The OpenHands Software Agent SDK: A Composable and Extensible Foundation for Production Agents
यह शोध पत्र OpenHands सॉफ्टवेयर एजेंट SDK प्रस्तुत करता है, जो एक पुनर्गठित टूलकिट है जो लचीले कार्यान्वयन, सुरक्षित सैंडबॉक्स्ड निष्पादन और विविध मानव संपर्क इंटरफेस को एकीकृत करके उत्पादन-तैयार सॉफ्टवेयर विकास एजेंटों के निर्माण के लिए एक संयोजनीय और विस्तार योग्य आधार प्रदान करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप डिजिटल सहायकों (AI एजेंट्स) की एक टीम बना रहे हैं जो आपको कोड लिखने, बग्स ठीक करने या आपके कंप्यूटर को मैनेज करने में मदद कर सकें। कुछ साल पहले, ये सहायक अनाड़ी इंटर्न की तरह थे: उन्हें लगातार मार्गदर्शन की आवश्यकता होती थी, वे अक्सर क्रैश हो जाते थे, और जब आप एक के बजाय 100 उन्हें काम पर रखना चाहते थे, तो उन्हें स्केल करना बहुत कठिन था।
आपके द्वारा साझा किया गया पेपर OpenHands Software Agent SDK पेश करता है। इसे केवल एक टूल के रूप में नहीं, बल्कि इन डिजिटल सहायकों को बनाने के लिए एक यूनिवर्सल कंस्ट्रक्शन किट के रूप में समझें। यह एक नया, अपग्रेड किया गया "फाउंडेशन" है जो इन एजेंट्स को बनाना, टेस्ट करना और चलाना बहुत आसान, सुरक्षित और विश्वसनीय बनाता है।
यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है:
1. समस्या: "मोनोलिथिक" गड़बबड़ी (वर्जन 0)
कल्पना कीजिए कि इस सिस्टम का पुराना वर्जन (OpenHands V0) ऊन के एक विशाल, उलझे हुए गोले की तरह था।
- सब कुछ आपस में चिपका हुआ था: वह हिस्सा जो AI से बात करता था, वह हिस्सा जो कोड चलाता था, वह हिस्सा जो फाइलें सेव करता था, और वह हिस्सा जो यूजर इंटरफेस दिखाता था—ये सभी एक विशाल ब्लॉक में एक साथ चिपके हुए थे।
- कठोर नियम: इसने मान लिया था कि हर कार्य को एक बंद, अलग कमरे (सैंडबॉक्स) में ही होना चाहिए। यदि आप बस अपने लैपटॉप पर कुछ जल्दी से टेस्ट करना चाहते थे, तो सिस्टम आपको एक भारी, जटिल कंटेनर सेट करने के लिए मजबूर करता था। यह ऐसा था जैसे मौसम देखने के लिए भी आपको फुल हैज़मैट सूट पहनने की ज़रूरत हो।
- नाजुक (Brittle): यदि एक हिस्सा टूट जाता, तो पूरा सिस्टम क्रैश हो जाता। एक छोटा सा फीचर बदलने से अक्सर दूर का कोई दूसरा हिस्सा टूट जाता क्योंकि सब कुछ बहुत मजबूती से जुड़ा हुआ था।
2. समाधान: "लेगो" किट (वर्जन 1)
नया OpenHands SDK (V1) उस उलझे हुए ऊन से स्विच करके एक उच्च गुणवत्ता वाले लेगो (Lego) सेट की तरह है।
- मॉड्यूलर हिस्से: अब सिस्टम को चार अलग-अलग, साफ डिब्बों (पैकेज) में विभाजित किया गया है:
- दिमाग (SDK): एजेंट का मुख्य लॉजिक।
- हाथ (Tools): एजेंट के पास विशिष्ट कौशल (जैसे फाइल पढ़ना या कमांड चलाना)।
- वर्कशॉप (Workspace): जहाँ काम होता है (या तो आपके लैपटॉप पर या एक सुरक्षित क्लाउड कंटेनर में)।
- सर्वर: वह पुल जो आपको इसे रिमोटली चलाने की अनुमति देता है।
- प्लग-एंड-प्ले: आप इन हिस्सों को अलग-अलग तरीकों से जोड़ सकते हैं। क्या आप एजेंट को लोकल चलाना चाहते हैं? बस "लोकल" हिस्सा इस्तेमाल करें। क्या आप इसे सुरक्षित रूप से क्लाउड में चलाना चाहते हैं? "रिमोट" हिस्से से बदल दें। आपका बाकी कोड बदले बिना ही काम करेगा।
3. मुख्य विशेषताओं का उपमाओं के साथ स्पष्टीकरण
A. "ब्लैक बॉक्स" मेमोरी (इवेंट सोर्सिंग)
- पुराना तरीका: एक डायरी की कल्पना करें जहाँ आप पन्ने मिटा सकते हैं और फिर से लिख सकते हैं। यदि पन्ना फट जाता या स्याही फैल जाती, तो आप अपना रास्ता खो देते।
- नया तरीका: नया सिस्टम इवेंट सोर्सिंग (Event Sourcing) का उपयोग करता है। इसे एक विमान के फ्लाइट रिकॉर्डर की तरह समझें। यह केवल यह याद नहीं रखता कि आप कहाँ हैं; यह हर एक बटन प्रेस और लिए गए हर निर्णय को क्रम में, हमेशा के लिए रिकॉर्ड करता है।
