Terminal Agents Suffice for Enterprise Automation
यह शोध पत्र तर्क देता है कि सरल टर्मिनल-आधारित कोडिंग एजेंट, जो फाइलसिस्टम के माध्यम से सीधे प्लेटफॉर्म API के साथ इंटरैक्ट करते हैं, विविध एंटरप्राइज ऑटोमेशन कार्यों के लिए अधिक जटिल टूल-ऑगमेंटेड या वेब-आधारित एजेंटों के बराबर या उनसे बेहतर प्रदर्शन करने के लिए पर्याप्त हैं।
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 आपको एक विशाल, उच्च-तकनीकी कार्यालय भवन (एक "एंटरप्राइज") में एक जटिल कार्य पूरा करने की आवश्यकता है। आपके पास एक बहुत ही स्मार्ट, सुपर-इंटेलिजेंट सहायक (एक AI एजेंट) है जो आपकी मदद कर सकता है। मुख्य सवाल जो यह शोध पत्र पूछता है: इस सहायक को कार्यालय के साथ कैसे इंटरैक्ट करना चाहिए?
शोधकर्ताओं ने इस बात का परीक्षण करने के लिए तीन अलग-अलग तरीके आजमाए कि सहायक को निर्देश कैसे दिए जाएं:
1. "पर्यटक" दृष्टिकोण (GUI/Web Agents)
रूपक (Metaphor): कल्पना कीजिए कि आपने एक ऐसे पर्यटक को काम पर रखा है जो पहले कभी इस इमारत में नहीं आया है। आप उसे बताते हैं, "चौथी मंजिल पर जाओ, नीला दरवाजा ढूंढो, हैंडल को दबाओ, अंदर जाओ, लाल बटन ढूंढो और उसे दबा दो।"
- यह कैसे काम करता है: AI कंप्यूटर स्क्रीन को देखता है (जैसे एक इंसान मॉनिटर को देखता है), बटनों पर क्लिक करता है, बॉक्स में टाइप करता है और मेनू में नेविगेट करता है।
- समस्या: यह धीमा और नाजुक है। यदि कार्यालय अपने फर्नीचर को व्यवस्थित करता है (वेबसाइट अपडेट करता है), तो पर्यटक रास्ता भटक जाता है। यह महंगा भी है क्योंकि AI को हर कदम पर "देखना" पड़ता है, जिससे भारी मात्रा में विजुअल डेटा प्रोसेस करना पड़ता है।
- परिणाम: यह काम करता है, लेकिन यह एक कप कॉफी पाने के लिए भारी टैंक चलाने जैसा है। यह काम तो कर लेता है, लेकिन इसमें बहुत अधिक लागत आती है।
2. "मेन्यू" दृष्टिकोण (Tool-Augmented/MCP Agents)
रूपक: कल्पना कीजिए कि आप सहायक को ठीक से छपा हुआ एक मेन्यू दे रहे हैं कि वे क्या करने के लिए अधिकृत हैं। "आप बर्गर, फ्राइज़ या सोडा ऑर्डर कर सकते हैं। आप पिज्जा ऑर्डर नहीं कर सकते, भले ही रसोई में उसकी सामग्री मौजूद हो।"
- यह कैसे काम करता है: AI को उपकरणों (जैसे "टिकट बनाएं" या "यूजर अपडेट करें") की एक विशिष्ट सूची दी जाती है। वह केवल इसी सूची में से चुन सकता है।
- समस्या: मेन्यू अक्सर अधूरा होता है। यदि आपको मेन्यू पर मौजूद चीज़ से थोड़ा अलग कुछ करने की आवश्यकता है (जैसे "एक्स्ट्रा अचार और बिना बन वाला बर्गर" ऑर्डर करना), तो सहायक अटक जाता है। वे एक नया टूल नहीं बना सकते; वे केवल पूर्व-अनुमोदित सूची में से ही चुन सकते हैं।
- परिणाम: यह "पर्यटक" की तुलना में तेज़ है, लेकिन यदि कार्य मेन्यू में नहीं है, तो सहायक हार मान लेता है।
3. "मास्टर की" दृष्टिकोण (Terminal Agents)
