Web Agents Should Use Typed Actions Instead of Click-Based Browsing
यह स्थिति पत्र अधिक विश्वसनीय, ऑडिट योग्य और पुनरुत्पादक एजेंटिक वेब सिस्टम बनाने के लिए भंगुर, निम्न-स्तरीय क्लिक-आधारित वेब इंटरैक्शन को टाइप किए गए "वेब क्रियाओं" (web verbs) की एक सिमेंटिक लेयर से बदलने का वकालत 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
यहाँ इस शोध पत्र (paper) का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।
मुख्य विचार: क्लिक करना बंद करें, "Verb" (क्रिया) बोलना शुरू करें
कल्पना कीजिए कि आप एक रोबोट को पिज्जा ऑर्डर करना सिखाने की कोशिश कर रहे हैं।
पुराना तरीका (क्लिक-आधारित ब्राउज़िंग):
अभी, अधिकांश वेब एजेंट (AI रोबोट) बटन पर क्लिक करके पिज्जा ऑर्डर करना सीखने की कोशिश करते हैं। रोबोट को यह समझना पड़ता है: "ठीक है, मुझे अपना माउस दाईं ओर 400 पिक्सल ले जाना है, लाल बटन पर क्लिक करना है, स्क्रीन लोड होने का इंतज़ार करना है, तीन इंच नीचे स्क्रॉल करना है, और 'pepperoni' टाइप करना है।"
यह किसी को हर एक मांसपेशी की हरकत के लिए निर्देश देकर गाड़ी चलाना सिखाने जैसा है: "अपना सिर बाईं ओर घुमाएं, अपना पैर 2 इंच हिलाएं, पेडल दबाएं।" यह काम तो करता है, लेकिन यह बहुत ही नाजुक (fragile) है। अगर पिज्जा शॉप ने "Order" बटन को दो इंच बाईं ओर खिसका दिया, या मेनू का रंग बदल दिया, तो रोबोट भ्रमित हो जाता है और फेल हो जाता है। उसे हर बार पूरा नया 'डांस' सीखना पड़ता है।
नया तरीका (टाइप्ड एक्शन / वेब वर्ब्स - Web Verbs):
इस पेपर के लेखक तर्क देते हैं कि हमें रोबोट को क्लिक करना सिखाना बंद कर देना चाहिए। इसके बजाय, हमें उन्हें "Web Verbs" (वेब क्रियाओं) का एक मेनू देना चाहिए।
एक 'Web Verb' को एक जादुई बटन या कमांड कार्ड की तरह समझें। रोबोट को कैसे क्लिक करना है यह बताने के बजाय, आप उसे एक स्पष्ट, संरचित कमांड का उपयोग करके बताते हैं कि क्या करना है।
- पुराना कमांड: "माउस को X, Y पर ले जाओ, क्लिक करो।"
- नया Verb:
search_hotel(destination="Anchorage", check_in="2026-06-01")
यह कमांड एक पहले से तैयार भोजन (pre-packaged meal) की तरह है। रोबोट को यह जानने की ज़रूरत नहीं है कि प्याज कैसे काटें या स्टेक को कैसे तलें (जटिल क्लिकिंग और स्क्रॉलिंग); वह बस "होटल सर्च" का भोजन मांगता है, और सिस्टम पर्दे के पीछे के सभी जटिल विवरणों को खुद संभाल लेता है।
हमें इसकी आवश्यकता क्यों है?
पेपर "क्लिकिंग" दृष्टिकोण की तीन मुख्य समस्याओं और "Verbs" उन्हें कैसे ठीक करते हैं, इस पर प्रकाश डालता है:
1. विश्वसनीयता (The "Fragile House" Problem - नाजुक घर की समस्या)
- समस्या: जब एक रोबोट बटन पर क्लिक करता है, तो वह ताश के पत्तों का घर बना रहा होता है। यदि वेबसाइट का लेआउट थोड़ा भी बदल जाता है (जैसे बटन को खिसका देना), तो पूरा घर ढह जाता है। रोबोट रास्ता भटक जाता है।
- Verb का समाधान: एक Verb एक मजबूत ईंट की तरह है। भले ही वेबसाइट अपना पेंट बदल दे या फर्नीचर की व्यवस्था बदल दे, "Search Hotel" वाली ईंट काम करती रहेगी क्योंकि इसे आंतरिक रूप से उन बदलावों को संभालने के लिए बनाया गया है। रोबोट बस उस ईंट को मांगता है; उसे यह जानने की ज़रूरत नहीं है कि उस ईख को कैसे बनाया गया था।
2. दक्षता (The "Stop-Start" Problem - रुकने-शुरू होने की समस्या)
- समस्या: यात्रा बुक करने जैसे साधारण कार्य के लिए, एक क्लिकिंग रोबोट को 50 छोटे चरणों से गुजरना पड़ सकता है: यहाँ क्लिक करें, प्रतीक्षा करें, स्क्रॉल करें, टाइप करें, वहाँ क्लिक करें। उसे हर एक कदम के बाद "सोचना" और स्क्रीन को "देखना" पड़ता है। यह धीमा और महंगा है।
- Verb का समाधान: Verbs के साथ, रोबोट कह सकता है, "मेरे लिए एक होटल ढूंढो," और "मेरे लिए एक फ्लाइट ढूंढो," और "उन्हें बुक करो।" वह 50 छोटे कदमों के बजाय तीन बड़े कदमों में पूरा काम कर देता है। यह एक रेस्तरां में पूरा भोजन ऑर्डर करने जैसा है, न कि हर सामग्री को शून्य से बनाने जैसा।
