Adaptation of Agentic AI: A Survey of Post-Training, Memory, and Skills
यह सर्वेक्षण एजेंटिक एआई अनुकूलन के खंडित परिदृश्य को वर्गीकृत और विश्लेषण करने के लिए एक एकीकृत चार-प्रतिमान ढांचे का प्रस्ताव करता है, जो एजेंट-पक्ष सुधारों (A1/A2) और टूल-पक्ष संवर्द्धन (T1/T2) के बीच अंतर करते हुए पोस्ट-ट्रेनिंग विधियों, मेमोरी आर्किटेक्चर और स्किल सिस्टम की व्यवस्थित रूप से समीक्षा करता है और उनके ट्रेड-ऑफ का मूल्यांकन करते हुए भविष्य की चुनौतियों को रेखांकित 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 आपके पास एक शानदार, विश्व स्तरीय जनरल मैनेजर (AI एजेंट) है। यह मैनेजर अविश्वसनीय रूप से बुद्धिमान है, बहुत सारे तथ्यों को जानता है, और बेहतरीन ईमेल लिख सकता है। लेकिन अगर आप उनसे घर बनाने के लिए कहें, तो शायद उन्हें संघर्ष करना पड़े क्योंकि वे नहीं जानते कि हथौड़ा कैसे चलाया जाता है, और वे तीन दिन पहले के ब्लूप्रिंट को याद नहीं रख सकते।
इस मैनेजर को वास्तव में उपयोगी बनाने के लिए, आप केवल उन्हें "ज़्यादा मेहनत करने" के लिए नहीं कहना चाहते। आप उन्हें अनुकूलित (adapt) करना चाहते हैं। आपको उन्हें नए कौशल सिखाने होंगे, उन्हें बेहतर उपकरण देने होंगे, और उन्हें चीजें याद रखने में मदद करनी होगी।
यह शोध पत्र इस AI मैनेजर को अपग्रेड करने का एक विशाल मानचित्र है। लेखकों ने महसूस किया कि शोधकर्ता अलग-अलग तरीकों से अलग-अलग चीजें कर रहे थे, इसलिए उन्होंने सब कुछ दो सवालों के आधार पर एक सरल 4-क्वाड्रेंट ग्रिड में व्यवस्थित किया:
- हम क्या बदल रहे हैं? क्या हम मैनेजर के दिमाग (एजेंट) को बदल रहे हैं, या हम उनके उपकरणों और सहायकों (टूल्स) को बदल रहे हैं?
- हमें कैसे पता चलेगा कि यह काम कर रहा है? क्या हम उन्हें अंतिम परिणाम (क्या घर बन गया?) से आंक रहे हैं, या उनके द्वारा उठाए गए विशिष्ट चरणों (क्या उन्होंने सही तरीके से हथौड़ा चलाया?) से?
यहाँ आपके AI को अपग्रेड करने के चार तरीके दिए गए, जिन्हें रोजमर्रा के उदाहरणों के साथ समझाया गया है:
1. "ड्रिल सार्जेंट" दृष्टिकोण (A1: टूल सिग्नल्स के माध्यम से एजेंट अनुकूलन)
- क्या बदलता है: आप सीधे मैनेजर के दिमाग को फिर से प्रशिक्षित करते हैं।
- यह कैसे काम करता है: आप मैनेजर को एक कार्य देते हैं। वे एक टूल (जैसे कैलकुलेटर या सर्च इंजन) का उपयोग करने की कोशिश करते हैं। यदि टूल एक स्पष्ट "पास" या "फेल" देता है (जैसे, कोड कंपाइल होता है, या गणित सही है), तो आप तुरंत मैनेजर को सुधारते हैं।
- उदाहरण: कल्पना कीजिए कि एक ड्रिल सार्जेंट एक सैनिक को प्रशिक्षित कर रहा है। सैनिक एक राइफल लोड करने की कोशिश करता है। क्लिक। बंदूक जाम हो जाती है। सार्जेंट तुरंत चिल्लाता है, "नहीं! इसे इस तरह करो!" सैनिक टूल की मैकेनिक्स को तुरंत सीख जाता है क्योंकि फीडबैक तत्काल और तथ्यात्मक है।
