एआई एजेंट (AI Agents) कैसे काम करते हैं

एक एआई एजेंट धारणा, तर्क और कार्रवाई के एक चक्र (लूप) के माध्यम से काम करता है। यह इनपुट (उपयोगकर्ता का प्रॉम्प्ट, सेंसर डेटा या कोई एपीआई रिस्पॉन्स) प्राप्त करता है, भाषा मॉडल या अन्य तर्क इंजन का उपयोग करके उस इनपुट की व्याख्या करता है, अगले कदम का निर्णय लेता है, और उसे निष्पादित करता है। यह चक्र तब तक दोहराया जाता है जब तक कि एजेंट अपने लक्ष्य को प्राप्त नहीं कर लेता या यह निर्धारित नहीं कर लेता कि वह आगे नहीं बढ़ सकता।

मुख्य घटक जो एजेंटों को साधारण चैटबॉट्स से अलग करते हैं, उनमें शामिल हैं:

• योजना (Planning): किसी जटिल लक्ष्य को छोटे उप-कार्यों में विभाजित करने और उन्हें तार्किक रूप से क्रमबद्ध करने की क्षमता।

• मेमोरी (Memory): अल्पकालिक (बातचीत का संदर्भ) और दीर्घकालिक (स्थायी ज्ञान भंडार) मेमोरी जो एजेंट को पिछली बातचीत से सीखने में मदद करती है।

• टूल का उपयोग (Tool use): बाहरी एपीआई (APIs), डेटाबेस, कोड इंटरप्रेटर या वेब ब्राउज़र के साथ एकीकरण ताकि एजेंट केवल टेक्स्ट जनरेट करने के बजाय वास्तविक दुनिया में काम कर सके।

• आत्म-मूल्यांकन (Self-evaluation): आउटपुट की जांच करने, विफल कदमों को दोबारा आजमाने, या आत्मविश्वास कम होने पर स्पष्टीकरण मांगने के तंत्र।

एआई एजेंट बनाम एजेंटिक एआई (AI Agents vs. Agentic AI)

"एजेंटिक एआई" शब्द एआई सिस्टम को स्वायत्तता और लक्ष्य-उन्मुख व्यवहार देने के व्यापक डिजाइन पैटर्न को संदर्भित करता है। एक एआई एजेंट उस पैटर्न का एक ठोस उदाहरण है। एक एकल एजेंटिक वर्कफ़्लो कई विशिष्ट एजेंटों को ऑर्केस्ट्रेट (समन्वित) कर सकता है, जिनमें से प्रत्येक एक अलग उप-कार्य जैसे कि रिसर्च, कोडिंग या डेटा पुनर्प्राप्ति के लिए जिम्मेदार होता है।

एआई एजेंटों के प्रकार

एजेंट जटिलता के मामले में काफी भिन्न होते हैं:

• सरल रिफ्लेक्स एजेंट (Simple reflex agents) पूर्व-निर्धारित नियमों के साथ तत्काल इनपुट का जवाब देते हैं।

• मॉडल-आधारित एजेंट (Model-based agents) आंशिक रूप से देखने योग्य वातावरण को संभालने के लिए दुनिया का एक आंतरिक मॉडल बनाए रखते हैं।

• लक्ष्य-आधारित और उपयोगिता-आधारित एजेंट (Goal-based and utility-based agents) स्पष्ट उद्देश्यों या उपयोगिता कार्यों के विपरीत संभावित कार्यों का मूल्यांकन करते हैं।

• सीखने वाले एजेंट (Learning agents) मशीन लर्निंग फीडबैक लूप के माध्यम से समय के साथ प्रदर्शन में सुधार करते हैं।

सामान्य उपकरण और फ्रेमवर्क

डेवलपर्स गिटहब (GitHub) जैसे प्लेटफॉर्म पर उपलब्ध फ्रेमवर्क का उपयोग करके एआई एजेंट बनाते हैं। लोकप्रिय ओपन-सोर्स प्रोजेक्ट टूल इंटीग्रेशन, मेमोरी मैनेजमेंट और मल्टी-एजेंट ऑर्केस्ट्रेशन के लिए बुनियादी ढांचा प्रदान करते हैं। OpenAI (GPT-आधारित एजेंट, ChatGPT प्लगइन्स) और Google (Gemini-संचालित एजेंट) जैसे LLM प्रदाता APIs प्रदान करते हैं जो कई एजेंट कार्यान्वयनों के लिए तर्क रीढ़ के रूप में कार्य करते हैं, जो आमतौर पर एक ट्रांसफॉर्मर (transformer) मॉडल पर बने होते हैं।

उपयोग के मामले (Use Cases)

एआई एजेंटों को विभिन्न क्षेत्रों में तैनात किया जाता है: ग्राहक सहायता स्वचालन (customer support automation), कोड जनरेशन और डिबगिंग, अनुसंधान सहायक, वर्कफ़्लो ऑर्केस्ट्रेशन, और वॉयस-एआई पाइपलाइन जहां एक एजेंट संवाद प्रवाह का प्रबंधन करता है, वास्तविक समय में जानकारी प्राप्त करता है, और डाउनस्ट्रीम क्रियाओं को ट्रिगर करता है। इन तैनाती में गुणवत्ता को आमतौर पर केवल मॉडल बेंचमार्क के बजाय कार्य-स्तरीय सटीकता मूल्यांकन के साथ मापा जाता है।

संबंधित शब्द: बार्ज-इन (barge-in), टर्न डिटेक्शन, एआई वॉयस (AI voice), स्पीच टू टेक्स्ट (speech to text)।