# அத்தியாயம் 06 : SLM முகவரியாக்க அமைப்புகள்: விரிவான கண்ணோட்டம்

சாதாரண சாட்பாட்களிலிருந்து சிறிய மொழி மாதிரிகளால் (SLMs) இயக்கப்படும் மேம்பட்ட AI முகவரிகளுக்கு மாறும் செயற்கை நுண்ணறிவு துறையில் அடிப்படை மாற்றம் நடைபெற்று வருகிறது. இந்த விரிவான வழிகாட்டி, நவீன SLM முகவரியாக்க அமைப்புகளின் மூன்று முக்கிய அம்சங்களை ஆராய்கிறது: அடிப்படை கருத்துக்கள் மற்றும் பயன்பாட்டு உத்திகள், செயல்பாட்டு அழைப்பு திறன்கள், மற்றும் புரட்சிகரமான மாதிரி சூழல் நெறிமுறை (MCP) ஒருங்கிணைப்பு.

## [பகுதி 1: AI முகவர்கள் மற்றும் சிறிய மொழி மாதிரிகளின் அடிப்படை](./01.IntroduceAgent.md)

முதல் பகுதி AI முகவர்கள் மற்றும் சிறிய மொழி மாதிரிகளைப் பற்றிய அடிப்படை புரிதலை உருவாக்குகிறது, 2023 சாட்பாட் காலத்திற்குப் பின் மற்றும் 2024 கோபைலட் வெடிப்பிற்குப் பின் 2025 AI முகவரிகளின் ஆண்டாக மாறும் எனக் கூறுகிறது. இந்த பகுதியில் **முகவரியாக்க AI அமைப்புகள்** அறிமுகப்படுத்தப்படுகின்றன, அவை குறைந்த மனித இடைமுகத்துடன் சிந்திக்க, காரணம் கூற, திட்டமிட, கருவிகளைப் பயன்படுத்த, மற்றும் பணிகளைச் செயல்படுத்த முடியும்.

### முக்கிய கருத்துக்கள்:
- **முகவர் வகைப்படுத்தல் கட்டமைப்பு**: எளிய பிரதிபலிப்பு முகவரிகளிலிருந்து கற்றல் முகவரிகள் வரை, பல்வேறு கணினி சூழல்களுக்கு விரிவான வரைவியல்
- **SLM அடிப்படைகள்**: 10 பில்லியன் அளவிலிருந்து குறைவான அளவுடைய மாதிரிகள், பயனர் சாதனங்களில் நடைமுறை முடிவுகளை வழங்கும் திறன் கொண்டவை
- **மேம்பட்ட மேம்பாட்டு உத்திகள்**: GGUF வடிவமைப்பு பயன்பாடு, அளவீட்டு தொழில்நுட்பங்கள் (Q4_K_M, Q5_K_S, Q8_0), மற்றும் Llama.cpp மற்றும் Apple MLX போன்ற எட்ஜ்-ஆப்டிமைஸ் செய்யப்பட்ட கட்டமைப்புகள்
- **SLM vs LLM வர்த்தகம்**: SLMகள் மூலம் 10-30× செலவு குறைப்பு, அதேசமயம் 70-80% வழக்கமான முகவர் பணிகளுக்கு திறன் கொண்டது

இந்த பகுதி Ollama, VLLM, மற்றும் Microsoft இன் எட்ஜ் தீர்வுகளைப் பயன்படுத்தி நடைமுறை பயன்பாட்டு உத்திகளை முடிவுறுத்துகிறது, SLMகளை செலவுச்செலவான, தனியுரிமை பாதுகாக்கும் முகவரியாக்க AI பயன்பாட்டின் எதிர்காலமாக நிறுவுகிறது.

## [பகுதி 2: சிறிய மொழி மாதிரிகளில் செயல்பாட்டு அழைப்பு](./02.FunctionCalling.md)

இரண்டாவது பகுதி **செயல்பாட்டு அழைப்பு திறன்களை** ஆழமாக ஆராய்கிறது, இது நிலையான மொழி மாதிரிகளை உண்மையான உலக தொடர்பு கொண்ட AI முகவரிகளாக மாற்றும் முறைமையாகும். இந்த தொழில்நுட்ப ஆழமான பகுதி நோக்கத்தை கண்டறிதல் முதல் பதில் ஒருங்கிணைப்பு வரை முழு வேலைப்பாட்டை விவரிக்கிறது.

### முக்கிய செயல்பாட்டு பகுதிகள்:
- **கணினி வேலைப்பாடு**: கருவி ஒருங்கிணைப்பு, செயல்பாட்டு வரையறை, நோக்கத்தை கண்டறிதல், JSON வெளியீடு உருவாக்கம், மற்றும் வெளிப்புற செயல்பாடு ஆகியவற்றின் விரிவான ஆராய்ச்சி
- **தள-குறிப்பான செயல்பாடுகள்**: Phi-4-mini Ollama உடன், Qwen3 செயல்பாட்டு அழைப்பு, மற்றும் Microsoft Foundry Local ஒருங்கிணைப்பு ஆகியவற்றுக்கான விரிவான வழிகாட்டிகள்
- **மேம்பட்ட உதாரணங்கள்**: பல முகவர் ஒத்துழைப்பு அமைப்புகள், மாறும் கருவி தேர்வு, மற்றும் விரிவான பிழை கையாளுதலுடன் நிறுவன ஒருங்கிணைப்பு முறைமைகள்
- **தயாரிப்பு கருத்துக்கள்**: வீத வரம்பு, ஆடிட் பதிவு, பாதுகாப்பு நடவடிக்கைகள், மற்றும் செயல்திறன் மேம்பாட்டு உத்திகள்