- यह क्यों मायने रखता है: यदि एजेंट क्रैश हो जाता है, तो आप अपना काम नहीं खोते। आप बस फ्लाइट रिकॉर्डर को आखिरी सुरक्षित क्षण से फिर से चलाते हैं (replay), और एजेंट ठीक वहीं से शुरू करता है जहाँ उसने छोड़ा था। यह एजेंट के कार्यों के पूरे ब्रह्मांड के लिए "अनडू" (Undo) बटन होने जैसा है।
B. "ऑप्ट-इन" सैंडबॉक्स
- पुराना तरीका: आपको बाहर जाने के लिए भी हैज़मैट सूट पहनना पड़ता था, भले ही आप सिर्फ मेलबॉक्स तक जा रहे हों।
- नया तरीका: नया सिस्टम लोकल-फर्स्ट (Local-First) है। डिफ़ॉल्ट रूप से, एजेंट आपके कंप्यूटर पर सीधे, तेज़ और आसान तरीके से काम करता है। लेकिन, यदि आप कुछ खतरनाक करने जा रहे हैं (जैसे डेटाबेस डिलीट करना), तो आप एक स्विच क्लिक करके इसे एक सुरक्षित, अलग बुलबुले (सैंडबॉक्स) में डाल सकते हैं ताकि यह आपके कंप्यूटर को नुकसान न पहुँचा सके। यह साइकिल चलाते समय हेलमेट पहनने और ब्रश करते समय हेलमेट पहनने के बीच के अंतर जैसा है।
C. "यूनिवर्सल ट्रांसलेटर" (मल्टी-LLM रूटिंग)
- पुराना तरीका: आपका एजेंट एक विशिष्ट दिमाग (जैसे केवल क्लॉड या केवल GPT) से बंधा हुआ था।
- नया तरीका: SDK मॉडल-अग्नोस्टिक (Model-Agnostic) है। यह एक यूनिवर्सल ट्रांसलेटर की तरह है। आप एजेंट को बता सकते हैं, "जटिल लॉजिक के लिए सबसे स्मार्ट दिमाग का उपयोग करें, लेकिन सरल कार्यों के लिए सस्ते, तेज़ दिमाग का उपयोग करें।" यह उन दिमागों से भी बात कर सकता है जो एक ही भाषा नहीं बोलते (ऐसे मॉडल जो नेटिवली टूल्स का उपयोग नहीं कर सकते) उनके विचारों को उन निर्देशों में अनुवादित करके जिन्हें वे समझते हैं।
D. "सेफ्टी इंस्पेक्टर" (सुरक्षा और पुष्टि)
- पुराना तरीका: एजेंट वही करता था जो उसे बताया जाता था, भले ही इसका मतलब आपकी फाइलें डिलीट करना हो।
- नया तरीका: इसमें एक अंतर्निहित सेफ्टी इंस्पेक्टर है। एजेंट द्वारा कुछ भी जोखिम भरा करने से पहले (जैसे "फोल्डर में सभी फाइलें डिलीट करें"), इंस्पेक्टर जोखिम के स्तर की जांच करता है।
- यदि जोखिम कम है (जैसे "एक फाइल पढ़ना"), तो वह आगे बढ़ जाता है।
- यदि जोखिम अधिक है, तो एजेंट रुक जाता है और आपसे पूछता है: "हे, मैं इसे डिलीट करने वाला हूँ। क्या आप सुनिश्चित हैं?" यह बैंक टेलर द्वारा बड़ी राशि सौंपने से पहले दूसरे हस्ताक्षर मांगने जैसा है।
4. परिणाम: क्या यह वास्तव में काम करता है?
लेखकों ने केवल इसे बनाया ही नहीं; उन्होंने वास्तविक दुनिया में इसका परीक्षण भी किया।
- कम क्रैश: जब उन्होंने पुराने "उलझे हुए ऊन" (V0) से नए "लेगो किट" (V1) पर स्विच किया, तो सिस्टम की विफलताओं की संख्या में 61% की कमी आई।
- गति: नया "फ्लाइट रिकॉर्डर" मेमोरी सिस्टम एजेंट की सोचने की प्रक्रिया में लगभग शून्य देरी (एक मिलीसेकंड से भी कम) जोड़ता है।
- स्मार्टर: नए एजेंटों ने कठिन कोडिंग टेस्टों पर पुराने एजेंटों की तुलना में समान (या बेहतर) प्रदर्शन किया, जिससे साबित हुआ कि सिस्टम को साफ बनाने से एजेंट "बेवकूफ" नहीं हुए।
सारांश
OpenHands Software Agent SDK भविष्य के AI वर्कर्स के लिए ऑपरेटिंग सिस्टम है। यह AI एजेंट बनाने के अराजक, नाजुक तरीके को एक स्वच्छ, मॉड्यूलर और सुरक्षित प्रणाली से बदल देता है। यह डेवलपर्स को ऐसे एजेंट बनाने की अनुमति देता है जो लैपटॉप पर टेस्ट करने में आसान हैं लेकिन क्लाउड में लाखों उपयोगकर्ताओं तक स्केल करने के लिए तैयार हैं, और यह सब आपके डेटा को सुरक्षित रखते हुए और आपके कोड को क्रैश होने से बचाते हुए किया जाता है।
यह गीली मिट्टी से घर बनाने (V0) और प्री-फैब्रिकेटेड, उच्च गुणवत्ता वाली ईंटों से घर बनाने (V1) के बीच का अंतर है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।