Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion
यह शोध पत्र टेबल-एज़-सर्च (TaS) प्रस्तुत करता है, जो एक संरचित ढांचा है जो खोज की सुसंगतता और स्टेट ट्रैकिंग बनाए रखने के लिए लंबी अवधि की सूचना प्राप्ति को एक टेबल पूर्णता कार्य के रूप में पुनर्गठित करता है, जिससे विविध खोज रणनीतियों का एकीकरण होता है और मजबूती एवं दक्षता में अत्याधुनिक बेसलाइनों से काफी बेहतर प्रदर्शन होता 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
यहाँ "Table-as-Search" (TaS) पेपर का सरल भाषा और रोजमर्रा के उदाहरणों के साथ स्पष्टीकरण दिया गया है।
समस्या: "बीच में खो जाने वाला" (Lost in the Middle) एजेंट
कल्पना कीजिए कि आपने इंटरनेट पर विशिष्ट जानकारी खोजने के लिए एक बहुत ही बुद्धिमान लेकिन थोड़े भुलक्कड़ शोध सहायक (एक AI एजेंट) को काम पर रखा है। आप उनसे एक जटिल प्रश्न पूछते हैं, जैसे: "मुझे उत्तरी अमेरिका के 30 पेट सप्लाई स्टोर्स (पालतू जानवरों के सामान की दुकानें) ढूंढ कर दें जो पिछले साल 50% से अधिक बढ़े हैं, और उनके सेल्स मैनेजर का फोन नंबर प्राप्त करें।"
वर्तमान AI सहायक इसे अपने दिमाग में एक लंबी, निरंतर कहानी लिखने की कोशिश करके करने का प्रयास करते हैं। वे सोचते हैं, "मैं स्टोर A के लिए खोजूँगा, फिर स्टोर B के लिए, फिर उनकी वृद्धि की जाँच करूँगा..." जैसे-जैसे वे गहराई में उतरते हैं, यह मानसिक "कहानी" बहुत बड़ी हो जाती है। अंततः, सहायक अभिभूत (overwhelmed) हो जाता है। वे कहानी की शुरुआत भूल जाते हैं, इस बात का ट्रैक खो देते हैं कि वे पहले कौन से स्टोर चेक कर चुके हैं, या नोटों की भारी मात्रा से भ्रमित हो जाते हैं। पेपर में, इसे "बीच में खो जाना" (lost in the middle) कहा गया है। वे सही स्टोर तो ढूंढ सकते हैं लेकिन फोन नंबर लेना भूल सकते हैं, या वे तथ्य बना (hallucinate) सकते हैं क्योंकि उनकी "याददाश्त" बहुत अव्यवस्थित हो जाती है।
समाधान: "टेबल-एज़-सर्च" (Table-as-Search - TaS) फ्रेमवर्क
लेखक इस काम को व्यवस्थित करने का एक नया तरीका प्रस्तावित करते हैं। एक लंबी, बिखरी हुई कहानी लिखने के बजाय, वे शोध कार्य को एक स्प्रेडशीट (एक टेबल) भरने में बदल देते हैं।
इसे इस तरह समझें:
- पुराना तरीका: एक विशाल गोदाम में घूमते समय किराने की सूची को याद रखने की कोशिश करना, इस उम्मीद में कि आप दूध या अंडे भूल नहीं जाएंगे।
- नया तरीका (TaS): आपके पास एक क्लिपबोर्ड है जिसमें एक ग्रिड बना है। हर बार जब आपको कोई उत्पाद मिलता है, तो आप उसे एक विशिष्ट बॉक्स में लिखते हैं। यदि कोई बॉक्स खाली है, तो आपको पता होता है कि आपको अभी क्या खोजने की आवश्यकता है।
यह कैसे काम करता है: तीन भूमिकाएँ
यह सिस्टम इस डिजिटल स्प्रेडशीट के इर्द-गिर्द काम करने वाले AI "एजेंटों" की एक टीम का उपयोग करता है:
- प्लानर (मैनेजर/प्रबंधक): यह AI उपयोगकर्ता के प्रश्न को देखता है और स्प्रेडशीट तैयार करता है। यह तय करता है कि किन कॉलमों की आवश्यकता है (जैसे, "स्टोर का नाम," "वृद्धि दर," "फोन नंबर")। यह खाली बॉक्सों को देखता है और कहता है, "ठीक है, हमें इन पंक्तियों (rows) को भरने के लिए 30 स्टोर खोजने की आवश्यकता है।"