இந்த பகுதி கோட்பாட்டுப் புரிதலையும் நடைமுறை செயல்பாட்டு முறைமைகளையும் வழங்குகிறது, எளிய API அழைப்புகளிலிருந்து சிக்கலான பல படி நிறுவன வேலைப்பாடுகள் வரை கையாளக்கூடிய வலுவான செயல்பாட்டு அழைப்பு அமைப்புகளை உருவாக்குவதற்கான வழிகாட்டுதலாக உள்ளது.

## [பகுதி 3: மாதிரி சூழல் நெறிமுறை (MCP) ஒருங்கிணைப்பு](./03.IntroduceMCP.md)

இறுதி பகுதி **மாதிரி சூழல் நெறிமுறை (MCP)**-ஐ அறிமுகப்படுத்துகிறது, இது மொழி மாதிரிகள் வெளிப்புற கருவிகள் மற்றும் அமைப்புகளுடன் தொடர்பு கொள்ளும் முறையை மையமாக்கும் புரட்சிகரமான கட்டமைப்பாகும். இந்த பகுதி MCP எவ்வாறு நனவான உலகத்துடன் AI மாதிரிகளை இணைக்கும் என்பதை நன்கு வரையறுக்கப்பட்ட நெறிமுறைகள் மூலம் விளக்குகிறது.

### ஒருங்கிணைப்பு முக்கிய அம்சங்கள்:
- **நெறிமுறை கட்டமைப்பு**: பயன்பாடு, LLM கிளையண்ட், MCP கிளையண்ட், மற்றும் கருவி செயலாக்க அடுக்குகளை உள்ளடக்கிய அடுக்கமைப்பு வடிவமைப்பு
- **பல பின்புல ஆதரவு**: Ollama (உள்ளூர் மேம்பாடு) மற்றும் vLLM (தயாரிப்பு) பின்புலங்களை ஆதரிக்கும் நெகிழ்வான செயல்பாடு
- **இணைப்பு நெறிமுறைகள்**: நேரடி செயல்முறை தொடர்புக்கு STDIO முறை மற்றும் HTTP அடிப்படையிலான ஸ்ட்ரீமிங்கிற்கான SSE முறை
- **உண்மையான உலக பயன்பாடுகள்**: வலை தானியக்கமாக்கல், தரவுகள் செயலாக்கம், மற்றும் API ஒருங்கிணைப்பு உதாரணங்கள் விரிவான பிழை கையாளுதலுடன்

MCP ஒருங்கிணைப்பு SLMகளை வெளிப்புற திறன்களுடன் மேம்படுத்துவதைக் காட்டுகிறது, குறைந்த அளவுடைய அளவுகளைச் சமாளிக்க, உள்ளூர் பயன்பாட்டின் நன்மைகள் மற்றும் வள திறன்களைப் பேணுவதுடன் மேம்பட்ட செயல்பாடுகளை வழங்குகிறது.

## மூலோபாய விளைவுகள்

இந்த மூன்று பகுதிகள் SLM முகவரியாக்க அமைப்புகளைப் புரிந்து கொள்ளவும் செயல்படுத்தவும் விரிவான கட்டமைப்பை வழங்குகின்றன. அடிப்படை கருத்துக்களிலிருந்து செயல்பாட்டு அழைப்பு மற்றும் MCP ஒருங்கிணைப்பு வரை பரிணாம வளர்ச்சி, AI பயன்பாட்டின் ஜனநாயகமயமாக்கலுக்கான தெளிவான பாதையை காட்டுகிறது, இதில்:

- **திறன் மற்றும் திறமையை** சிறிய மாதிரிகள் மூலம் மேம்படுத்துதல்
- **செலவுச்செலவான தன்மை** பரவலான பயன்பாட்டை ஊக்குவிக்கிறது
- **மையமயமான நெறிமுறைகள்** இடையூறு இல்லாத செயல்பாட்டை உறுதிப்படுத்துகிறது
- **உள்ளூர் பயன்பாடு** தனியுரிமையை பாதுகாக்கிறது மற்றும் தாமதத்தை குறைக்கிறது

இந்த முன்னேற்றம் தொழில்நுட்ப மேம்பாட்டை மட்டுமல்லாமல், வளமற்ற சூழல்களில் திறமையான முறையில் செயல்படக்கூடிய, மேலும் தொழில்துறைகள் மற்றும் பயன்பாடுகளில் செயற்கை நுண்ணறிவின் நன்மைகளை வழங்கும் மேம்பட்ட முகவரியாக்க திறன்களுடன் AI அமைப்புகளை உருவாக்கும் புதிய பாரடிம் மாற்றத்தையும் பிரதிபலிக்கிறது.

---

**குறிப்பு**:  
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கிறோம், ஆனால் தானியக்க மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளுங்கள். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.