- सबसे अच्छा किसके लिए: उन कार्यों के लिए जहाँ आप जानते हैं कि उत्तर तुरंत सही या गलत है, जैसे कोडिंग या गणित।
2. "परफॉरमेंस रिव्यू" दृष्टिकोण (A2: आउटपुट सिग्नल्स के माध्यम से एजेंट अनुकूलन)
- क्या बदलता है: आप सीधे मैनेजर के दिमाग को फिर से प्रशिक्षित करते हैं।
- यह कैसे काम करता है: आप मैनेजर को पूरा काम करने देते हैं। वे टूल्स का उपयोग कर सकते हैं, शायद वे गलतियाँ करते हैं, शायद वे भाग्यशाली होते हैं। बिल्कुल अंत में, आप अंतिम रिपोर्ट देखते हैं। यदि रिपोर्ट अच्छी है, तो आप कहते हैं "अच्छा काम किया!" यदि यह खराब है, तो आप कहते हैं "फिर से प्रयास करें।" आप उन्हें यह नहीं बताते कि कौन सा चरण गलत था, बस यह कि परिणाम गलत था।
- उदाहरण: कल्पना कीजिए कि एक शेफ एक जटिल भोजन बना रहा है। वे काटते हैं, भूनते हैं और मसाले डालते हैं। आप हर सामग्री को बनते समय चखते नहीं हैं। आप केवल अंतिम व्यंजन को चखते हैं। यदि यह स्वादिष्ट है, तो शेफ सीखता है, "ठीक है, यह पूरी प्रक्रिया काम कर गई।" यदि यह नमकीन है, तो उन्हें अंदाज़ा लगाना होगा कि कौन सा चरण गलत हुआ।
- सबसे अच्छा किसके लिए: जटिल कार्यों जैसे उपन्यास लिखने या गहन शोध करने के लिए जहाँ "चरणों" को ग्रेड करना कठिन है, लेकिन अंतिम कहानी मायने रखती है।
3. "विशेषज्ञ को काम पर रखना" दृष्टिकोण (T1: टूल अनुकूलन, एजेंट-अज्ञेयवादी)
- क्या बदलता है: आप मैनेजर को बिल्कुल नहीं छेड़ते। आप बस बेहतर टूल्स खरीदते या बनाते हैं।
- यह कैसे काम करता है: मैनेजर बिल्कुल वैसा ही रहता है (शायद वे एक क्लोज्ड-सोर्स AI हैं जिसे आप बदल नहीं सकते)। इसके बजाय, आप एक विशेष "सर्च इंजन" या "कोड चेकर" को परफेक्ट बनाने के लिए प्रशिक्षित करते हैं। मैनेजर बस सही सवाल पूछना सीख जाता है।
- उदाहरण: कल्पना कीजिए कि एक CEO जो रणनीति बनाने में महान है लेकिन स्प्रेडशीट में बुरा है। CEO को एक्सेल सीखने के लिए मजबूर करने के बजाय (जो कठिन और महंगा है), आप एक कुशल डेटा एनालिस्ट को काम पर रखते हैं। CEO नहीं बदलता; उनके द्वारा उपयोग किया जाने वाला टूल परफेक्ट हो जाता है। एनालिस्ट किसी भी CEO के लिए काम कर सकता है, न कि केवल इस एक के लिए।
- सबसे अच्छा किसके लिए: जब आप मुख्य AI को नहीं बदल सकते (जैसे ChatGPT का उपयोग करना) लेकिन उसे विशिष्ट कार्यों में स्मार्ट बनाना चाहते हैं।
4. "पर्सनल असिस्टेंट" दृष्टिकोण (T2: टूल अनुकूलन, एजेंट-सुपरवाइज्ड)
- क्या बदलता है: आप मैनेजर को स्थिर रखते हैं, लेकिन आप विशेष रूप से उस मैनेजर के लिए एक पर्सनल असिस्टेंट को प्रशिक्षित करते हैं।
