿಗಳನ್ನು ಬರೆದಿದ್ದೇನೆ, ಇವೆರಡನ್ನೂ GitHub ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಇರಿಸಲಾಗಿದೆ.

1. Browser Tool ಅನುಸ್ಥಾಪನಾ ಮಾರ್ಗದರ್ಶಿ

Linux/Ubuntu ಪರಿಸರದಲ್ಲಿ ಬ್ರೌಸರ್ ಪರಿಕರಗಳನ್ನು ಹೇಗೆ ಕಾನ್ಫಿಗರ್ ಮಾಡುವುದು ಎಂದು ಹಂತ ಹಂತವಾಗಿ ನಿಮಗೆ ಕಲಿಸುತ್ತದೆ. Chrome ಅನುಸ್ಥಾಪನೆ, ಕಾನ್ಫಿಗರೇಶನ್ ಫೈಲ್ ಐಸೋಲೇಶನ್, ಬಹು ಕಾನ್ಫಿಗರೇಶನ್ ನಿರ್ವಹಣೆ ಇತ್ಯಾದಿಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ಹಂತವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರವೇ Agent Browser ನಿಜವಾಗಿಯೂ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

2. Web Search ಆನ್‌ಲೈನ್ ಹುಡುಕಾಟ ಮಾರ್ಗದರ್ಶಿ

ನಿಮ್ಮ AI ಸಹಾಯಕನಿಗೆ ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಹುಡುಕಲು ಅನುಮತಿಸಿ. ನಾನು ಹಲವಾರು ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಸೇವೆಗಳನ್ನು ಹೋಲಿಸಿದ್ದೇನೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ Brave Search ಅನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೇನೆ. ಕಾರಣ ಸರಳವಾಗಿದೆ: ಉಚಿತ ಮಿತಿ ಬಳಕೆಗೆ ಸಾಕಾಗುತ್ತದೆ, ಪ್ರತಿಕ್ರಿಯೆ ವೇಗವು ವೇಗವಾಗಿರುತ್ತದೆ ಮತ್ತು ಕಾನ್ಫಿಗರೇಶನ್ ಸಂಕೀರ್ಣವಾಗಿಲ್ಲ.

ನಿಮ್ಮ AI ಸಹಾಯಕ ಸ್ಥಳೀಯ ಜ್ಞಾನದ ನೆಲೆಯಲ್ಲಿ ಉತ್ತರಗಳನ್ನು ಹುಡುಕುವುದಲ್ಲದೆ, ನಿಮ್ಮಂತೆ ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಹುಡುಕಲು ಸಾಧ್ಯವಾಗಬೇಕೆಂದು ನೀವು ಬಯಸಿದರೆ, ಈ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಅನುಸರಿಸುವುದು ಯೋಗ್ಯವಾಗಿದೆ.

ಒಂದು ಸಣ್ಣ ತಂತ್ರ: ಧ್ವನಿ ಗುರುತಿಸುವಿಕೆ

ನಿಮ್ಮ AI ಸಹಾಯಕ ಧ್ವನಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನೀವು ಬಯಸಿದರೆ, ನೀವು ElevenLabs ನ ಧ್ವನಿ-ಪಠ್ಯ ಸೇವೆಗೆ ಸಂಪರ್ಕಿಸಬಹುದು, ಗುರುತಿಸುವಿಕೆಯ ಪರಿಣಾಮವು ಉತ್ತಮವಾಗಿದೆ.

ಕಾನ್ಫಿಗರ್ ಮಾಡುವ ವಿಧಾನವು ತುಂಬಾ ಸರಳವಾಗಿದೆ: ನಿಮ್ಮ AI ಸಹಾಯಕನಿಗೆ ನೇರವಾಗಿ ಹೇಳಿ "ನನಗೆ ElevenLabs Speech-to-Text ಕೌಶಲ್ಯವನ್ನು ಸ್ಥಾಪಿಸಲು ಸಹಾಯ ಮಾಡಿ, ನಾನು ElevenLabs ಧ್ವನಿ ಗುರುತಿಸುವಿಕೆಗೆ ಸಂಪರ್ಕಿಸಬೇಕಾಗಿದೆ", ನಂತರ API Key ಅನ್ನು ಅದಕ್ಕೆ ಕಳುಹಿಸಿ, ಅದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಮಗಾಗಿ ಕಾನ್ಫಿಗರ್ ಮಾಡುತ್ತದೆ.

ಆದರೆ ನಾನು ನಿಮಗೆ ನೆನಪಿಸಲು ಬಯಸುತ್ತೇನೆ: ಈ ಸೇವೆಗೆ ಶುಲ್ಕ ವಿಧಿಸಲಾಗುತ್ತದೆ, ಉಚಿತ ಮಿತಿ ಇದೆ ಆದರೆ ಅದು ಹೆಚ್ಚಿಲ್ಲ. ದೈನಂದಿನ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ, ಚಾಟ್ ಪರಿಕರಗಳಲ್ಲಿ ಅಂತರ್ನಿರ್ಮಿತ ಧ್ವನಿ-ಪಠ್ಯವನ್ನು ಬಳಸುವುದು ಸಾಕು. ಆದರೆ ನೀವು ಬ್ಯಾಚ್ ಆಡಿಯೊ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಶನ್, ಸಭೆಯ ನಿಮಿಷಗಳು ಮುಂತಾದ ಅಗತ್ಯಗಳನ್ನು ಹೊಂದಿದ್ದರೆ, ನೀವು ಅದನ್ನು ಅನುಭವಿಸಬಹುದು.