3. सत्यापन क्षमता (The "Black Box" Problem - ब्लैक बॉक्स की समस्या)
- समस्या: यदि एक क्लिकिंग रोबोट गलती करता है, तो यह बताना कठिन है कि क्यों हुआ। क्या उसने गलत बटन क्लिक किया? क्या उसने टेक्स्ट को गलत पढ़ा? यह क्रियाओं का एक उलझा हुआ सिलसिला है जिसे जाँचना कठिन है।
- Verb का समाधान: Verbs एक रसीद (receipt) की तरह हैं। जब रोबोट एक Verb का उपयोग करता है, तो उसे एक स्पष्ट, संरचित उत्तर मिलता है (जैसे, "यहाँ कीमतों के साथ होटलों की सूची है")। हम इनपुट (उसने क्या मांगा) और आउटपुट (उसे क्या मिला) को आसानी से जांच सकते हैं। यदि कुछ गलत होता है, तो हमें पता होता है कि कौन सी विशिष्ट "ईंट" विफल हुई, न कि यह कि रोबोट ने किस विशिष्ट पिक्सेल पर क्लिक किया था।
वास्तविक जीवन में यह कैसे काम करता है (उदाहरण)
पेपर इसका परीक्षण दो उदाहरणों के साथ करता है:
यात्रा योजना (Travel Planning): एक उपयोगकर्ता संग्रहालयों के पास होटल ढूंढना चाहता है और उन्हें दूरी के आधार पर रैंक करना चाहता है।
- क्लिकिंग रोबोट: भ्रमित हो जाता है। वह सभी संग्रहालयों और होटलों को जोड़ने वाली एक एकल रेखा खींचने की कोशिश करता है, जो वास्तव में दूरी की सही गणना नहीं करती है। वह सारी क्लिकिंग के बीच गणित को खो देता है।
- Verb रोबोट:
get_directionsवर्ब का उपयोग करता है। यह सूची को लूप करता है, प्रत्येक होटल और संग्रहालय के बीच की दूरी के लिए वर्ब से पूछता है, उन्हें जोड़ता है और उन्हें क्रमबद्ध करता है। यह गणित का पूरी तरह पालन करता है क्योंकि "दूरी" एक स्पष्ट संख्या है, न कि केवल एक विजुअल अनुमान।
फर्नीचर खरीदारी (Furniture Shopping): एक उपयोगकर्ता $1,000 के बजट के तहत एक बेड, डेस्क और लैंप खरीदना चाहता है, जिससे रेटिंग अधिकतम हो।
- क्लिकिंग रोबोट: चीजों को एक-एक करके चुनता है। वह एक बेहतरीन बेड चुन सकता है, फिर एक बेहतरीन डेस्क, और अचानक उसे एहसास हो सकता है कि उसके पास लैंप के लिए पैसे नहीं बचे हैं। वह वैश्विक लक्ष्य (global goal) में विफल रहता है।
- Verb रोबोट: कीमतों और रेटिंग के साथ सभी वस्तुओं की सूची प्राप्त करने के लिए वर्ब्स का उपयोग करता है। फिर यह देखने के लिए कि सबसे अच्छा सेट कौन सा है जो बजट में फिट बैठता है, एक साधारण कंप्यूटर प्रोग्राम चलाता है। यह तर्क के साथ पहेली को हल करता है।
आह्वान (The Call to Action)
लेखक यह नहीं कह रहे हैं कि AI मॉडल को "अधिक स्मार्ट" होने की आवश्यकता है। वे कह रहे हैं कि इंटरफेस (interface) को बदलने की आवश्यकता है।
वे प्रस्ताव देते हैं कि वेबसाइटों को इन "Verbs" को दुनिया के सामने उजागर करना चाहिए।
- डेवलपर्स के लिए: केवल मनुष्यों के लिए वेबसाइट बनाने के बजाय, रोबोटों के लिए एक "Verb Layer" बनाएं। यह एक सरल API (सर्वर तक सीधी रेखा) या एक स्क्रिप्ट हो सकती है जो आपके लिए ब्राउज़र क्लिक को स्वचालित करती है।
- समुदाय के लिए: जिस तरह हमारे पास वेबसाइट कैसी दिखनी चाहिए इसके मानक (HTML) हैं, हमें यह भी मानक चाहिए कि रोबोट वेबसाइटों से कैसे बात करें। हमें "Web Verbs" का एक सार्वभौमिक शब्दकोश चाहिए ताकि रोबोटों को पता हो कि कौन से कमांड उपलब्ध हैं।
सारांश उपमा (Summary Analogy)
- वर्तमान वेब एजेंट: ऐसे व्यक्ति की तरह हैं जो मैप देखते हुए, मैन्युअल रूप से स्टीयरिंग व्हील घुमाकर, एक्सीलेटर दबाकर और ब्रेक लगाकर कार चलाने की कोशिश कर रहे हैं। यदि सड़क बदलती है, तो वे दुर्घटनाग्रस्त हो जाते हैं।
- प्रस्तावित वेब एजेंट: एक सेल्फ-ड्राइविंग कार में बैठे यात्री की तरह हैं। वे बस कार को कहते हैं, "मुझे एयरपोर्ट ले चलो।" कार (Verb) स्टीयरिंग, ब्रेकिंग और नेविगेशन को संभाल लेती है। यह सुरक्षित है, तेज़ है, और आप जानते हैं कि आप कहाँ जा रहे हैं।
यह पेपर तर्क देता है कि "एजेंटिक वेब" (एक ऐसा वेब जहाँ रोबोट हमारे लिए काम करते हैं) को विश्वसनीय बनाने के लिए, हमें रोबोट को स्टीयरिंग व्हील देना बंद करना होगा और उन्हें मंजिल (destination) देना शुरू करना होगा।
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।