- सब-एजेंट्स (वर्कर्स/श्रमिक): ये सर्च इंजन हैं। मैनेजर नए उम्मीदवारों को खोजने के लिए उन्हें भेजता है।
- रो एक्सपेंशन (Row Expansion): यदि टेबल में अभी पर्याप्त स्टोर नहीं हैं, तो वर्कर्स नए स्टोर खोजने और उन्हें नई पंक्तियों के रूप में जोड़ने के लिए बाहर जाते हैं।
- सेल पॉपुलेशन (Cell Population): यदि एक स्टोर मिल जाता है लेकिन "फोन नंबर" वाला बॉक्स खाली है, तो वर्कर्स विशेष रूप से उस एक जानकारी को खोजने और उस विशिष्ट बॉक्स को भरने के लिए जाते हैं।
- एक्सटर्नल डेटाबेस (फाइलिंग कैबिनेट): AI की सीमित अल्पकालिक स्मृति (short-term memory) में सभी खोज परिणामों को रखने के बजाय, स्प्रेडशीट एक बाहरी डेटाबेस में रहती है। AI केवल टेबल के उन हिस्सों को देखता है जिनकी उसे अभी आवश्यकता होती है। यह AI के "दिमाग" को केवल डेटा स्टोर करने के बजाय सोचने के लिए स्पष्ट रखता है।
उन्होंने क्या टेस्ट किया
पेपर ने तीन प्रकार के कठिन खोज कार्यों पर इस पद्धति का परीक्षण किया:
- डीप सर्च (Deep Search): घास के ढेर में एक विशिष्ट सुई ढूंढना (जैसे, "उस एक गायक को ढूंढें जो इन 5 विशिष्ट मानदंडों को पूरा करता है")।
- वाइड सर्च (Wide Search): सुइयों का एक बड़ा ढेर ढूंढना (जैसे, "2005 से 2015 तक के प्रत्येक पुरस्कार विजेता की सूची बनाएं")।
- डीप-वाइड सर्च (DeepWide Search): सबसे कठिन वाला। सुइयों का एक बड़ा ढेर ढूंढना और यह सत्यापित करना कि प्रत्येक सुई सख्त नियमों को पूरा करती है (जैसे, "इन 5 नियमों को पूरा करने वाले 30 स्टोर ढूंढें और उनके फोन नंबर प्राप्त करें")।
परिणाम: यह क्यों बेहतर है
पेपर का दावा है कि TaS वर्तमान अत्याधुनिक तरीकों (जैसे कि कई बड़ी AI कंपनियों द्वारा उपयोग किया जाने वाला मानक "ReAct" तरीका) की तुलना में काफी बेहतर है।
- यह खोता नहीं है: क्योंकि टेबल ट्रैक रखती है कि क्या किया गया है और क्या बाकी है, AI कभी भी अपनी योजना नहीं भूलता, भले ही खोज बहुत लंबी क्यों न हो।
- यह अधिक कुशल है: इसने प्रतिस्पर्धा की तुलना में कम खोज प्रयासों का उपयोग करके बेहतर उत्तर खोजे। इसे ज़बरदस्ती (brute-force) रास्ता बनाने की ज़रूरत नहीं पड़ी; यह सटीक था।
- यह छोटे दिमागों के साथ भी काम करता है: आश्चर्यजनक रूप से, इस "टेबल" पद्धति का उपयोग करने वाला एक छोटा, सस्ता AI मॉडल, पुराने "कहानी" तरीके का उपयोग करने वाले बहुत बड़े, अधिक महंगे AI मॉडल को भी पीछे छोड़ गया। संरचना ने छोटे मॉडल को अपनी क्षमता से अधिक प्रदर्शन करने में मदद की।
- यह लचीला है: "मैनेजर" अपने "वर्कर्स" को बदल सकता है। यदि आपके पास फोन नंबर खोजने के लिए कोई विशेष टूल है, तो आप पूरे सिस्टम को तोड़े बिना उसे इसमें जोड़ सकते हैं।
संक्षेप में
पेपर का तर्क है कि जब AI एजेंट लंबे, जटिल इंटरनेट खोज अभियानों पर जाते हैं, तो उन्हें चेतना के एक बिखरे हुए प्रवाह (stream of consciousness) पर निर्भर नहीं होना चाहिए। इसके बजाय, उन्हें अपने नोट्स व्यवस्थित रखने के लिए एक संरचित तालिका (structured table) का उपयोग करना चाहिए। यह सरल बदलाव उन्हें भ्रमित होने से बचाता है, उन्हें अधिक सटीक उत्तर खोजने में मदद करता है, और उन्हें कम कंप्यूटिंग पावर के साथ अधिक करने की अनुमति देता 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।