रूपक: यह मुख्य आकर्षण है। कल्पना कीजिए कि आप सहायक को एक मास्टर की (Master Key) और इमारत के प्लंबिंग और इलेक्ट्रिकल सिस्टम का एक ब्लूप्रिंट (नक्शा) देते हैं। दरवाजों पर क्लिक करते हुए इधर-उधर घूमने के बजाय, वे सीधे पाइपों और तारों तक पहुँच जाते हैं।
- यह कैसे काम करता है: सहायक कोड (कमांड्स) लिखता है ताकि वह सीधे इमारत के "बैक-एंड" (APIs) से बात कर सके। वे बटन क्लिक नहीं करते; वे सीधे निर्देश भेजते हैं जैसे "कमरा 304 में पानी का वॉल्व चालू करें।"
- लाभ:
- लचीलापन (Flexibility): यदि उन्हें कुछ अलग करना है, तो वे बस एक नया निर्देश लिख सकते हैं। वे मेन्यू तक सीमित नहीं हैं।
- गति (Speed): वे पूरी तरह से "विजुअल" भाग को छोड़ देते हैं। पेज लोड होने या बटन दिखने का इंतज़ार करने की कोई ज़रूरत नहीं होती।
- लागत (Cost): यह अविश्वसनीय रूप से सस्ता है क्योंकि यह केवल टेक्स्ट कमांड है, भारी इमेज प्रोसेसिंग नहीं।
बड़ी खोज
शोधकर्ताओं ने तीन प्रमुख एंटरप्राइज सिस्टम (ServiceNow, GitLab, और ERPNext) में हजारों परीक्षण किए। यहाँ उन्हें क्या मिला:
- "मास्टर की" (Terminal) एजेंट विजेता रहे। उन्होंने "पर्यटकों" (Web agents) के समान या उनसे बेहतर तरीके से कार्य हल किए, लेकिन बहुत कम लागत (कभी-कभी 5 गुना से 10 गुना सस्ता) पर।
- "मेन्यू" (Tool) एजेंट संघर्ष करते रहे। वे अक्सर इसलिए विफल रहे क्योंकि कार्यों के लिए ऐसे चरणों की आवश्यकता थी जो उनके पूर्व-अनुमत मेन्यू में नहीं थे।
- डॉक्यूमेंटेशन हमेशा मददगार नहीं होता। कभी-कभी, मैनुअल (डॉक्यूमेंटेशन) पढ़ना सहायक को भ्रमित भी कर देता है। यह अक्सर बेहतर होता है कि सहायक बस "कोशिश" करे और करके सीखे, बजाय इसके कि वह इंसानों के लिए लिखे गए लंबे, भ्रमित करने वाले मैनुअल में उलझा रहे।
- मेमोरी (स्मृति) मदद करती है। यदि सहायक पिछले समय में क्या काम आया (जैसे, "ओह, मैंने सीखा कि इस विशिष्ट बटन के लिए एक विशेष कोड की आवश्यकता है") उसके बारे में नोट्स ("कौशल/Skills") लिख सकता है, तो वे अगले कार्यों में और भी बेहतर और तेज़ हो जाते हैं।
निष्कर्ष (Takeaway)
लंबे समय तक, लोगों को लगा कि जटिल, फैंसी AI एजेंट बनाना जिनमें बहुत सारी परतें (विजुअल्स, मेन्यू, रैपर्स) हों, व्यावसायिक कार्य को स्वचालित करने का एकमात्र तरीका है।
यह पेपर कहता है: नहीं, आपको फैंसी चीजों की आवश्यकता नहीं है।
यदि आप एक स्मार्ट AI को सिस्टम के "इंजन" (API) तक सीधी पहुंच और कमांड टाइप करने के लिए एक टर्मिनल देते हैं, तो वह फैंसी, विजुअल और मेन्यू-बाउंड विकल्पों की तुलना में अधिक तेज़ी से, सस्ते में और अधिक विश्वसनीयता के साथ काम कर सकता है।
संक्षेप में: ऐसा रोबोट न बनाएं जो ऑफिस में घूमकर बटन क्लिक करता रहे। रोबोट को मैनेजर तक सीधी फोन लाइन दें और उसे सीधे काम पर लग जाने दें।
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।