සංවාද AI නියෝජිතයක් අභ්යන්තරව ක්රියා කරන ආකාරය
OpenClaw හි සංවාද වාරයක අදියර 6 — සැබෑ ප්රමාදය, සංවාදයකට පිරිවැය සහ මායාවට එරෙහි ආරක්ෂණ රේඛා 4 සමඟ.
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…
AI සංවාදාත්මක නියෝජිතයක් ඇතුළතින් ක්රියා කරන ආකාරය (OpenClaw ගෘහනිර්මාණ ශිල්පය)
AI සංවාදාත්මක නියෝජිතයක් ක්රියා කරන ආකාරය ප්රායෝගිකව, වාරයෙන් වාරයට? මෙම ලිපිය OpenClaw හි කළු පෙට්ටිය විවෘත කරයි: පාරිභෝගිකයාගේ පණිවිඩය WhatsApp වෙත පැමිණෙන මොහොතේ සිට නියෝජිතයා ආපසු ලියන පෙළ දක්වා. මෙය තාක්ෂණික වනු ඇත. ඔබ නිෂ්පාදන ගෘහනිර්මාණ ශිල්පය තීරණය කරන්නේ නම්, විසඳුමක් මිලදී ගැනීමට යන්නේ නම් සහ ගැඹුර ඇගයීමට අවශ්ය නම්, හෝ සංවාදයට පිටුපස සිදුවන දේ දැන ගැනීමට කැමති නම් මෙය වටී.
TL;DR: සෑම වාරයක්ම අදියර 6ක් හරහා ගමන් කරයි — ingest, සන්දර්භය විසඳීම, skills තේරීම, ඊළඟ ක්රියාව තීරණය කිරීම, guard-rails සමඟ ක්රියාත්මක කිරීම, මතකය පවත්වා ගැනීම. සම්පූර්ණ චක්රය Cloudflare edge මත <2 තත්පරයකින් ක්රියාත්මක වේ, ස්ථාවර සේවාදායකයක් නොමැතිව.
ගෘහනිර්මාණ ශිල්පය වැදගත් වන්නේ ඇයි
demo එකක ක්රියා කරන බවක් පෙනෙන නමුත් production එකේ කැඩෙන සංවාදාත්මක නියෝජිතයාට සාමාන්යයෙන් මෙම ගැටලු 4න් එකක් තිබේ:
- ඉහළ ප්රමාදය — පාරිභෝගිකයා පිළිතුරක් සඳහා තත්පර 8ක් බලා සිටී, සංවාදය මිය යයි.
- පාලනය නොකළ මායාවන් — නියෝජිතයා මිල, වේලාව, ප්රතිපත්ති ගෙතයි.
- නැතිවූ සන්දර්භය — පාරිභෝගිකයා දින 2කට පසු ආපසු එන විට නියෝජිතයා සියල්ල "අමතක කරයි".
- පාලනය නොකළ පිරිවැය — සෑම දිගු සංවාදයක්ම prompt එක පුරවයි සහ ඔබ token වලට විශාල මුදලක් ගෙවයි.
මේ 4ම ගෘහනිර්මාණ ශිල්ප තේරීම් මිස, ආකෘතියේ සීමාවන් නොවේ. OpenClaw මේ 4ම වළක්වා ගැනීමට ගොඩනගා ඇත — එය තේරුම් ගැනීමේ මාර්ගය වාරයක චක්රය දෙස බැලීමයි.
වාරයක චක්රය (අදියර 6)
පාරිභෝගිකයා "quero marcar pra sábado de manhã" පණිවිඩය දැන් එවූ බව සිතන්න. "received" සහ නියෝජිතයාගේ පිළිතුර අතර කුමක් සිදුවේද?
අදියර 1 — Ingest (edge worker, <50ms)
WhatsApp පණිවිඩය Meta webhook හරහා භූගෝලීයව ආසන්නතම පැවතුම් ස්ථානයේ (PoP) Cloudflare Worker එකකට කෙලින්ම පැමිණේ. බ්රසීලයේ, මෙයින් අදහස් වන්නේ São Paulo හෝ Rio, ජාල ප්රමාදය < 20ms.
Worker එක දේවල් තුනක් කරයි:
- Webhook හි අත්සන වලංගු කරයි (WABA රහස්යය සමඟ HMAC).
- ලබන්නාගේ දුරකථන අංකයෙන් tenant එක හඳුනා ගනී (
to_numberමගින් multi-tenant). - Payload එක සාමාන්යකරණය කරයි — ශ්රව්ය පිටපතක් බවට, රූපය විස්තරයක් බවට, ස්ථානය
{lat,lng}බවට පරිවර්තනය වේ, පෙළ එලෙසම පවතී.
අදියර 1 අවසානයේ ඔබට ඊළඟ පියවරට සූදානම් {tenant_id, conversation_id, user_message} වස්තුවක් ඇත.