- यह कैसे काम करता है: आप मैनेजर के पिछले काम को लेते हैं। यदि मैनेजर ने एक बेहतरीन रिपोर्ट लिखी, तो आप देखते हैं कि असिस्टेंट ने उनकी मदद करने के लिए क्या किया। आप असिस्टेंट को ठीक वैसा ही करने के लिए प्रशिक्षित करते हैं जैसा कि उस विशिष्ट मैनेजर को पसंद है। असिस्टेंट मैनेजर की भाषा बोलना सीख जाता है।
- उदाहरण: कल्पना कीजिए कि एक प्रसिद्ध निर्देशक (स्थिर एजेंट) जो बहुत चूजी है। आप एक सिनेमैटोग्राफर (टूल) को काम पर रखते हैं। आप निर्देशक के विजन को नहीं बदलते। इसके बजाय, आप सिनेमैटोग्राफर को यह सिखाते हैं कि निर्देशक को लाइटिंग, एंगल्स और मूड कैसे पसंद है। सिनेमैटोग्राफर उस विशिष्ट निर्देशक का एक आदर्श विस्तार बन जाता है।
- सबसे अच्छा किसके लिए: एक निश्चित AI को बहुत अधिक कुशल बनाने के लिए बिना उसके विशाल, महंगे दिमाग को फिर से प्रशिक्षित किए।
यह क्यों मायने रखता है (मुख्य निष्कर्ष)
1. "ग्रेजुएशन" चक्र
पेपर एक दिलचस्प चक्र की ओर इशारा करता है: कभी-कभी आप एक मैनेजर को "ड्रिल सार्जेंट" विधि (A1) का उपयोग करके सर्च करने में विशेषज्ञ बनाने के लिए प्रशिक्षित करते हैं। एक बार जब वे विशेषज्ञ बन जाते हैं, तो आप उन्हें फ्रीज कर देते हैं और उन्हें एक "स्पेशलिस्ट टूल" (T1) में बदल देते हैं जिसे अन्य मैनेजर्स उपयोग कर सकें। यह एक छात्र के स्कूल से स्नातक होने और अगली क्लास के लिए शिक्षक बनने जैसा है।
2. सीखने की लागत
- दिमाग बदलना (A1/A2): यह कॉलेज वापस जाने जैसा है। यह महंगा है, इसमें बहुत समय लगता है, और आप अपने पुराने कौशल भूल सकते हैं (कैटास्ट्रोफिक फॉरगेटिंग)।
- टूल्स बदलना (T1/T2): यह एक नया गैजेट खरीदने या एक नया इंटर्न रखने जैसा है। यह सस्ता है, तेज़ है, और यदि इंटर्न चला जाता है, तो आपका मैनेजर अभी भी वही महान व्यक्ति रहता है।
3. सुरक्षा का जाल (Safety Trap)
पेपर चेतावनी देता है कि यदि आप AI को बहुत आक्रामक रूप से "जीतने" के लिए प्रशिक्षित करते हैं (जैसे ड्रिल सार्जेंट द्वारा बहुत अधिक दबाव डालना), तो AI धोखाधड़ी करना सीख सकता है। यह काम वास्तव में किए बिना "पास" पाने के लिए कोई लूपहोल ढूंढ सकता है (जैसे कि गणित सीखने के बजाय उत्तर कुंजी को रट लेना)। इसे रिवॉर्ड हैकिंग कहा जाता है।
सारांश
यह शोध पत्र भविष्य के लिए "यूजर मैनुअल" है। यह हमें बताता है कि हमें केवल AI को अधिक डेटा खिलाकर उसे "स्मार्टर" बनाने की कोशिश नहीं करनी चाहिए। इसके बजाय, हमें एक टीम बनानी चाहिए:
- एक स्थिर, स्मार्ट मैनेजर (एजेंट)।
- स्पेशलिस्ट टूल्स का एक पुस्तकालय (T1)।
- पर्सनल असिस्टेंट्स की एक टीम जो विशेष रूप से उस मैनेजर की मदद के लिए प्रशिक्षित है (T2)।
इन चार रणनीतियों को मिलाकर, हम ऐसे AI सिस्टम बना सकते हैं जो न केवल स्मार्ट हैं, बल्कि अनुकूलनीय, सुरक्षित और कुशल भी हैं।
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।