අදියර 2 — සන්දර්භය විසඳීම (D1 + KV, ~80ms)
නියෝජිතයාට තීරණය ගැනීමට පෙර සන්දර්භ කොටස් 3ක් අවශ්යයි:
- මෑත ඉතිහාසය සංවාදයේ (අවසාන අදාළ N වාර).
- දිගුකාලීන මතකය පාරිභෝගිකයාගේ (මනාපයන්, මිලදී ගැනීම් ඉතිහාසය, සටහන්).
- නියෝජිතයාගේ තත්ත්වය (පුද්ගලත්වය, සක්රිය skills, නීති).
සියල්ල D1 (Cloudflare හි බෙදාහැරි SQLite) වෙතින් පැමිණේ. D1 සාම්ප්රදායික Postgres/Mongo ආදේශ කරයි — නඩත්තු කිරීමට දත්ත සමුදා සේවාදායකයක් නැත, worker එකෙන් මිලි තත්පර කිහිපයකින් ප්රවේශය, tenant_id මගින් multi-tenant.
ප්රධාන කරුණ: අපි prompt එකට සම්පූර්ණ සංවාදය පූරණය නොකරමු. OpenClaw හි Memory Manager v2 (අපගේ අභ්යන්තර ලේඛනගතකිරීමේ විස්තර කර ඇති) වත්මන් වාරයට අදාළ වාර පමණක් තෝරා ගනී (අවසාන N + අර්ථමය වශයෙන් ඉහළ අදාළතාවක් ඇති N). මෙය වාර 100+ ක සංවාද වලදී පවා ටෝකන් පිරිවැය පුරෝකථනය කළ හැකි ලෙස පවත්වා ගනී.
අදියර 3 — Skills තේරීම (policy engine, ~20ms)
සෑම නියෝජිතයෙකුටම ලබා ගත හැකි skills සමූහයක් ඇත — ඔහුට ආයාචනා කළ හැකි ශ්රිත. උදාහරණ: consultar_calendario, criar_evento, gerar_link_pagamento, consultar_pedido, chamar_humano.
"quero marcar pra sábado de manhã" පණිවිඩය ලබා දී, policy engine පෙරහන් කරයි:
- හඳුනාගත් අභිප්රායට (කාලසටහන්ගත කිරීම) අනුකූල Skills.
- මෙම සංවාද අදියරට අවසර ලත් Skills (සෑම skill එකක්ම සෑම විටම ලබා ගත නොහැක).
- මෙම tenant එක සක්රිය කළ Skills (tenant එක ඒකාබද්ධ කළේ නම් පමණක් calendar පෙන්වයි).
අවසානයේ ඔබට ආකෘතියට යවන skills වල කුඩා උප කුලකයක් ඇත — හැකි 50 නොව, මෙහි අර්ථවත් වන 4 පමණි. මෙය ආකෘතිය වැරදි skill එකක් ආයාචනා කිරීමේ සම්භාවිතාව දැඩි ලෙස අඩු කරයි.
අදියර 4 — තීරණය (LLM call, 400-1200ms)
දැන් ආකෘතිය ඇතුළු වේ. OpenClaw පෙරමුණු LLM එකකට (Anthropic Claude, OpenAI GPT, Google Gemini — tenant අනුව වින්යාස කළ හැකි) තනි ඇමතුමක් සිදු කරයි:
- System prompt = නියෝජිතයාගේ පුද්ගලත්වය + නීති + ලබා ගත හැකි skills.
- History = අදියර 2 හි තෝරාගත් වාර.
- User message = වත්මන් වාරයේ පණිවිඩය.
ආකෘතිය දෙකෙන් එකක් ප්රතිචාර දක්වයි:
- අවසාන ප්රතිචාරය (පාරිභෝගිකයාට සෘජු පෙළ).
- Tool call (නිශ්චිත skill එකක් පරාමිති සමඟ ක්රියාත්මක කිරීමට ඉල්ලීමක්).
"quero marcar pra sábado de manhã" උදාහරණයේදී, ආකෘතිය සාමාන්යයෙන් ආපසු ලබා දෙන්නේ:
{
"tool": "consultar_calendario",
"args": { "date_range": "2026-04-19 06:00 to 12:00" }
}
අදියර 5 — ආරක්ෂණ රාමු සහිත ක්රියාත්මක කිරීම (විචල්ය, ~100-500ms)
Skill එක ආකෘතිය තුළ ක්රියාත්මක නොවේ. එය අපගේ කේතයක් තුළ ක්රියාත්මක වේ, එය:
- පරාමිති වලංගු කරයි (date_range නිවැරදි ආකෘතියේද? tenant නීති තුළ පවතීද?).
- අවසර පරීක්ෂා කරයි (මෙම agent ට මෙම දින දර්ශනය විමසීමට අයිතියක් තිබේද?).
- ඇමතුම ක්රියාත්මක කරයි (මෙම අවස්ථාවේ Google Calendar API).
- ව්යුහගත ප්රතිඵලය ආකෘතියට ආපසු ලබා දෙයි.
මෙය වැදගත් වන්නේ ඇයි? මන්ද ආකෘතිය කිසිවිටෙක ප්රතිඵලය ව්යාජ ලෙස නිර්මාණය නොකරයි. දින දර්ශනය [10h, 11h] ලබා දුන්නොත්, ඊළඟ ඇමතුමට යන්නේ හරියටම එයයි. skill එක අසාර්ථක වුවහොත්, ආකෘතිය දන්නේ එය අසාර්ථක වූ බවයි. agent එක නොමැති වේලාවක 9h ට වේලාවක් ඇති බව "ඉහළින් නිර්මාණය කිරීමේ" අවදානම ශුන්යයි.
සංවේදී තොරතුරු සම්බන්ධ අවස්ථා සඳහා (මිල, කාල සීමාව, පාරිභෝගික නම), pipeline එක tool call බලාත්මක කරයි — ආකෘතියට තමන්ගේම "දැනුමෙන්" පිළිතුරු දීමට ඉඩ නොදෙයි. මෙය වාණිජ agent වල වඩාත් සුලභ මායාවන් (hallucination) පන්තිය ඉවත් කරයි.
අදියර 6 — ප්රතිචාරය සහ ස්ථීරකරණය (~50ms)
Skill ප්රතිඵලය අතේ ඇතිව, ආකෘතිය දෙවන ඇමතුම සිදු කරයි — මෙවර පාරිභෝගිකයාට අවසාන ප්රතිචාරය සැකසීමට. උදා:
"සෙනසුරාදා 10h සහ 11h ට තිබේ. කුමක් කැමතිද?"
සමාන්තරව, worker:
- WhatsApp API හරහා පණිවිඩය ආපසු යවයි.
- සම්පූර්ණ වාරය (user + assistant + tool calls + කාලසීමාව) D1 හි ස්ථීර කරයි.
- වාරය නව කරුණක් නිපදවූයේ නම් (උදා: "පාරිභෝගිකයා සෙනසුරාදාට කැමතියි") දිගුකාලීන මතකය යාවත්කාලීන කරයි.
- නිරීක්ෂණ සිදුවීමක් විමෝචනය කරයි (ප්රමාද මිනුම, token පිරිවැය, escalation අනුපාතය).
මේ සියල්ල සමාන්තරව ක්රියාත්මක වේ. ස්ථීරකරණය පණිවිඩ යැවීම අවහිර නොකරයි — පාරිභෝගිකයා D1 සඳහා බලා නොසිටියි.
මායාවන්ට (hallucination) එරෙහි ආරක්ෂාව කොහේද
නිෂ්පාදනයේ මායාවන් ඇති කරන agent විශ්වාසය ඉක්මනින් අහිමි කරයි. OpenClaw හි ආරක්ෂණ රේඛා 4ක් ඇත:
- බලාත්මක කළ සත්ය මූලාශ්රය. කරුණු දත්ත (මිල, වේලාව, නම) සැමවිටම skill වලින් පැමිණේ, කිසිවිටෙක ආකෘතියෙන් පමණක් නොවේ.
- සංවේදී දත්ත සඳහා ද්විත්ව සත්යාපනය. වෙන්කිරීම ස්ථීර කිරීමට පෙර පාරිභෝගිකයා සමඟ තහවුරු කරයි. ප්රවේශය මුදා හැරීමට පෙර ගෙවීම තහවුරු කරයි.
- පැහැදිලි සෘණ නීති. සෑම agent එකක්ම persona එකේ "කිසිවිටෙක X, Y, Z ඉහළින් නිර්මාණය නොකරන්න" ඇතුළත් වේ — ආකෘතිය අනුගමනය කරයි.
- මිනිසාට fallback. කිසිදු skill එකක් ප්රශ්නය ආවරණය නොකරන විට, agent එක
"මට කණ්ඩායම සමඟ පරීක්ෂා කරන්න දෙන්න"කියා ticket එකක් විවෘත කරයි — අනුමාන නොකරයි.
පසුගිය මාස 6 තුළ අප සිදු කළ විගණනවල (අතින් සමාලෝචනය කළ සැබෑ සංවාද), කරුණු මායාව අනුපාතය වාර වලින් 0.3%ට පහළින් පැවතුණි — සහ සියලුම අවස්ථා පාහේ config නිසා විය (tenant අදාළ skill සක්රිය කිරීම අමතක කිරීම), ආකෘති දෝෂයක් නොවේ.
සංවාදයකට පිරිවැය
හොඳ ගෘහනිර්මාණ ශිල්පය ඔබ බිල්පත බලන තුරු අදෘශ්යමානයි. සෑම වටයක්ම LLM ඇමතුම් 1-2ක් + D1 lookups සිදු කරන බැවින්, සම්පූර්ණ සංවාදයකට (වට 10-15) සාමාන්ය පිරිවැය මෙසේ වේ:
Equipe OpenClaw
ප්රකාශිත දිනය May 27, 2026
